Banca de DEFESA: EDUARDO TADEU TIRADENTES

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE: EDUARDO TADEU TIRADENTES
DATA: 15/07/2026
HORA: 09:00
LOCAL: Sala de defesas do PPGEA/DEA
TÍTULO:

Tracionamento em cabos de termometria de silos: Avaliação teórica, experimental e predição via redes neurais LSTM

PALAVRAS-CHAVES:

Silos, redes neurais artificiais, cabos de termometria

PÁGINAS: 76
GRANDE ÁREA: Ciências Agrárias
ÁREA: Engenharia Agrícola
SUBÁREA: Construções Rurais e Ambiência
ESPECIALIDADE: Engenharia de Construções Rurais
RESUMO:

O setor de armazenagem de grãos demanda estruturas cada vez mais robustas e tecnologicamente avançadas para suprir o crescimento da safra brasileira. Um componente que exige cuidados e atenção redobrada, por se tratar de um ponto crítico nessas unidades é o sistema de monitoramento termométrico, constituído por cabos de termometria. Esses componentes são frequentemente negligenciados no dimensionamento estrutural, devido à carência de estudos e normatização direcionados exclusivamente a essa área. Durante os processos de carregamento e descarga, o atrito dinâmico entre os cabos e a massa de grãos gera esforços de tração adicionais que, devido aos cabos serem fixados diretamente na estrutura superior são transmitidos diretamente à cobertura dos silos. A carência de diretrizes normativas precisas na ABNT NBR 17066 (2022) representa um desafio à segurança e integridade dessas estruturas. Nesse contexto, o emprego de ferramentas computacionais avançadas surge como alternativa para modelar fenômenos complexos e não lineares, auxiliando na prevenção de falhas e na elaboração de projetos. Portanto, este trabalho foi realizado com o objetivo de avaliar experimentalmente o tracionamento em cabos de termometria e validar um modelo de predição baseado em inteligência artificial. O experimento foi conduzido em um silo em escala piloto instrumentado com sistema de aquisição de dados customizado, integrando hardware programável e software desenvolvido exclusivamente para essa finalidade. Os cabos foram submetidos a diferentes condições de escoamento e com imersão variável na massa de grãos, o produto utilizado para esse experimento foi o milho devido a sua função estratégica no setor de armazenagem. Foi desenvolvida uma arquitetura de Deep Learning baseada em Redes Neurais LSTM (Long Short-Term Memory) para processar uma base de dados de 905.121 registros. Os melhores resultados demonstraram a eficácia do hardware na captura de transições de pressões com excelente resolução temporal. O modelo de rede neural alcançou uma correlação R² de até 0,9993 e uma precisão muito satisfatória, com erro médio convertido em massa variando entre apenas 0,18g e 0,32g. Com relação aos modelos teóricos, os dados coletados experimentalmente revelaram discrepâncias entre os modelos clássicos e o comportamento dinâmico real observado durante o experimento. Logo, observou-se que o sistema de instrumentação desenvolvido permite o monitoramento contínuo e preciso das cargas incidentes. A implementação das redes LSTM consolidou-se como uma ferramenta de predição estável e com alto índice de acurada, fornecendo subsídios técnicos fundamentais para o aprimoramento de projetos de estruturas de armazenagem.

MEMBROS DA BANCA:
Externo à Instituição - HYGOR CÉSAR SOARES RODRIGUES - UFPE (Membro)
Externo à Instituição - JOSE WALLACE BARBOSA DO NASCIMENTO - UFCG (Suplente)
Externo à Instituição - RENILSON LUIZ TEIXEIRA - IFES (Suplente)
Externo ao Programa - ROMULO MARCAL GANDIA - DEG/EENG (Membro)
Externo ao Programa - WILIAN SOARES LACERDA - DAT/EENG (Membro)
Presidente - FRANCISCO CARLOS GOMES (Membro)