Machine learning na predição de desembolsos financeiros das manutenções de máquinas na colheita de madeira

Abstract

A colheita mecanizada de madeira exige um planejamento assertivo e robusto, principalmente o financeiro, por se tratar da operação de maior dispêndio na cadeia produtiva florestal. O planejamento financeiro dos custos de manutenção florestal tradicionalmente se baseia em conhecimento estatístico e modelagem matemática. Contudo, com o grande volume de dados oriundos de sistemas e controle nas máquinas, é possível realizar análises mais complexas e confiáveis, utilizando ferramentas como o aprendizado de máquina, que combina estatística, inteligência artificial e ciências matemáticas para resolver diversos desafios. Diante disso, este estudo teve como objetivo determinar se os atributos inerentes à colheita mecanizada de madeira de florestas plantadas de Eucalyptus permitem a criação de um modelo capaz de prever os desembolsos financeiros dos materiais de manutenção das máquinas florestais adaptadas - harvesters a partir do aprendizado de máquina. Para a modelagem, foram considerados oito atributos operacionais e edáficos relacionados ao custo operacional de manutenção dos harvesters. O custo operacional de manutenção dos harvesters foi considerado como atributo-alvo. O banco de dados foi submetido a 24 algoritmos no modo padrão da técnica de aprendizado supervisionado, os quais foram comparados acordo com as métricas de erro e a precisão. O modelo combinado CART x Catboost por stacking apresenta métricas de desempenho mais estáveis e confiáveis na predição dos custos de manutenção dos harvesters de esteira em florestas plantadas de Eucalyptus, com R² de 0,90 e erro máximo de R$ 3.066,43. Os atributos com maior influência relativa na predição do modelo são as categorias dos materiais, o relevo e a textura. Os materiais mais consumidos são as mangueiras e os filtros, mas, por outro lado, os cilindros representam maior dispêndio financeiro.

Mechanized timber harvesting requires assertive and robust planning, especially financial planning, as it is the most expensive operation in the forestry production chain. Financial planning for forest maintenance costs traditionally relies on statistical knowledge and mathematical modeling. However, with the large volume of data from machine systems and controls, it is possible to perform more complex and reliable analyses using tools such as machine learning, which combines statistics, artificial intelligence, and mathematical sciences to solve various challenges. Therefore, this study aimed to determine whether the attributes inherent to mechanized timber harvesting from planted Eucalyptus forests allow the creation of a model capable of predicting the financial outlays for maintenance materials of adapted forestry machines – harvesters – using machine learning. For the modeling, eight operational and edaphic attributes related to the operational cost of harvester maintenance were considered. The operational cost of harvester maintenance was considered the target attribute. The database was subjected to 24 algorithms in standard mode of the supervised learning technique, which were compared according to error metrics and accuracy. The combined CART x Catboost model by stacking presents more stable and reliable performance metrics in predicting the maintenance costs of tracked harvesters in planted Eucalyptus forests, with an R² of 0.90 and a maximum error of R$ 3,066.43. The attributes with the greatest relative influence on the model's prediction are material categories, terrain, and texture. The most consumed materials are hoses and filters, but, on the other hand, cylinders represent the greatest financial expenditure.