REGISTRO DOI: 10.5281/zenodo.10741273
Francis Dalponte Voigt1
Ricardo Antonio Francisco Machado2
Cintia Marangoni3
RESUMO
A indústria têxtil brasileira é um pilar essencial da economia do país, destacando-se mundialmente como o quinto maior polo têxtil e o quarto no segmento de vestuário. No entanto, um dos desafios críticos enfrentados por esse segmento é o reprocessamento das malhas, gerando atrasos na entrega, impactos na qualidade e um aumento dos custos e do impacto ambiental. Diante disso, o objetivo desse estudo é identificar o reprocesso no tingimento de uma indústria têxtil através de padrões pré-estabelecidos por meio de uma rede neural. Para isso, essa pesquisa está sendo realizada em parceria com uma empresa do setor, e concentra-se na coleta, preparação e processamento de dados, além do treinamento e validação da rede neural. Especificamente, o foco recai sobre os dados coletados da produção de poliamida, onde cerca de 95% dos reprocessos são classificados como indefinidos, dificultando a identificação e solução precisa desses problemas. Portanto, a pesquisa visa não apenas aprimorar a eficiência da produção de poliamida, mas também a contribuir para a economia de recursos e o cumprimento dos compromissos ambientais, consolidando o conceito de sustentabilidade na indústria têxtil. A incorporação de inteligência artificial, como redes neurais, emerge como uma estratégia essencial para impulsionar a indústria têxtil rumo a práticas mais eficientes e menos impactantes.
Palavras-chave: Inteligência artificial; Beneficiamento têxtil, Poliamida
ABSTRACT
The Brazilian textile industry is an essential pillar of the country’s economy, standing out globally as the fifth-largest textile hub and the fourth-largest in the clothing segment. However, one of the critical challenges faced by this sector is the reprocessing of fabrics, leading to delivery delays, quality impacts, increased costs, and environmental impact. Therefore, the aim of this study is to identify the reprocessing in the dyeing process of a textile industry through pre-established patterns using a neural network. To achieve this, this research is being conducted in partnership with a company in the sector, focusing on data collection, preparation, processing, as well as training and validating the neural network. Specifically, the focus is on the data collected from the production of polyamide, where about 95% of the reprocessing is classified as undefined, making the identification and precise resolution of these issues challenging. Thus, the research aims not only to enhance the efficiency of polyamide production but also to contribute to resource savings and compliance with environmental commitments, consolidating the concept of sustainability in the textile industry. The incorporation of artificial intelligence, such as neural networks, emerges as an essential strategy to drive the textile industry towards more efficient and less impactful practices.
Keywords: Artificial intelligence; Textile processing; Polyamide.
1 INTRODUÇÃO
A indústria têxtil brasileira apresenta um papel fundamental na economia do país, pois o Brasil se destaca como o quinto maior polo têxtil do mundo, sendo especialmente forte no segmento de vestuário, ocupando a quarta posição global. Além disso, o país é autossuficiente na produção de algodão, o que contribui para o abastecimento de matéria-prima para essa indústria, sendo notável por ser uma das cadeias mais completas do ocidente, abrangendo desde a produção da fibra até a comercialização no varejo. Essa integração vertical permite uma maior eficiência e controle de qualidade em todo o processo produtivo. Ademais, com a descoberta do pré-sal, o Brasil possui a oportunidade de se tornar um grande exportador mundial de fibras sintéticas (ABIT, 2021).
O setor têxtil e de confecção teve um importante papel na história manufatureira mundial, antes mesmo do período industrial, onde os produtos eram fabricados artesanalmente. Porém, com o decorrer das revoluções industriais, o setor passou por transformações na configuração do modelo de negócio, substituindo operações de trabalho manual pelo fabril (DUARTE, 2017). Com isso, a sociedade desenvolveu uma infraestrutura produtiva que se transformou em parques industriais para atender demandas de larga escala no mercado interno e externo. Esta infraestrutura atualmente constitui uma rede de infra segmentos produtivos independentes, tais como fiação, tecelagem, malharia, beneficiamento e confecção, constituindo a cadeia têxtil (FUJITA; JORENTE, 2015).
