Submitted by Reginaldo Soares de Freitas (reginaldo.freitas@ufv.br) on 2015-12-08T16:02:39Z No. of bitstreams: 1 texto completo.pdf: 2253096 bytes, checksum: 5541581ebb27e71bcfe7e8866684bfe1 (MD5) / Made available in DSpace on 2015-12-08T16:02:39Z (GMT). No. of bitstreams: 1 texto completo.pdf: 2253096 bytes, checksum: 5541581ebb27e71bcfe7e8866684bfe1 (MD5) Previous issue date: 2015-07-13 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / Conhecer a produtividade das máquinas é essencial para um planejamento adequado da colheita da madeira. Na extração florestal, as estimativas de produtividade das máquinas normalmente são realizadas através de modelos de regressão, utilizando-se poucas variáveis que afetam a produtividade das máquinas. Entretanto, as Redes Neurais Artificiais (RNAs) tem sido uma técnica cada vez mais empregada para modelagem de problemas complexos, comumente aqueles que envolvem diversas variáveis (categóricas e continuas). Portanto, o objetivo desta pesquisa foi avaliar e aplicar a técnica das RNAs para estimar a produtividade do forwarder em função de variáveis relacionadas ao povoamento, planejamento operacional e características físicas do terreno. O estudo foi realizado em áreas de operação de colheita florestal mecanizada em povoamentos de Eucalyptus spp de uma empresa localizada no Estado de Minas Gerais, Brasil. O banco de dados foi constituído de dados de estudo de tempos e movimentos da operação de extração mecanizada, registro de produção dos operadores, dados cadastrais dos talhões, dados de inventário florestal, dados geográficos dos projetos florestais. Na modelagem a produtividade do forwarder através da técnica de RNAs, as entradas das redes foram utilizadas variáveis contínuas, como volume por hectare, dados gerados no Sistema de Informação Geográfica (SIG), relacionados à topografia e estradas, Diâmetro à Altura do Peito (DAP) médio e máximo. As variáveis categóricas foram o método de colheita, experiência do operador, comprimento da madeira, idade do povoamento e clima. Os dados foram divididos aleatoriamente para serem utilizados no treinamento (70%) e na generalização (30%). Foram treinados três tipos de arquiteturas de redes: Multilayer Perceptron (MLP), Radial Basic Function (RBF) e Adaptative Linear Neuron (ADALINE). O emprego de redes neurais artificiais foi capaz de estimar com precisão a produtividade (m3 he-1) do forwarder. Uma RNA, com arquitetura MLP, 30 - 14 - 1, utilizando todos os dados de entrada, função de ativação sigmoidal nas camadas intermediárias e na camada de saída, foi a que obteve o melhor desempenho para estimar a produtividade da extração com o forwarder em povoamentos de Eucalyptus spp. / Meet the productivity of machines is essential for proper planning of timber harvest. In forestry extraction, the machines productivity estimates are usually carried out through regression models, generally using few variables that affect the productivity of the machines. However, the Artificial Neural Networks (ANN) has been increasingly used technique for modeling complex problems, often those involving several variables (categorical and continuous).The objective of this research was to evaluate and use the ANN technique to estimate the productivity do forwarder in related variables function the forest, operational planning and physical characteristics of the land. The study was conducted in mechanized harvesting forest areas of Eucalyptus spp in a company site in Minas Gerais, Brazil. The database consisted in spreadsheets of time and motion study of mechanized extraction operation, registry of production, forest inventory data, and geographic data of forest projects. The forwarder's productivity modeling was conduced using the ANN technique. In input data were used continuous variables such as volume per hectare, topography and roads GIS data, average and maximum Diameter at Breast Height (DBH). As categorical variables harvesting method, operator experience, log length, forest age class and climate. The data were randomly assigned to be used in training (70%) and the generalization (30%). The ANNs were trained using three types of network architectures: Multilayer Perceptron (MLP), Radius Basic Function (RBF) and linear structure. The use of artificial neural network was able to accurately estimate the productivity (m3 he-1) of the forwarder. MLP architecture ANN: 30 - 14 - 1, using all input data, sigmoidal activation function in the hidden layer and output layer was the best performance to estimate the extraction of the forwarder’s productivity in Eucalyptus spp plantations.