REDES NEURAIS ARTIFICIAIS EM COLHEITA DE CANA-DE-AÇÚCAR RESUMO

Transcrição

1 REDES NEURAIS ARTIFICIAIS EM COLHEITA DE CANA-DE-AÇÚCAR THIAGO RAMOS TRIGO 1 PAULO CESAR DA SILVA BATISTA JÚNIOR 1 FERNANDO BUARQUE DE LIMA NETO 2 RESUMO Este artigo apresenta um maneira de implementar suporte a decisão de colheita da cana-deaçúcar utilizando redes neurais artificiais(rna) e planilha eletrônica simples. Na proposta, as RNAs são responsáveis pela predição de indicadores de desempenho da colheita. A planilha eletrônica, em seguida, é responsável por fornecer as informações necessárias ao suporte a decisão de colheita de lotes plantados com cana-de-açúcar. Neste trabalho incluímos uma série de simulações onde se avalia boa precisão e aplicabilidade da proposta. PALAVRAS-CHAVE: Redes Neurais Artificiais; Suporte a Decisão; Colheita de Cana-de- Açúcar. USING NEURAL NETWORK ON DECISION OF SUGAR CANE HARVEST ABSTRACT This article presents a way to implement decision support to the harvest of the sugar-cane by using artificial neural networks (ANN) and simple electronic spreadsheet. In this proposal, ANNs are responsible for forecasting performance indicators for the harvest. After that, an electronic spreadsheet is responsible for giving the necessary information to the decision maker for harvesting plots cultivated with sugar-cane. In this work a series of simulations are included where you can evaluate the precision and applicability of the proposal. KEYWORDS: Artificial Neural Networks; Decision Support Systems; Sugar-Cane harvest. 1. INTRODUÇÃO O Brasil é um país em desenvolvimento que tem perspectiva de crescimento de 5% para o ano de 2005 [1] e é notório que o Brasil tem no agronegócio uma de suas grandes chances de superação econômica. Um importante segmento de agronegócio, o setor sucroalcooeiro, movimenta cerca de R$ 40 bilhões por ano (em torno de 2,35% do PIB nacional). Na safra 2004/2005 a moagem de cana-de-açúcar foi de 380 milhões de toneladas que produziram 14 bilhões de litros de álcool e 24 milhões de toneladas de açúcar [2]. Todos esses indicadores 1 {trt, pcsbj}@dsc.upe.br. Graduandos em Engenharia da Computação. Departamento de Sistemas Computacionais Escola Politécnica de Pernambuco Universidade de Pernambuco. 2 fbln@dsc.upe.br. Doutor em Ciência da Computação. Departamento de Sistemas Computacionais Escola Politécnica de Pernambuco Universidade de Pernambuco.

2 favoráveis somente são possíveis graças ao grande parque instalado e à competência técnica dos times agrícolas das unidades de produção nos tratos culturais e também na seleção dos lotes a serem cortados. Além de experiência esses profissionais têm disponível, dados históricos das safras anteriores e informações de pré-colheitas para auxiliá-los no processo decisório da colheita. Porém, tratar grandes volumes de dados nem sempre é fácil. Imaginemos agora um cenário mais rico e claro em informação, por exemplo, quando o gerente agrícola tiver, antes dos lotes serem colhidos, alguns indicadores de avaliação de desempenho dos mesmos, tais como: TCH, PCC e Fibra 3. Com essas informações antecipadamente em mãos, a colheita poderia ser feita de acordo com as necessidades industriais, porém com mais adequação agronômica. Por exemplo, se em determinado dia a indústria precisar de matéria prima mais rica em bagaço selecionar-se-ia o conjunto que produzisse esse recurso com a máxima qualidade possível. Predições futuras baseadas em dados históricos são aplicações usuais com técnicas de Inteligência Artificial; em particular, Redes Neurais Artificiais são bastante eficazes na área da predição 4 de informações [Welstead94]. Dando continuidade ao trabalho pioneiro de Buarque [BUARQUE98], depois estendido por Pacheco [PACHECO05], o presente trabalho busca experimentar novas configurações de redes neurais artificiais que apresentam resultados satisfatórios para a predição de PCC, TCH e Fibra, além de aplicar esses resultados, de forma simplificada, no suporte a decisão da colheita da cana-de-açúcar. 2. REDES NEURAIS ARTIFICIAIS E SIMULAÇÕES REALIZADAS 2.1. O PROBLEMA: COLHEITA DA CANA-DE-AÇÚCAR Devido a grande quantidade de fatores que podem influenciar os indicadores de desempenho, e as diferentes curvas de maturação da cana-de-açúcar, a escolha do momento apropriado para se proceder a colheita de um lote se torna uma tarefa bastante complicada. Na maioria das usinas a decisão de colheita é baseada na experiência do gestor agrícola. Esses gestores dispõem de alguns dados referentes a colheitas passadas, mas a manipulação desses dados, buscando extrair informações que possam dar suporte a decisão de colheita, é bastante tediosa. Isto devido à enxurrada de dados, geralmente, dispostos em longos relatórios que refletem apenas o passado. 3 TCH tonelada de cana por hectare; PCC percentagem de açúcar bruto é um índice que está relacionado diretamente ao valor econômico da tonelada da cana; Fibra bagaço da cana para produção de energia elétrica nos termogeradores das usinas. [BUARQUE98]. 4 Previsão/Predição classe de problemas que consiste em extrapolações nas aproximações das séries temporais disponíveis, a fim de que sejam possíveis predições de valores futuros[buarque98].