Dentro da infraestrutura têxtil, o setor de beneficiamento desempenha um papel fundamental de agregar valor e atender a uma ampla gama de necessidades desse segmento. No entanto, é importante ressaltar que esse processo enfrenta desafios significativos, que o torna um ponto crítico em toda a cadeia produtiva. Esse comportamento está atrelado a diversos fatores, dentre eles pode-se ressaltar o longo ciclo de produção, a necessidade substancial de água para o processo, a liberação de substâncias tóxicas no meio ambiente, bem como o emprego de produtos químicos, como corantes, metais pesados, ácidos, soda cáustica e carbonato de sódio (CHEN., 2017; KU et al., 2020). Esses fatores representam não apenas desafios ambientais, mas também preocupações com a segurança e a sustentabilidade do processo de beneficiamento.
Diante desse contexto, por um lado a demanda global por produtos têxteis vêm aumentando constantemente impulsionada pelo aumento da população e pelo desenvolvimento econômico, por outro lado, torna-se evidente que as empresas estão cada vez mais conscientes e preocupadas com o impacto ambiental resultante de suas operações fabris (KUMAR et al., et al. 2020, ZHANG et al., 2021; SANDIN; PETERS, 2018). Como resposta a essa preocupação, várias áreas têm adotado abordagens de Produção Mais Limpa (P+L), bem como os conceitos da Indústria 4.0 e aplicando suas tecnologias nos processos produtivos para proporcionar inovação para suas empresas e torná-las mais competitivas (KUMAR et al., 2020).
Além das questões relacionadas aos impactos ambientais, a empresa têxtil enfrenta desafios significativos em seus processos produtivos devido à necessidade de reprocessamento das malhas. Os reprocessos acontecem quando o produto apresenta variações em relação aos padrões de cor, toque, igualização, alongamento e elasticidade, toque e volume, comprometendo a eficiência da produção e afetando o atendimento aos clientes, por conta de atrasos no envio de produtos e por apresentar padrão diferente do desejado no momento da compra. Tal condição prejudica a imagem de uma empresa e reduz seu desempenho no mercado, além de representar aumento de custos e de impacto ambiental, ao consumir mais insumos e recursos para obtenção dos produtos.
Nesse sentido, a indústria têxtil está gerando demandas crescentes no mercado global e as tecnologias modernas beneficiaram esse segmento com a automatização de processos longos e complexos, resultando em melhoria na velocidade, qualidade e custo da fabricação de têxteis (SCHWARZ; KOVAČEVIĆ, 2017). Segundo Falani et al. (2020), os avanços tecnológicos são um dos fatores estratégicos para gerar mudanças que contribuem para o aprimoramento de técnicas, ferramentas e utilização de novos insumos. Fujita e Jorente (2015) ressaltam que é necessário investimento em inovação tecnológica e na geração de novos conhecimentos, mediante desenvolvimento científico realizado no incentivo às pesquisas compartilhadas com a indústria têxtil.
Nesse cenário, a inteligência artificial (IA), em sua essência, permite contribuir com essa necessidade da indústria têxtil. A IA garante que os sistemas tomem decisões de forma independente, precisa e apoiada em dados digitais. O que, numa visão otimista, multiplica a capacidade racional do ser humano de resolver problemas práticos, simular situações, pensar em respostas ou, de forma mais ampla, potencializa a capacidade de ser inteligente.
Diante do exposto, a presente pesquisa possui como objetivo a implementação de uma rede neural para predição e correção, de forma autônoma, identificando o reprocesso no tingimento de uma indústria têxtil através de padrões pré-estabelecidos. Além dos aspectos econômicos e sociais, o sucesso desta pesquisa aumenta a relevância ao contribuir para a economia de recursos (água, insumos, energia), com alto impacto ambiental, reforçando os compromissos já existentes na empresa e completando o tripé da sustentabilidade: social, econômico e ambiental.
