Modelagem matemática da produtividade do corte florestal mecanizado

Página do item simplificado
dc.contributor.advisor-co1Silva, Mayra Luiza Marques da
dc.contributor.advisor1Fiedler, Nilton César
dc.contributor.authorGonçalves, Saulo Boldrini
dc.contributor.referee1Lopes, Domingos Manuel Mendes
dc.contributor.referee2Pereira, Daniel Pena
dc.contributor.referee3Minette, Luciano José
dc.contributor.referee4Silva, Gilson Fernandes da
dc.date.accessioned2018-08-01T22:56:21Z
dc.date.available2018-08-01
dc.date.available2018-08-01T22:56:21Z
dc.date.issued2017-09-27
dc.description.abstractThe The productivity of the wood harvesting operations is one of the main viability variables of the forest enterprise, being directly influenced by the characteristics of the land, the stand and the operational planning. The variables that can affect the productivity of harvesting machines are, for the most part, indirectly identifiable, difficult to measure, and present complex relationships, making it difficult to predict the productivity of operations. The objective of this study was to generate a model through artificial neural networks (RNA) and linear regression to estimate harvester productivity as a function of terrain, settling and operational planning variables. For this purpose, a database was used, from a forest company, containing information on mechanized forestry cutting operations with harvester. RNA input variables for modeling harvester productivity were (individual mean volume of trees, timber volume, cutting age, spacing, operator experience and management regime). Data were randomly divided to be used the network training (70%) and generalization (30%) were used. The networks training was also performed with combinations of the input variables, in order to verify the influence of each variable on harvester productivity. Using only the variables that showed a significant linear correlation with the productivity, according to Pearson correlation coefficient matrix, by the test ta 5% and 1% of probability. Both modeling techniques were evaluated by means of statistics and graphical analysis of the residues. The artificial neural networks selected in the training and validation for estimating harvester productivity presented correlation coefficient values above 0.89 and less than 11.91, indicating strong correlation and high accuracy between the estimates and the observed values. The combination of the input variables of the network that presented the best result was the one that used all six variables evaluated in the study. The multiple linear regression with all variables of significant correlation was the one that had the best fit for harvester productivity, correlation coefficient 0.83 and RMSE% 14.5. Among the variables evaluated in the model, the one that explains the productivity estimated by the linear regression is the individual mean volume. Both modeling techniques were efficient in predicting harvester productivity in mechanized xii forest cutting, but RNA presented more accurate estimates and could be indicated instead of the traditional multiple linear regression model.
dc.description.resumoA produtividade das operações de colheita de madeira é uma das principais variáveis de viabilidade do empreendimento florestal, sendo, diretamente influenciada pelas características do terreno, do povoamento e do planejamento operacional. As variáveis que podem afetam a produtividade das máquinas de colheita, na maioria das vezes, são passíveis de identificação indiretas, difícil mensuração e apresentam relações complexas, dificultando a predição da produtividade das operações. Este estudo teve como objetivo gerar um modelo por meio de redes neurais artificiais (RNA) e regressão linear para estimar a produtividade do harvester em função das variáveis do terreno, do povoamento e do planejamento operacional. Para tanto, foi utilizado uma base de dados, de uma empresa florestal, contendo informações das operações de corte florestal mecanizado com harvester. As variáveis de entrada da RNA para a modelagem da produtividade do harvester foram (volume médio individual das árvores, volume de madeira do talhão, idade de corte, espaçamento, experiência do operador e regime de manejo. Os dados foram divididos aleatoriamente para serem utilizados no treinamento da rede (70%) e na generalização (30%). Realizou-se também o treinamento das redes com as combinações das variáveis de entrada, a fim de verificar a influência de cada variável na produtividade do harvester. A análise de regressão linear utilizou apenas as variáveis que apresentaram correlação linear significativa com a produtividade, segundo matriz de coeficiente de correlação de Pearson, pelo teste t a 5% e 1% de probabilidade. Ambas as técnicas de modelagem foram avaliadas por meio de estatísticas e análise gráfica dos resíduos. As redes neurais artificiais selecionadas no treinamento e na validação para a estimativa da produtividade do harvester, apresentaram valores de coeficiente de correlação acima de 0,89 e menores que 11,91, indicando forte correlação e alta exatidão entre as estimativas e os valores observados. A combinação das variáveis de entrada da rede que apresentou o melhor resultado foi a que utilizou todas as seis variáveis avaliadas no estudo. A regressão linear múltipla com todas as variáveis de correlação significativa foi a que teve o melhor ajuste para a produtividade do harvester, coeficiente de correlação 0,83 e RMSE% 14,5. Dentre as variáveis avaliadas no modelo, a que mais explica a produtividade estimada pela regressão linear é o volume médio individual. Ambas as técnicas de modelagem foram eficientes na predição da produtividade do harvester no corte florestal mecanizado, mas a RNA apresentou estimativas mais precisas e pode ser indicada em substituição ao modelo tradicional de regressão linear múltipla.
dc.formatText
dc.identifier.citationGONÇALVES, Saulo Boldrini. Modelagem matemática da produtividade do corte florestal mecanizado. 2017. 62 f. Tese (Doutorado em Ciências Florestais) – Universidade Federal do Espírito Santo, Centro de Ciências Agrárias e Engenharias, Jerônimo Monteiro - ES, 2017.
dc.identifier.urihttp://repositorio.ufes.br/handle/10/7710
dc.languagepor
dc.publisherUniversidade Federal do Espírito Santo
dc.publisher.countryBR
dc.publisher.courseDoutorado em Ciências Florestais
dc.publisher.departmentCentro de Ciências Agrárias e Engenharias
dc.publisher.initialsUFES
dc.publisher.programPrograma de Pós-Graduação em Ciências Florestais
dc.rightsopen access
dc.subjectForestry techniques and operationseng
dc.subjectForest mechanizationeng
dc.subjectForestry planningeng
dc.subjectMachine productivityeng
dc.subjectTécnicas e operações florestaispor
dc.subjectPlanejamento florestalpor
dc.subjectProdutividade de máquinaspor
dc.subjectMecanização florestalpor
dc.subject.br-rjbnMáquinas florestais
dc.subject.br-rjbnFlorestas - Inovações tecnológica
dc.subject.br-rjbnProjetos de desenvolvimento florestal
dc.subject.br-rjbnProdutividade florestal
dc.subject.cnpqRecursos Florestais e Engenharia Florestal
dc.subject.udc630
dc.titleModelagem matemática da produtividade do corte florestal mecanizado
dc.title.alternativeMathematical modeling of mechanized forestry cutting productivity
dc.typedoctoralThesis
Arquivos
Pacote Original
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
SAULOBOLDRINIGONÇALVES-2017-TRABALHO.pdf
Tamanho:
13.11 MB
Formato:
Adobe Portable Document Format
Descrição:
Baixar
Coleções
Doutorado em Ciências Florestais