Autor: Vitor Mendes Magalhães (Currículo Lattes)
Resumo
A madeira é uma das matérias-primas mais utilizadas para a fabricação de diversos produtos ao redor do mundo. Em se tratando de processos produtivos e industriais, pelo fato de a madeira ser oriunda de árvores - um recurso natural - é preciso otimizar ao máximo sua utilização. Um ponto-chave para essa otimização é o controle da variação de umidade presente na madeira, pois, na medida em que as toras de madeira bruta são armazenadas ao ar livre, elas começam a perder água de forma gradativa. Tal perda de água é refletida diretamente não somente no peso, mas também no surgimento de defeitos, como empenos e rachaduras, que prejudicam de forma peremptória os processos produtivos que as toras serão submetidas, causando perdas irreparáveis de matéria-prima. Dado o contexto, esta dissertação de mestrado desenvolve um método baseado em Machine Learning para predizer a variação do peso de toras de madeira causada pela perda de umidade, sem que seja necessário aquirir equipamentos ou aumentar o custo de mão-de-obra, utilizando dados operacionais e meteorológicos que, em via de regra, as empresas do setor já têm à disposição. São ajustados diversos modelos, com diferentes algoritmos, configurações de hiperparâmetros e distribuições dos dados de treinamento. Esses modelos foram submetidos a diferentes avaliações. Como avaliação empírica, a métrica escolhida foi a medida F balanceada, ponderada pela quantidade de instâncias por classe, referenciada no texto como Micro-F1. Os resultados dos experimentos mostraram que o modelo desenvolvido utilizando o classificador Random Forest, classes balanceadas pelo algoritmo SMOTE e hiperparâmetros ajustados com o best tuning obteve o melhor desempenho de classificação. Na análise estatística, foram empregados os testes Align-Friedman e post hoc de Holm. Considerando o modelo baseado no Random Forest como método de controle, os resultados demonstraram que os algoritmos Random Forest e Gradient Boosting podem ser considerados estatisticamente equivalentes na maioria dos cenários testados. Dessa forma, sugere-se para utilização industrial o modelo baseado no Random Forest, possibilitando, assim, um melhor aproveitamento das toras de madeira nos processos produtivos e auxiliando a tomada de decisão da cadeia industrial na qual a madeira está inserida.