2 FUNDAMENTAÇÃO TEÓRICA
Neste capítulo são apresentados os pressupostos teóricos baseados na literatura nacional e internacional sobre o processo de beneficiamento das indústrias têxteis com ênfase na fibra de poliamida, reprocesso, e ferramentas de inteligência artificial.
2.1 CADEIA PRODUTIVA TÊXTIL NO BRASIL
2.1.1 Importância da cadeia produtiva têxtil na economia brasileira
Em linhas gerais, a cadeia produtiva têxtil é uma engrenagem vital na economia brasileira, contribuindo de maneira significativa para o emprego, o desenvolvimento regional, as exportações, a sinergia entre diferentes setores e o avanço tecnológico. Seu papel fundamental na construção de uma economia robusta e diversificada torna-a um pilar inalienável no panorama econômico do Brasil.
Diante deste contexto, o Brasil é a 5a maior indústria têxtil do mundo e a 4º no segmento de vestuário, cuja produção média, em toneladas, é da ordem de 190 milhões em 2021 (IEMI, 2022). A indústria têxtil promove 1,36 milhões de empregos diretos e em 2020, representou 19,8% do total de trabalhadores alocados na produção industrial e 5% do valor total da produção da indústria brasileira de transformação (IEMI, 2022).
Segundo o Instituto de Estudos e Marketing Industrial (2022), a cadeia têxtil brasileira abrange mais de 24,6 mil fábricas instaladas no país, sendo na ordem de 3.030 empresas têxteis e as demais de confecção. Junto desses dados, o Brasil é o único país do ocidente que possui a cadeia têxtil totalmente verticalizada (ABIT, 2022).
Nesse sentido, devido à alta relevância da indústria têxtil na economia nacional, por demandar do uso intensivo de mão de obra, esse setor é um grande gerador de renda e empregos para o país. No ano de 2022, a indústria têxtil produziu 1,34 milhões de empregos formais e mais de 8 milhões de empregos indiretos, sendo 60% da mão de obra feminina (IEMI, 2022). Esse fato está atrelado a grande produção per capita de têxteis no Brasil, que atingiu 9,9 kg por habitante, com um consumo na ordem de 13,3 kg/habitante, sendo que a referida diferença é atendida pelo mercado internacional (ABIT, 2022).
2.1.2 Etapas dos processos produtivos da cadeia têxtil
O início do processo produtivo da cadeia têxtil é constituído primeiramente pelo processo de produção das fibras. Posteriormente, várias empresas de fiação de grande porte produzem os fios. Essas empresas apresentam um grande volume de capital e tecnologia, são automatizadas e apresentam um baixo índice de mão de obra. Na etapa seguinte da cadeia, estão as indústrias de tecelagem, malharia e beneficiamento, que possuem características similares à da fiação (FALANI et al., 2020). No último elo da cadeia encontram-se as confecções, que apresentam como característica baixo uso de capital e tecnologias, porém são muito intensas no uso de mão de obra. Por esses motivos são formadas em sua grande maioria, por micro e pequenas empresas, maior parte delas informais (FALANI et al., 2020). Na Figura 1 podemos ver a representação, em forma de um fluxograma, com as principais etapas do processo produtivo têxtil. Por questões de facilidade de entendimento, o fluxograma contém apenas as etapas macro, sem nenhum detalhamento.
Figura 1 – Fluxograma produtivo da cadeia têxtil.
Fonte: Adaptado de Pimentel; Lima (2011).
Dentro do fluxograma da cadeia têxtil, o processo de beneficiamento geralmente ocorre após a etapa de produção das fibras e antes da etapa de confecção das peças de vestuário ou produtos têxteis finais. O beneficiamento têxtil envolve uma série de processos que preparam os materiais têxteis para a fabricação de produtos acabados. Esses processos podem incluir várias etapas, tais como (i) tingimento onde a tintura é aplicada para dar cor ao tecido ou fio, de acordo com as especificações do design; o (ii) acabamento que envolve processos como alvejamento, estampagem, calandragem e outros, que podem afetar a textura, brilho e toque do material; (iii) a lavagem onde os materiais são lavados para remover impurezas e produtos químicos residuais dos processos anteriores; (iv) O acabamento mecânico que pode incluir processos como corte, costura e acabamento das peças de vestuário ou produtos têxteis; e (v) Inspeção de qualidade para finalizar o processo.
