dc.creator | Rodrigues, Dágila Melo | |
dc.date.accessioned | 2023-08-21T19:40:28Z | |
dc.date.available | 2023-08-21T19:40:28Z | |
dc.date.issued | 2023-06-16 | |
dc.identifier.uri | http://repositorio.ufsm.br/handle/1/30026 | |
dc.description.abstract | This work aimed to apply predictive models of Machine Learning to monitor the quality and
early prediction of losses in the stages of transport, drying and storage of maize grains. This
study was divided into three chapters. The first chapter addressed the review of the scientific
literature on fundamentals and technological structures of post-harvest and its impacts on the
quality of corn grains. The second chapter was a review of computational tools and artificial
intelligence algorithms for early decision making to control the quality of corn grains in the
post-harvest period. The third chapter was based on monitoring the quality of corn grains in
the stages of transport, drying and storage, using Machine Learning models to predict quality
and grain losses. The monitoring showed that the water content, the intergranular relative
humidity alter the hygroscopic balance moisture of the grains, confident for the increase of the
rhythm and consequently losses of dry matter during the transport. During drying, the air
temperature caused thermal damage to the grains, increasing the electrical conductivity index.
During storage, environmental conditions altered water content, causing a reduction in
apparent specific mass, germination and crude protein, crude fiber and fat content of corn
grains. In the transport stage, the model of artificial neural networks was the most indicated to
predict the electrical conductivity, the apparent specific mass and the germination. The
random forest model satisfactorily estimated the loss of dry matter. In the drying step, the
models of artificial neural networks and random forest were the most suitable for predicting
the variables. In storage, artificial neural networks and random forest were the most suitable
to predict water content and germination, however, the decision tree model was the one that
best predicted the results of apparent specific mass, electrical conductivity and starch. | eng |
dc.description.sponsorship | Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPES | por |
dc.language | por | por |
dc.publisher | Universidade Federal de Santa Maria | por |
dc.rights | Attribution-NonCommercial-NoDerivatives 4.0 International | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ | * |
dc.subject | Algoritmos preditivos | por |
dc.subject | Redução de perdas e conservação de grãos | por |
dc.subject | Tecnologias de pós-colheita | por |
dc.subject | Predictive algorithms | eng |
dc.subject | Reduction of losses and conservation of grains | eng |
dc.subject | Postharvest technologies | eng |
dc.title | Avaliação da predição da qualidade de grãos de milho utilizando modelos de aprendizado de máquina nas etapas de transporte, secagem e armazenagem a partir do monitoramento de variáveis mensuráveis | por |
dc.title.alternative | Monitoring and predicting the quality of corn grains using predictive learning machine models in the stages of transportation, drying and storage | eng |
dc.type | Tese | por |
dc.description.resumo | Este trabalho teve como objetivo aplicar modelos preditivos de Aprendizado de Máquina para
o monitoramento da qualidade e predição precoce de perdas nas etapas de transporte, secagem
e armazenagem de grãos de milho. Este estudo foi dividido em três capítulos. O primeiro
capítulo abordou revisão de literatura científica sobre fundamentos e estruturas tecnológicas
da pós-colheita e seus impactos sobre qualidade de grãos de milho. O segundo capítulo foi
uma revisão acerca de ferramentas computacionais e algoritmos de inteligência artificial para
tomada de decisão antecipada para controle da qualidade dos grãos de milho na pós-colheita.
O terceiro capítulo fundamentou-se no monitoramento da qualidade dos grãos de milho nas
etapas de transporte, secagem e armazenagem, utilizando modelos de Aprendizado de
Máquina para previsão da qualidade e perdas de grãos. O monitoramento demostrou que o
teor de água, a umidade relativa intergranular alteram a umidade de equilíbrio higroscópico
dos grãos, contribuindo para o aumento da respiração e por consequência perdas de matéria
seca ao longo do transporte. Na secagem, a temperatura do ar provocou danos térmicos aos
grãos, elevando o índice de condutividade elétrica. No armazenamento, as condições do
ambiente alteraram os teores de água, provocando redução na massa específica aparente,
germinação e nos teores de proteína bruta, fibra bruta e gordura dos grãos de milho. Na etapa
de transporte, o modelo de redes neurais artificiais foi o mais indicado para predizer a
condutividade elétrica, a massa específica aparente e a germinação. Já o modelo de floresta
aleatória estimou satisfatoriamente a perda de matéria seca. Na etapa de secagem, os modelos
de redes neurais artificiais e floresta aleatória foram os mais indicados para a predição das
variáveis. No armazenamento, as redes neurais artificiais e floresta aleatória foram os mais
indicados para predizer os teores de água e a germinação, no entanto, o modelo de árvore de
decisão foi aquele que melhor predisseram os resultados de massa específica aparente,
condutividade elétrica e amido. | por |
dc.contributor.advisor1 | Coradi, Paulo Carteri | |
dc.contributor.advisor1Lattes | http://lattes.cnpq.br/5926614370728576 | por |
dc.contributor.advisor-co1 | Teodoro, Larissa Pereira Ribeiro | |
dc.contributor.referee1 | Teodoro, Paulo Eduardo | |
dc.contributor.referee2 | Costa, Douglas Romeu da | |
dc.contributor.referee3 | Zanatta, Fábio Luiz | |
dc.contributor.referee4 | Lutz, Éverton | |
dc.creator.Lattes | http://lattes.cnpq.br/3125673921024135 | por |
dc.publisher.country | Brasil | por |
dc.publisher.department | Engenharia Agrícola | por |
dc.publisher.initials | UFSM | por |
dc.publisher.program | Programa de Pós-Graduação em Engenharia Agrícola | por |
dc.subject.cnpq | CNPQ::CIENCIAS AGRARIAS::ENGENHARIA AGRICOLA | por |
dc.publisher.unidade | Centro de Ciências Rurais | por |