Resenha Crtica Alunos: Erick Skrobot Matheus L.

Crema

A obra em questo, intitulada Aplicao de Redes Neurais Artificiais na Previso da Produo de lcool, de Anderson C. Soares de Oliveira, Ademria A. de Souza, Willian Soares Lacerda e Luciene Resende Gonalves da Universidade Federal de Lavras/UFLA, tem por objetivo propor um modelo de previso da produo de lcool utilizando redes neurais artificias e comparar com os resultados obtidos utilizando tcnicas de sries temporais, sendo que a rede neural obteve resultados melhores. O texto introduz a importncia do lcool citando o aumento considervel da concentrao de gs carbnico na atmosfera atravs da queima intensa de materiais energticos fsseis juntamente com a agricultura extensiva, entre outros fatores. Assim, na busca por fontes mais viveis de energia, o lcool tem tido o seu reconhecimento na comunidade internacional e considerado um dos melhores candidatos a receber apoios e financiamentos. Portanto, a previso da produo de lcool se faz necessria, pois fornece uma base para a tomada de decises no sentido de planejamento do volume de estoque para o consumo dos prximos perodos. O modelo utilizado na comparao com a rede neural artificial foi um dos propostos por Box & Jenkins (1976), pertencente classe de modelos conhecida como SARIMA, cujas previses fornecidas so de maneira gerais bastante precisas, pois levam em conta a auto correlao entre os valores da srie temporal, considerando que a dependncia sucessiva dos erros afeta o comportamento das observaes. A classe de modelos SARIMA se adequa ao problema por contemplar sries que apresentam auto correlao sazonal. Para confirmar a existncia do efeito sazonal no perodo de dados considerado para a aplicao da rede neural artificial e para a comparao de resultados, fez-se o uso do teste de Fisher, atestando uma dependncia de 12 meses. Assim, aps diversas tentativas chegou-se a seguinte estrutura da rede neural: 12 neurnios na camada de entrada, uma camada escondida com 48 neurnios e um neurnio na camada de sada com taxa de aprendizagem de 0,01 e taxa de momentum 0,01. O conjunto definido para o treinamento dos dados foi composto pelos perodos de janeiro de 1991 dezembro de 1999 e o algoritmo utilizado para foi o de retro propagao (backpropagation). Para o conjunto de testes foi considerado o perodo de janeiro de 2000 a dezembro de 2005 e para o conjunto de validao o perodo de janeiro a setembro de 2006. Os dados obtidos com o ltimo conjunto foram utilizados na comparao. Uma vez executado o modelo, pode-se observar que as curvas geradas pela rede neural artificial multicamadas aproximam-se satisfatoriamente das curvas reais, demonstrando a eficincia da RNA na modelagem dos dados. Ainda para confirmar a qualidade dos resultados obtidos foram utilizados o Erro Percentual Mdio Absoluto (MAPE) e o Erro Quadrtico Mdio de Previso (EQMP), nos quais foram observados comportamentos decrescentes. Na comparao realizada entre os dois modelos (dados para o perodo de janeiro a setembro de 2006) verificou-se que a rede neural oferece uma melhor aproximao dos valores reais. Este artigo oferece um bom exemplo da aplicao das redes neurais artificiais na modelagem de problemas reais e sua eficincia no tratamento de padres no lineares bem como na previso. E por sua flexibilidade, elas se tornam aplicveis a uma vasta gama de problemas.