3 Este trabalho procura mostrar como utilizar essa rica fonte de informações para ser um aliado no momento de decisão do corte (futuro) FUNDAMENTOS BÁSICOS Na sua forma mais geral, uma rede neural é uma técnica computacional projetada para simular o funcionamento do cérebro humano na resolução de uma tarefa particular. O primeiro neurônio artificial teve sua primeira concepção em 1943 com uma modelagem matemática do neurônio biológico feita por Warren McCulloch e Walter Pitts, um neuroanatomista e um matemático, respectivamente, a partir daí, muitos outros trabalhos foram apresentados sobre o tema e o assunto que se expandiu rapidamente devido ás grandes contribuições práticas da técnica [BRAGA00]. Não é o objetivo detalhar RNA, mas é importante notar que esta maneira de computar dados pode aprender com os dados que lhe são apresentados exatamente o que é feito neste trabalho MODELAGEM DO PROBLEMA Fazer uma seleção de quais as informações serão relevantes nas predições mencionadas acima é algo bastante complexo devido a quantidade de fatores envolvidos na colheita (variedade da cana, data do plantio, idade no corte, topografia, tipo do solo, compactação do solo, temperatura, pluviometria, umidade do ar, déficit hídrico, nutrientes minerais, pragas, etc). Portanto, deve-se fazer uma análise minuciosa sobre quais destes fatores se deve utilizar. Em nosso modelo, os dados históricos utilizados para fazer predição foram escolhidos empiricamente. São eles, entradas: safra; estágio de maturação, idade do corte; época do plantio (ano, mês e dia); época do corte (ano, mês e dia) e tipo do solo; e saídas: PCC, TCH e Fibra. Antes das informações alimentarem a rede neural elas são pré-processadas a fim de eliminar as redundâncias, inconsistências e faltas existentes nos dados. Os dados utilizados são reais (do noroeste de São Paulo), os mesmos utilizados em [BUARQUE98]. Toda a massa de dados, 1671 padrões (um padrão corresponde a um conjunto de dados que representam um lote de uma determinada safra), foi divida em três conjuntos proporcionais a 50%, 25% e 25%. O primeiro conjunto é destinado ao treinamento da rede neural, o segundo conjunto é destinado à validação e o terceiro, é destinado à simulação. Na fase da simulação da eficiência da rede, os dados os quais ainda não haviam sido apresentados à rede (os últimos 25% dos padrões), o são e sua performance real é, então, obtida pela comparação dos valores gerados contra os esperados.

