Predição do consumo específico de combustível do harvester utilizando modelos lineares mistos e redes neuronais artificiais

• Main Author: Santos, Larissa Nunes dos
• Other Authors: Leite, Hélio Garcia
• Language: Portuguese
• Published: Universidade Federal de Viçosa 2018
• Subjects: Máquinas florestais - Consumo de combustível; Máquinas florestais - Custo operacional - Programas de computador; Madeira - Exploração - Máquinas; Madeira - Exploração - Custos; Estatística; Redes neurais (Computação); Máquinas e Implementos Agrícolas
• Online Access: http://www.locus.ufv.br/handle/123456789/20381

Submitted by Reginaldo Soares de Freitas ([e-mail]) on 2018-06-29T11:31:24Z No. of bitstreams: 1 texto completo.pdf: 2215686 bytes, checksum: bd3bf560e364036fc013e4b29b0904a5 (MD5) === Made available in DSpace on 2018-06-29T11:31:24Z (GMT). No. of bitstreams: 1 texto completo.pdf: 2215686 bytes, checksum: bd3bf560e364036fc013e4b29b0904a5 (MD5) Previous issue date: 2018-05-03 === Conselho Nacional de Desenvolvimento Científico e Tecnológico === O consumo de combustível de máquinas florestais é um dos componentes mais impactantes nos custos de colheita florestal e, por isso, grande importância é dada à sua redução. Objetivou-se com este trabalho predizer o consumo especifico de combustível do harvester em função de variáveis climáticas, dendrométricas e operacionais, utilizando modelos lineares mistos (MLM) e redes neuronais artificiais (RNA). Foi utilizado um harvester John Deere 1270E para derrubar e processar as árvores em toras. Os dados foram obtidos através do software instalado no computador de bordo da máquina TimberMatic (John Deere) e do Boletim de Apropriação de Equipamento (BAE). As variáveis contínuas utilizadas foram: diâmetro médio da tora e ângulo frontal da máquina. As categóricas: local de corte, tipo de manejo da floresta, clima, turno de trabalho, combinação de rotação do motor e nível de treinamento do operador. O consumo especifico de combustível foi usado como a variável resposta. No modelo linear misto os dados foram agrupados dentro da variável operador e, portanto, esta variável foi incluída como um intercepto aleatório. Para o emprego de RNA o banco de dados foi dividido aleatoriamente em: 70% dos dados para treinamento e 30% para validação das redes. O treinamento foi o do tipo supervisionado, o algoritmo de aprendizagem utilizado foi o resilient- propagation e a função de ativação usada na camada oculta e de saída foi a sigmoide. Para verificar a qualidade do MLM foram usados o Critério de informação de Akaike (AIC) e o coeficiente de determinação baseado no teste ). Como medidas de avaliação dos resultados da razão de verossimilhança (R LR gerados pelas redes, foi utilizada a correlação entre os valores observados e estimados, a raiz quadrada do erro quadrático médio (RQEM), o erro relativo percentual médio e a distribuição de frequência dos erros relativos percentuais. Para comparar os resultados gerados pelo MLM e a RNA foram utilizados o erro relativo percentual e a RQEM, além da distribuição dos erros. O valor R LR obtido para a MLM selecionada foi de 0,84. A rede que obteve menor RQEM na validação foi a que continha oito neurônios na camada escondida. A RQME encontrada para a RNA e MLM foi de 17,6189 e 20,9686 respectivamente, indicando maior exatidão na estimativa do consumo específico de combustível do harvester pela RNA. O MLM e RNA são eficientes na estimativa do consumo específico de combustível do harvester, com ligeira superioridade (exatidão) para a rede neuronal. === The fuel consumption of forestry machines is one of the most impacting components of forest harvesting costs and, therefore, great importance is given to their reduction. The objective of this work was to predict the specific fuel consumption of the harvester as a function of climatic, dendrometric and operational variables using mixed linear models (LME) and artificial neural networks (ANNs). A John Deere 1270E harvester was used to fell and process trees into logs. The data were obtained through the software installed on the onboard computer of the machine, TimberMatic (John Deere) and the Equipment Appropriation Bulletin (EAB). The continuous variables used were: average log diameter and pitch machine. The categorical ones: cutting location, type of forest management, climate, work shift, combination of engine rotation and operator training level. The specific fuel consumption was used as the response variable. In the mixed linear model the data were grouped within the operator variable and, therefore, this variable was included as a random intercept. For the use of RNA the database was randomly divided into: 70% of data for training and 30% for validation of networks. The training was supervised type, the learning algorithm used was the resilient-propagation and the activation function used in the hidden layer and the output was the sigmoid. The Akaike Information Criterion (AIC) and the determination coefficient based ) were used to verify LME quality. As a measure on the likelihood ratio test (R LR of the results generated by the networks, the correlation between the observed and estimated values, the square root of the mean square error (RSME), the relative mean percentage error and the frequency distribution of the relative percentage errors were used. In order to compare the results generated by the LME and ANN, the percentage relative error and the RSME were used, besides value obtained for the LME selected was the distribution of the errors. The R LR 0.84. The network that obtained the lowest RSME in the validation was the one that contained eight neurons in the hidden layer. The RSME found for ANN and LME was 17.6189 e 20.9686 respectively, indicating greater accuracy in the estimation of the specific fuel consumption of the harvester by ANN. The LME and ANN are efficient in estimating the specific fuel consumption of the harvester, with slight superiority (accuracy) for the neural network.