Sistema de Recomendação Sustentável para Máquinas Agrícolas com Técnicas de IA
Resumo
O setor agrícola tem um papel fundamental na economia brasileira, mas é também um dos principais emissores de Dióxido de Carbono (CO2), impulsionado pela crescente mecanização e pelo uso intensivo de tratores pesados. A variabilidade no comportamento do operador e a carência de suporte à decisão em tempo real resultam em oscilações significativas no consumo de combustível e nas emissões de poluentes. Este trabalho propõe um sistema de recomendação baseado em Aprendizagem de Máquina (AM) para manter tratores em faixas ideais de operação. Utilizou-se uma Rede Neural Convolucional (CNN) multitarefa, treinada com dados reais de sensores em quatro operações de campo, capaz de fornecer nove tipos de recomendações dinâmicas de RPM e velocidade. Os resultados experimentais demonstram que o modelo proposto alcançou um F1-Score superior a 99%, superando significativamente algoritmos clássicos como Random Forest e Gradient Boosting. A aplicação do sistema permitiu evitar 38,33% de CO2 e gerou uma economia de 38,38% de diesel ao longo do ciclo de operação avaliado.
Referências
Associação Brasileira de Engenharia Automotiva. Associação Brasileira de Engenharia Automotiva. [link]. Acesso em: 3 abr. 2025.
Banerjee, A., Mahmudov, T., Adler, E., Aisyah, F. N., and Wörndl, W. (2025). Modeling sustainable city trips: integrating CO2e emissions, popularity, and seasonality into tourism recommender systems. Information Technology amp; Tourism, 27(1):189–226.
CEPEA - Centro de Estudos Avançados em Economia Aplicada (2026). Pib do agronegócio brasileiro. Acessado em: 29 jan. 2026.
Grilli, M. (2020). Agropecuária foi responsável por 73% da emissão de co2 do brasil em 2019. Revista Globo Rural. Acesso em: 31 mar. 2025.
Kim, S.-h. and Lee, H.-j. (2017). Gear shifting multi-objective optimization to improve vehicle performance, fuel consumption, and engine emissions. International Journal of Automotive Technology, 18(4):645–653.
Lee, J. I., Cha, S. W., and and, H. S. Y. (2025). Co2 emissions of fuel-cell battery hybrid system for large ships. International Journal of Green Energy, 22(1):1–8.
Monteiro, F. and Sousa, A. (2024). Co2 emissions resulting from large-scale integration of electric vehicles using a macro perspective. Applied Sciences, 14(14).
Müller, A., Schmidt, M., and Becker, T. (2024). Real-time co-optimization of gear shifting and engine torque for predictive cruise control of heavy-duty trucks. Mechanical Sciences and Engineering, 12:102–115.
Ritchie, H. and Rosado, P. (2025). Air pollution kills millions every year — where does it come from? Our World in Data. [link].
Ritchie, H., Rosado, P., and Roser, M. (2023a). Co and greenhouse gas emissions. Our World in Data. [link].
Ritchie, H., Rosado, P., and Roser, M. (2023b). Data page: Per capita co2 emissions. [link]. Parte da publicação ”CO2 and Greenhouse Gas Emissions”. Dados adaptados do Global Carbon Project e várias fontes. Acesso em: 31 mar. 2025.
Segatte, L. (2025). Agronegócio: tudo sobre o pilar da economia brasileira. Acessado em: 29 jan. 2026.
Shahariar, G. H., Bodisco, T. A., Zare, A., Sajjad, M., Jahirul, M., Chu Van, T., Bartlett, H., Ristovski, Z., and Brown, R. J. (2022). Impact of driving style and traffic condition on emissions and fuel consumption during real-world transient operation. Fuel, 319:123874.
Silva, F. L., Eckert, J. J., Miranda, M. H., da Silva, S. F., Silva, L. C., and Dedini, F. G. (2024). A comparative analysis of optimized gear shifting controls for minimizing fuel consumption and engine emissions using neural networks, fuzzy logic, and rule-based approaches. Engineering Applications of Artificial Intelligence, 135:108777.
Sivak, M. and Schoettle, B. (2012). Eco-driving: Strategic, tactical, and operational decisions of the driver that influence vehicle fuel economy. Transport Policy, 22:96–99.
Zhang, W., Chen, L., and Wang, J. (2019). An optimal gear shifting strategy for minimizing fuel consumption based on engine optimum operation line. In SAE Technical Paper Series, number 2019-01-5055. SAE International.