4 2.4. AJUSTANDO UMA REDE NEURAL AO PROBLEMA DA CANA-DE-AÇÚCAR O modelo adotado contém 10 (dez) entradas e 3 (três) saídas supracitadas no tópico 2.3 parágrafo 2. A figura 1 representa graficamente nossa rede neural, nela as 10 entradas foram representadas na forma de 38 neurônios (devido às normalizações 5 ) e as três saídas como três neurônios. Grande parte das simulações objetivaram descobrir qual conjunto de parâmetros das RNA gera o melhor resultado nas previsões. Essa seleção dos parâmetros é um processo para o qual não há métodos que afirmem com total segurança a configuração ideal para um determinado problema. Por isso a busca por uma configuração ótima é, às vezes, dispendiosa em termos de tempo e esforço. As redes neurais utilizadas foram do tipo MLP (Multi-Layer Perceptron) com treinamento supervisionado e algoritmo de treinamento BackPropagation Error [HAYKIN01]. Figura 1 topologia de rede neural utilizada nas simulações Os parâmetros variados foram: número de camadas escondidas; número de neurônios nas camadas escondidas; taxa de aprendizagem; funções de ativação; quantidade de ciclos. Eles tiveram seus valores alterados como o exposto abaixo: Número de camadas escondidas utilizaram-se uma e duas camadas intermediárias; Número de neurônios na(s) camada(s) escondida(s) para as redes com uma camada escondidas criamos topologias com 4, 8, 10, 20 e 38 neurônios nessa camada; para as redes com duas camadas tivemos os seguintes pares (1,3), (2,2), (3,5), (2,6), (3,7), (2,8), (14,6), (11,9), (25,13), (30,8) onde, no par (a, b), o a representa a quantidade de neurônios na primeira camada e o b, a quantidade na segunda camada escondida; Taxa de aprendizagem utilizaram-se os valores 0,1, 0,2, 0,4, 0,6 ; Função de Ativação utilizadas as funções sigmóides: logística e tangente hiperbólica; 5 Normalizações são operações de preprocessamento que objetivam padronizar escalas de variáveis e incrementar sua representação conforme necessidade das aplicações.

5 Quantidade de ciclos 500, 1000, 3000, 5000, e Considerando que foram treinadas redes neurais com todas as combinações possíveis dos parâmetros apresentados acima redes foram treinadas, i.e. (((4x5 + 4 x 10) x 2) x 6)) SIMULAÇÕES REALIZADAS As simulações acima foram executadas na linguagem Batchman do simulador RNA: SNNS (Stuttgard Neural Network Simulator) [3]. Em nossos scripts feitos com a linguagem batchman foram especificados os arquivos que contêm os padrões de treinamento que serão importados, a rede a ser treinada, o algoritmo de treinamento, a função de inicialização dos pesos e a taxa de aprendizagem. É relevante a importância de fazer uma correta inicialização dos pesos, pois uma inicialização incorreta (determinar um intervalo entre 1.0 e 0.0 é um exemplo) pode fazer com que a rede não convirja durante o treinamento. 3. RESULTADOS E DISCUSSÃO 3.1. PREDIÇÃO DE PCC, TCH E FIBRA Depois da compilação dos resultados das simulações, foram feitas comparações entre os resultados esperados e os resultados gerados pela rede, e daí, foi calculada a margem de acerto da rede. Os melhores resultados das simulações deste trabalho foram comparados aos obtidos em [PACHECO05] e [BUARQUE98], vide tabela 1 e tabela 2. Como se pode observar, neste trabalho obtivemos melhoria em TCH e Fibra; o PCC flutuou pouco para pior. Tabela 1 - Comparação dos resultados Resultados PCC 1 TCH 1 FIBRA 1 Esse Artigo 95,401 79,475 92,736 [PACHECO05] 95,620 78,070 92,520 [BUARQUE98] 95,330 49,200 89,680 1 taxa de acerto em porcentagem Tabela 2 - Comparação das configurações das redes neurais VARIÁVEIS ESTE ARTIGO [PACHECO05] [BUARQUE98] Entrada camada não disponível camada não disponível Saída Func. Ativ. Log Log não disponível TX APREND 0,4 0,1 não disponível CICLOS não disponível Comparando as redes de melhor resultado deste trabalho com a de [PACHECO05] vemos que os fatores que podem ter gerado esse melhor desempenho foi o fato de utilizarmos mais entradas e uma maior taxa de aprendizagem, este último é um fator determinante na velocidade de convergência da rede. Como trabalhos posteriores podemos utilizar técnicas de PCA para reduzir essa quantidade de variáveis de entrada, otimizando o processo. As figuras