2.2 BENEFICIAMENTO das indÚstrias têxteis
O beneficiamento têxtil, de um modo geral, pode ser definido como o processo que agrega várias etapas com a finalidade de melhorar as características dos tecidos, fibras e fios, conferindo aos tecidos particularidades únicas. É basicamente composto por diferentes etapas e processos (SAMSAMI et al., 2020). O beneficiamento têxtil consiste nas etapas de beneficiamento primário (preparação), beneficiamento secundário (tingimento) e beneficiamento terciário (acabamento). Na Figura 2 é apresentado um fluxograma com as principais etapas e processos envolvidos no beneficiamento têxtil.
Figura 2 – Etapas atreladas ao beneficiamento têxtil.
Fonte: Adaptado de Madhu; Chakraborty, (2017).
2.2.1 Pré- tratamento
O beneficiamento primário ou pré-tratamento, consiste na etapa inicial do processo de beneficiamento. Todos os substratos têxteis necessitam deste tratamento antes de seguirem para os processos posteriores, tingimento, estamparia ou acabamento. Madhu e Chakraborty (2017) ressaltam que este beneficiamento é o primeiro tratamento aplicado no material têxtil (fio ou tecido), e possuem como objetivo de se obter um produto final com melhor aceitação no mercado, as operações a serem efetuadas seguem uma sequência e devem ser preservadas para garantir um bom resultado no processo.
Este processo é conhecido também como purga ou fervura e é responsável pela remoção de óleos da fibra têxtil, para este fim são utilizados produtos emuladores de óleo, também chamados de tensoativos ou detergentes, que podem ser produtos com características não iônicas ou aniônicas. Este processo é geralmente realizado em temperaturas de 50 a 60°C (SALEM et al., 2005).
Em linhas gerais a remoção eficaz de impurezas ocorre com o emprego de 3-6% de hidróxido de sódio ou hidróxido de cálcio ou carbonato de sódio. Além disso, a escolha adequada dos auxiliares têxteis no banho alcalino é essencial para um bom processamento de purga. Estes incluem agentes sequestrantes ou quelantes, como o ácido etilenodiamino tetra-acético (EDTA), para solubilizar substâncias inorgânicas insolúveis presentes em água dura e surfactantes, como o lauril sulfato de sódio que serve como detergente, agente dispersante e agente emulsificante para remover ceras insaponificáveis (BARANI, MONTAZER, 2008).
A purga também é aplicada em fibras sintéticas que adquirem tonalidade amarela devido ao superaquecimento ou ao acúmulo de impurezas durante a fabricação. Esse processo é mais suave em comparação com as fibras naturais (BROADBENT, 2011). Nas fibras sintéticas, a lavagem é realizada com sabão ou detergentes contendo quantidades menores de alcalinos (0,1-0,2% de carbonato de sódio) (VIGO, 2002).
Enquanto isso, fibras de algodão geralmente necessitam de pré-alvejamento, a menos que sejam tingidas em tons escuros. O objetivo do branqueamento é remover as impurezas que mascaram a brancura natural das fibras. Agentes oxidantes, como peróxido de hidrogênio, hipoclorito de sódio e clorito de sódio, são utilizados para esse fim. Em escala industrial, o peróxido de hidrogênio é o agente oxidante mais comum. Além disso, o processo pode ser conduzido pelo método de esgotamento ou de forma contínua (ADANUR, 2017). Após a etapa de preparação, a maioria dos substratos têxteis é encaminhada para o tingimento, onde recebem a coloração desejada.
