Estimação da temperatura de referência para o secador de fibras de madeira: um estudo comparativo entre regressão linear e redes neurais artificiais

Abstract

Este trabalho apresenta uma comparação entre a regressão linear múltipla e redes neurais artificiais para a determinação da temperatura ideal no secador de fibras de madeira, visando reduzir a variação da umidade na saída do processo. Na produção de painéis de MDF, o controle preciso da umidade da fibra é essencial para garantir a qualidade e as propriedades tecnológicas do produto, tornando essa variável um fator crítico no processo produtivo. O primeiro método desenvolvido baseia-se na regressão linear múltipla, utilizando os principais parâmetros do processo, selecionados com a orientação de um especialista, para estimar a temperatura ideal de secagem. O segundo método emprega um modelo de rede neural do tipo MultiLayer Perceptron (MLP), treinado com as mesmas variáveis para aprimorar a predição da temperatura. Os resultados incluem a formulação do modelo de regressão linear e a avaliação de diferentes topologias da rede MLP. Ambos os métodos conseguiram representar o comportamento da planta industrial, porém a MLP apresentou um desempenho superior. Os modelos desenvolvidos foram posteriormente testados em um sistema de simulação, permitindo a comparação com os valores de temperatura definidos manualmente pelos operadores. A análise confirmou que a abordagem baseada em redes neurais obteve os melhores resultados, demonstrando maior precisão e capacidade de adaptação às variações do processo.

Abstract: This study presents a comparison between multiple linear regression and artificial neural networks for determining the optimal drying temperature in a wood fiber dryer, aiming to reduce moisture variation in the output. In MDF panel production, precise moisture control of the fiber is essential to ensure product quality and technological properties, making it a critical factor in the manufacturing process. The first method developed is based on multiple linear regression, using key process parameters?selected with the guidance of a process specialist?to estimate the ideal drying temperature. The second method employs a MultiLayer Perceptron (MLP) neural network model, trained with the same variables to enhance temperature prediction. The results include the formulation of the linear regression model and the evaluation of different MLP network topologies. Both methods successfully represented the behavior of the industrial plant, but the MLP demonstrated superior performance. The developed models were subsequently tested in a simulation system, allowing for comparison with the temperature values manually set by operators. The findings confirmed that the neural network-based approach provided the most accurate and adaptable solution to process variations.