6 2, 3 e 4 mostram a precisão da predição desta rede neural. No eixo das ordenadas encontramse os valores reais e da predição e o eixo das abscissas ordena os padrões de onde foram extraídas as informações utilizadas no eixo das ordenadas, esses padrões foram selecionados aleatoriamente. Vale salientar que a quantidade de ciclos utilizados (2795 ciclos) para obtermos esses resultados é bem inferior ao conseguido no artigo de Pacheco [PACHECO05] onde foram necessários ciclos. Isto significa uma economia de mais de 72% no tempo de treinamento da rede. PCC - Real x Predição PCC Real Previsão Figura 2 predição do PCC TCH - Real x Predição 170 TCH Real Previsão Figura 3 predição do TCH Fibra - Real x Predição Fibra Real Previsão Figura 4 predição da Fibra 3.2. USANDO PREDIÇÕES PARA TOMADA DE DECISÕES Os resultados de PCC, TCH, Fibra acima foram obtidos com as redes neurais trabalhando com valores nunca apresentados a elas antes. Isso indica um provável auxilio ao gestor agrícola para tomar suas decisões de colheita de forma simplificada e antecipadamente. A figura 5 mostra um exemplo de uma planilha eletrônica utilizada como sistema de suporte a decisão

7 [BUARQUE98]. A idéia consiste em utilizar a planilha para variar algum dos indicares (no exemplo utilizou-se o PCC) de forma que o sistema aproxime as tonelagens dos lotes com uma meta a ser atingida. Note que o PCC, TCH e Fibra, nesta planilha são os resultados das predições das redes neurais. Figura 5 planilha usada para auxiliar decisão de colheita e atingimento de meta [BUARQUE98] Após o processamento das informações, a planilha pode ainda exibir graficamente, em formato de mapa, as sugestões dos melhores lotes a serem cortados (sim e não), ver figura 6. Figura 6 planilha usada para visualmente auxiliar colheita de lotes [BUARQUE98]

8 4. CONCLUSÃO Os experimentos incluídos neste trabalho além de corroborar o poder das Redes Neurais Artificiais em aplicações de predição, melhoraram o desempenho para o mesmo conjunto de dados obtido em [BUARQUE98] e [PACHECO05], Pelo exposto no trabalho também fica claro que as redes neurais artificiais podem ser utilizadas de forma integrada com ferramentas simples de suporte a decisão gerencial. Aliando essa ferramenta aos conhecimentos do gestor agrícola, a possibilidade de colheitas mais rentáveis é bastante plausível. Ou seja, os gerentes agrícolas, tendo a previsão desses indicadores poderão selecionar os lotes para serem cortados de acordo com suas necessidades e ainda com alguma garantia de sucesso. Finalmente, sugere-se que as técnicas comentadas aqui não fiquem limitadas apenas à cana-de-açúcar; elas podem ser estendidas para diversas outras culturas agrícolas desde que sejam feitas modelagens adequadas dos problemas. 5. AGRADECIMENTOS Os autores deste artigo agradecem ao CNPq, pelo financiamento parcial desta pesquisa (Projeto intelicolheita, CNPq-PDPG/TI nº506595/2004-8). 6. REFERÊNCIAS BIBLIOGRÁFICAS [BRAGA00] BRAGA, A. de P - LUDEMIR. T. B. - CARVALHO, A.C.P. de L. F. Redes Neurais Artificiais Teoria e aplicação Rio de Janeiro: LTC, p. [WESTEAD94] WELSTEAD, Stephen T. Neural Network and Fuzzy Logic Applications in C/C++, John Wiley and Sons, USA, [HAYKIN01] HAYKIN, S. Redes de Múltiplas Camadas. In: Redes Neurais : Princípios e prática 2.ed. Porto Alegre: Bookman, [BUARQUE98] BUARQUE DE LIMA NETO, F.; LUDERMIR, T. Suporte a Decisão Gerencial Baseado em Redes Neurais Artificiais ndss Dissertação de Mestrado apresentada ao Departamento de Informática da Universidade Federal de Pernambuco Recife, PE, Brasil. [PACHECO05] PACHECO, D. F.; REGUEIRA, F. R.; BUARQUE DE LIMA NETO, F. Utilização de redes neurais artificiais em colheitas de cana-de-açúcar para a predição de PCC, TCH e fibra In: Revista ACOOLBrás Mar/2005. p [1] Reportagem Especial do Jornal da Globo de 30/11/2004 [2] [3] SNNS User Manual, version 4.1