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
Visualizar/ Abrir
Data
2023-06-16Primeiro coorientador
Teodoro, Larissa Pereira Ribeiro
Primeiro membro da banca
Teodoro, Paulo Eduardo
Segundo membro da banca
Costa, Douglas Romeu da
Terceiro membro da banca
Zanatta, Fábio Luiz
Quarto membro da banca
Lutz, Éverton
Metadata
Mostrar registro completoResumo
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.
Coleções
Os arquivos de licença a seguir estão associados a este item: