Aeração 4.0: Solução Inovadora Gera Dados Para Aumentar O Valor Do Produto Armazenado – NBRtec

A agricultura tem um papel fundamental na economia global e impacta diretamente o dia a dia de todos nós. Através da tecnológica Agricultura de Precisão (AP), o trabalho no campo está sendo inovado, desde o plantio, colheita e o armazenamento final dos grãos, com abordagens sofisticadas para impulsionar a produtividade e minimizar impactos ambientais que podem vir a ser causados.

Atualmente, é possível automatizar processos nos mais diversos cenários, já que a computação surgiu trazendo inúmeras soluções modernas em diferentes processos agrícolas. Com base em dados, o produtor pode prever cenários adversos e ser mais assertivo em sua tomada de decisões. Trazendo esse conceito para o pós-colheita, como manter os grãos bem armazenados?

Dessa forma a computação aplicada apresenta-se como uma, entre diversas áreas do conhecimento, capaz de oferecer soluções modernas em diferentes processos agrícolas. Dentro dessa grande área, um dos campos de estudo que mais tem se destacado é o de Aprendizado de Máquina (Machine Learning - ML), área essa pertencente à Inteligência Artificial. O objetivo da mesma é descobrir como criar mecanismos de aprendizagem em um computador, em outras palavras, como fazer um computador aprender. O Aprendizado de Máquina hoje possui grande potencial de aplicação em diferentes campos do conhecimento, pois possibilita, por meio de processos de aprendizado sobre grandes quantidades de dados, realizar a predição sobre cenários adversos futuros e consequentemente auxiliar na tomada de decisões. Nesse sentido, a NBRtec desenvolveu soluções, utilizando técnicas de aprendizado, para resolver problemas do setor agrícola e industrial.

A aeração tem o objetivo de manter ou aprimorar as condições do grão em relação ao teor de umidade e de temperatura do mesmo por meio da troca e transporte de calor e de massa dentro da unidade. De modo geral, é um método complexo e depende de diversos fatores para ser eficiente e apresentar resultados concretos. De forma simples, existem cinco situações da utilização da aeração em complexos de armazenamento: • Remoção de calor • Redução do teor de umidade • Renovação do ar intergranular • Transporte grãos e, ou poeira • Limpeza e classificação de grãos

O processo de aeração é realizado por motores que ventilam o ar para dentro da unidade de armazenamento fazendo o mesmo circular e equilibrar, dada a situação do cenário, o teor de umidade nos grãos a uma taxa aceitável, e do mesmo modo, normalizar as temperaturas a um nível uniformizado. O fato é que, além da ativação do motor requerer condições específicas para ser efetiva,

também não há uma quantidade bem definida de tempo que o mesmo deve permanecer ligado para atingir os resultados esperados. Nesse sentido, não só o problema relativo ao tempo de aeração se apresenta como também a possível falta de eficiência do processo devido aos diversos critérios que devem ser analisados, e até mesmo problemas com o custo financeiro relativo a energia para manter os motores ventilando o ar nas unidades.

Ao considerar os problemas citados, uma solução computacional utilizando aprendizagem de máquina aplicada à simulação de tempo do processo de aeração de grãos é apresentada. O propósito da solução é estimar a quantidade de horas necessárias para que o grão atinja as condições ideias de armazenamento. Nesse sentido o modelo proposto é utilizado para simular as condições do grão baseado no cenário atual, no conjunto de dados previamente conhecidos e na quantidade de horas, de modo a descobrir como será o estado futuro do mesmo, antes da realização do processo da aeração. Em caso de resultados positivos, essa solução pode resolver os problemas de tempo, custos e eficiência, apresentados anteriormente. A arquitetura de predição para simulação do processo de aeração foi desenvolvida sobre um modelo de aprendizado de máquina, onde dados históricos de aeração foram utilizados como fontes de entrada para uma técnica de aprendizado chamada Rede Neural Artificial, conforme Figura 1. Essa técnica, de modo prático, consegue descobrir relações entre dados previamente conhecidos e estabelecer valores futuros para os mesmos, armazenando o conhecimento obtido na descoberta dessas relações.

Dados gerados permitem predição futuro

O aprendizado de um modelo depende da disponibilidade de dados. A partir deles, é possível criar relações entre um determinado conjunto de informações de entrada, e uma saída desejada. No caso do processo de aeração as informações utilizadas no modelo proposto utilizam os dados listados na Figura 1, e como saída informam um valor de predição futuro, ou seja, é possível saber qual será a temperatura e umidade do grão após o processo de aeração, antes mesmo de que o processo seja realizado: • Produto: número de identificação correspondente ao produto armazenado na unidade. • Sensor: número do sensor. • Umidade do sensor: umidade de leitura do sensor. • Temperatura do sensor: temperatura de leitura do sensor. • Umidade ambiente: umidade medida do ambiente obtida pela estação meteorológica. • Temperatura ambiente: temperatura medida do ambiente a partir da estação meteorológica. 2 • Tempo de aeração: parâmetro numérico fornecido como entrada para o simulador e é medido em horas. Ressalta-se também que, para uma maior eficiência do modelo de simulação, todos os dados fornecidos são padronizados para uma escala padrão de valores, aumentando a acurácia e a precisão do modelo em predizer corretamente os valores futuros de temperatura e umidade do grão.

Para validação do modelo de simulação foram utilizadas métricas de avaliação, que medem a quantidade de erro inerente ao processo de aprendizagem, bem como métricas para avaliar os valores preditos durante a simulação em relação aos valores reais obtidos após um processo de aeração. Nesse sentido, duas métricas foram avaliadas, a primeira é o Erro Médio Absoluto (EMA), que apresenta uma medida geral de erro, e a segunda é o Erro Médio Quadrático (EMQ), que auxilia na detecção de grandes erros, dado que à medida é dada pelo cálculo do quadrado do erro, destacando erros crassos. A solução aqui tem por objetivo resolver o problema do tempo de aeração em unidades de armazenagem, de forma que os critérios estabelecidos para a determinação do mesmo são baseados em dados de aerações anteriores já realizadas.

Nesse sentido, existem algumas vantagens apresentadas por essa solução: • Cálculo automático do tempo de aeração • O tempo calculado é baseado em dados prévios de aerações anteriores, e, portanto, representam melhor a realidade. • E possível editar os dados antes do cálculo da aeração de forma que o mesmo funcione como um é simulador para situações futuras. • O modelo pode otimizar o consumo de energia elétrica pelos motores que realizam a aeração, uma vez que é possível simular diferentes cenários antes de iniciar o processo. • O aumento da qualidade do produto.

Com o modelo de simulação pronto e as métricas de avaliação definidas, testes foram realizados

para avaliar a qualidade da simulação e do processo de aprendizagem. Os gráficos das Figuras 2.a e 2.b apresentam respectivamente os resultados dos erros do processo de aprendizado e a comparação entre os valores reais de temperatura e os valores de temperatura simulados para os dados de teste. (a) Métricas de erro durante o processo de aprendizagem. (b) Comparação entre os valores reais de temperatura e os valores simulados pelo modelo

Com essas informações é possível ver que mesmo com poucos dados de aprendizado já é possível prever o efeito nos grãos em função da aeração, e com essa simulação em mãos avaliar melhor se a aeração nesse momento vai ser eficaz ou não. Por fim pode-se concluir que com essa solução baseada em aprendizado de máquina o sistema de termometria irá aumentar a eficiência da aeração, reduzindo assim os custos de energia elétrica, melhorando a qualidade do grão e consequentemente aumentando o valor do produto armazenado.

Figura 2 - Resultados do processo de aprendizagem e do teste de validação. De acordo com os gráficos, é possível ver que o erro apresentado durante o processo de aprendizado (Figura 2.a) tende a diminuir cada vez mais, ficando o Erro Médio Absoluto em cerca de 0.2°C. Da mesma forma, os resultados apresentados no gráfico da Figura 2.b para dados reais de aeração mostra que o modelo de simulação conseguiu ficar bem próximo, apresentando um erro geral de 0.26°C. 3.