Predição de temperatura ambiente por meio de rede neural artificial aplicada à sistemas de aeração de grãos
DOI:
https://doi.org/10.5540/03.2025.011.01.0460Palavras-chave:
Sistema de Aeração, Previsão de temperatura, Redes Neurais Artificiais, Sistema PreditivoResumo
Um sistema de aeração eficaz é um fator determinante para um armazenamento de grãos seguro e duradouro. Neste trabalho, buscou-se realizar a predição da temperatura ambiente de modo melhorar a eficiência de sistemas de aeração. Com base em dados reais de temperatura, foi utilizado um modelo de rede feedforward multicamadas e um modelo de rede recorrente LSTM para predizer a temperatura ambiente, considerando predições sucessivas para até duas horas. Considerando as arquiteturas de redes testadas, o modelo feedforward multicamadas obteve melhor desempenho, apresentando um erro médio de 0,94 °C, sendo o que melhor se adequa para compor um sistema preditivo que auxilie na tomada de decisão quanto ao uso da aeração em grãos armazenados.
Downloads
Referências
Y. Bengio, P. Simard e P. Frasconi. “Learning long-term dependencies with gradient descent is difficult”. Em: IEEE Transactions on Neural Networks 5.2 (1994), pp. 157–166.
M. O. Binelo, V. Faoro, O. A. Kathatourian e B. Ziganshin. “Airflow simulation and inlet pressure profile optimization of a grain storage bin aeration system”. Em: Computers and Electronics in Agriculture 164 (2019), p. 104923. issn: 0168-1699.
A. Kamilaris e F.X. Prenafeta-Bondú. “Deep Learning in agriculture: A survey.” Em: Computers and electronics in Agriculture 147 (2018), pp. 70–90.
O. A. Khatchatourian, M. O. Binelo, V. faoro e N. A. Toniazzo. “Three-dimensional simulation and performance evaluation of air distribution in horizontal storage bins”. Em: Biosystems Engineering 142 (2016), pp. 42–52. issn: 1537-5110.
O. A. Khatchatourian, M. O. Binelo, R. Neutzling e V. Faoro. “Models to predict the thermal state of rice stored in aerated vertical silos”. Em: Biosystems Engineering 161 (2017), pp. 14–23. issn: 1537-5110.
Y. Li, J. Nie e X. Chao. “Do we really need deep CNN for plant diseases identification?” Em: Computers and Electronics in Agriculture 178 (2020), p. 105803. issn: 0168-1699.
D. C. Lopes, J. H. Martins, A. F. Lacerda Filho, E. C. Melo, P. M. B. Monteiro e D. M. De Queiroz. “Aeration strategy for controlling grain storage based on simulation and on real data acquisition”. Em: Computers and Electronics in Agriculture 63.2 (2008), pp. 140–146. issn: 0168-1699.
E. A. Nketiah, L. Chenlong, J. Yingchuan e S. A. Aram. “Recurrent neural network modeling of multivariate time series and its application in temperature forecasting”. Em: PLoS ONE 5 (2023), p. 18.
V. Pham, D. C. Weindorf e T. Dang. “Soil profile analysis using interactive visualizations, machine learning, and deep learning”. Em: Computers and Electronics in Agriculture 191 (2021), p. 106539. issn: 0168-1699.
D. Shanshan, Y. Weidong, W. Xuyu, M. Shiwen e Z. Yuan. “Temperature Forecasting for Stored Grain: A Deep Spatiotemporal Attention Approach”. Em: IEEE Internet of Things Journal 8.23 (2021), pp. 17147–17160.
G. Sharma, A. Singh e S. Jain. “Hybrid deep learning techniques for estimation of daily crop evapotranspiration using limited climate data”. Em: Computers and Electronics in Agriculture 202 (2022), p. 107338. issn: 0168-1699.
Q. Wang, J. Feng, F. Han, W. Wu e S. Gao. “Analysis and prediction os grain temperature from air temperature to ensure the safety os grain storage.” Em: International Journal of food properties 23.1 (2020), pp. 1200–1213.
H. Xue, L. Li, P. Wen e M. Zhang. “A machine learning-based positioning method for poultry in cage environments”. Em: Computers and Electronics in Agriculture 208 (2023), p. 107764. issn: 0168-1699.
Q. Zhongke, Y. Zhang, C. Hong, C. Zhang, Z. Dai, Y. Zhao, X. Wu, Y. gao, X Jiang, J. Qian e Z. Gu. “Temperature forecasting of grain in storage: A multi-output and spatiotemporal approach based on deep learning”. Em: Computers and Electronics in Agriculture 208 (2023), p. 107785. issn: 0168-1699.
