iDry: Um Secador de Sementes Explorando Ciência de Contexto para Estimação Dinâmica das Variáveis de Controle no Cenário Computacional da IoT

• Tarso Avila UCPEL
• Lucas Ferreira UCPEL
• Ádamo Araújo UFPEL
• Gizele Gadotti UFPEL
• Adenauer Yamin UCPEL / UFPEL

DOI: https://doi.org/10.5753/sbcup.2023.231158

Resumo

A produção de sementes em pequena escala é prática comum por agricultores que resistem a produção de alimentos com variabilidade genética estreita. A secagem é considerada uma das principais etapas, ela reduz o teor de água para níveis adequados a fim de manter a qualidade fisiológica das sementes durante o armazenamento. Considerando isto, o objetivo central deste trabalho é a concepção de uma proposta de secador de sementes, denominada iDry, que explore a sinergia da oferta ubíqua de conectividade provida pela IoT, com metodologias relativas a instrumentação eletrônica e sistemas de controle, promovendo com isto a ciência de situação no iDry em diferentes momentos da sua operação. O iDry foi avaliado com o emprego de cenários de uso e foram obtidos resultados promissores, apontando para a continuidade da pesquisa.

Referências

Ahmad, F., Younis, M. S., Zahid, R. U., and Shahid, L. A. (2020). Machine learning based grain moisture estimation for real-time monitoring of high-temperature paddy drying silo. In 2020 IEEE 23rd International Multitopic Conference (INMIC), pages 1–6. IEEE.

Das, N., Kalita, K., Boruah, P., and Sarma, U. (2017). Prediction of moisture loss in withering process of tea manufacturing using artificial neural network. IEEE Transactions on Instrumentation and Measurement, 67(1):175–184.

Kaveh, M., Chayjan, R. A., and Khezri, B. (2018). Modeling drying properties of pistachio nuts, squash and cantaloupe seeds under fixed and fluidized bed using data-driven models and artificial neural networks. International Journal of Food Engineering, 14(1).

Lamrini, B., Della Valle, G., Trelea, I. C., Perrot, N., and Trystram, G. (2012). A new method for dynamic modelling of bread dough kneading based on artificial neural network. Food Control, 26(2):512–524.

Lopes, J. L. B. (2016). Uma arquitetura para provimento de ciência de situação direcionada às aplicações ubíquas na infraestrutura da internet das coisas.

Malekjani, N., Jafari, S. M., Rahmati, M. H., Zadeh, E. E., and Mirzaee, H. (2013). Evaluation of thin-layer drying models and artificial neural networks for describing drying kinetics of canola seed in a heat pump assisted fluidized bed dryer. International Journal of Food Engineering, 9(4):375–384.

MOREIRA, V. R. d. R. (2010). A importância da reprodução de sementes na agricultura agroecológica biodinâmica, botucatu, 2010. Agricultura Biodinâmica, 27(97).

Tripathy, P. and Kumar, S. (2009). Neural network approach for food temperature prediction during solar drying. International journal of thermal sciences, 48(7):1452–1459.