Resumen de Previsão do índice de Açúcar Total Recuperável (ATR) de Cana-de-Açúcar Usando Redes Neurais Artificiais

Luciano Henrique Alves de Siqueira, Anderson Rogério Faia Pinto, Jorge Alberto Achcar, Antonio Fernando Crepaldi, José Luís Garcia Hermosilla, Marcelo Seido Nagano

• português

  A colheita da cana-de-açúcar impacta significativamente a produtividade das usinas sucroalcooleiras e deve ser realizada no ponto ótimo de maturação ou Período de Utilização Industrial (PUI). A estimativa do PUI é obtida por análises laboratoriais que mensuram o índice de Açúcar Total Recuperável (ATR). A questão é que o planejamento das usinas sucroalcooleiras é dependente da previsão de produção (açúcar e etanol), e não há ferramentas capazes de substituir os altos custos das análises laboratoriais do ATR. Logo, este artigo traz um estudo de caso cujo objetivo é propor um modelo computacional para estimar o índice de ATR da produção de uma usina sucroalcooleira do interior do estado de São Paulo. Este modelo é fundamentado nas Artificial Neural Networks (ANN) e foi aplicado às bases de dados das lavouras de 48.151 talhões das safras de 2016/2017 a 2022/2023. As experimentações apresentaram um erro médio absoluto (3,49%) muito inferior às análises laboratoriais (12,17%). A principal contribuição deste estudo está em fornecer um modelo de baixo custo que estima com acurácia muito satisfatória o índice de ATR para o PUI.

• English

  Sugarcane harvesting significantly impacts the productivity of sugar mills and should be carried out at the optimal maturity point or Period of Industrial Utilization (PIU). The PIU is estimated through laboratory analyses that measure the Total Recoverable Sugar (TRS) index. The challenge lies in the fact that the planning of sugar mills depends on production forecasts (sugar and ethanol), and there are no tools capable of replacing the high costs of laboratory TRS analyses. Therefore, this article presents a case study aimed at proposing a computational model to estimate the TRS index of the production of a sugar mill in the countryside of São Paulo, Brazil. This model is based Artificial Neural Networks (ANN) and was applied to databases of 48,151 plots from the 2016/2017 to 2022/2023 harvests. The experiments presented a mean absolute error (3.49%) much lower than laboratory analyses (12.17%). The main contribution of this study lies in providing a low-cost model that estimates the ATR index with very high accuracy of the PIU.