2.2.2 Mercerização
Nesse processo ocorre um tratamento físico-químico que envolve a impregnação do material têxtil, sob tensão, com soluções alcalinas em condições de temperatura e concentrações rigorosamente controladas. O objetivo desse processamento é aumentar o brilho do produto, bem como a absorção de água e corantes, além da resistência à tração e da estabilidade dimensional (ADANUR, 2017).
A mercerização geralmente é aplicada a fios e tecidos planos, bem como a fibras celulósicas, sobretudo ao algodão e pode ser realizada com hidróxido de sódio, sob temperaturas de 10 a 18 °C, seguida de enxague e neutralização (BROADBENT, 2011).
2.2.3 Alvejamento
O alvejamento é o processo químico empregado na descoloração de materiais têxteis, cujo objetivo final seja o branqueamento. Além disso, esse processo pode ser empregado, também, em artigos que necessitem de um branqueamento óptico para realçar o grau de brancura (BROADBENT, 2011).
Esse processo é empregado em diferentes produtos têxteis, desde fios, tecidos planos e malhas, empregado processos oxidativos com produtos como hipoclorito de sódio, ozônio e peróxido de hidrogênio e processos redutores com hidrossulfito de sódio, formaldeído sulfoxilato de sódio, bissulfito de sódio e dióxido de tiouréia.
2.2.4 Termofixação
A termofixação pode ser considerada um pré-tratamento do tecido, pois pode ser realizada antes do tingimento com o objetivo de proporcionar estabilidade dimensional ao artigo. Este processo é realizado somente em fibras sintéticas como poliéster e suas misturas e em artigos com elastano (RUSCHIONI; ALFIERI, 2010).
2.2.5 Tingimento
O tingimento é um processo conhecido pela coloração dos substratos têxteis, de forma homogênea com a utilização de corantes. Esse processo é conhecido também como beneficiamento secundário . Em linhas gerais esse processo é dividido em três etapas, mediada por processos de migração, absorção e fixação do corante. Na primeira etapa o corante migra do meio em que se encontra diluído para a superfície da fibra. Posteriormente ocorre o processo de adsorção nas camadas superficiais do material têxtil e em seguida o corante se difunde no interior da fibra e fixa-se nela por diferentes tipos de ligações (iônicas, Van Der Waals, covalentes) dependendo do tipo do material empregado (ADANUR, 2017).
A temperatura é um fator primordial nessas etapas devido a influência dos produtos químicos e a da ação mecânica causada pela agitação do banho de tingimento do substrato têxtil em processamento (SALEM et al., 2005). Além da temperatura, a velocidade de tingimento deve ser criteriosamente confeccionada em forma de uma curva, considerando o substrato, produtos e máquina. Essa curva deve expressar o tempo de tingimento em função da porcentagem total de corante que montará, ao alcançar o equilíbrio, tanto quanto o tempo requerido para alcançar meio esgotamento. Muitos fatores críticos são importantes para a boa igualização e reprodutibilidade (SALEM et al., 2005).
Em comparação com a lã, a difusão de corantes ácidos na poliamida é mais lenta e o número limitado de locais carregados na poliamida também pode causar problemas no tingimento da mistura de tons profundos, onde os corantes individuais competem por locais disponíveis. Sob estas condições, os corantes de difusão mais rápida podem bloquear a entrada de um segundo componente, e a tonalidade não é alcançada (ADANUR, 2017).
A maior ou menor saturação da fibra depende da porcentagem de grupos amínicos terminais (AEG) e estes, nas fibras de poliamida são em número limitado. A saturação depende também do número de grupos sulfônicos existentes no corante e que reagirão com os grupos amínicos terminais. Quanto maior o número de grupos sulfônicos na molécula de um corante, menor a saturação: uma molécula de corante ocupará mais de um grupo amínico terminal. Assim, um corante tri sulfônico, ocupa três grupos amínicos terminais. Por isso, quando são combinados corantes com mono e tri sulfônico, na mesma receita, há a tendência do corante mono sulfônico montar primeiro na fibra, ocupar os grupos amínicos (que são limitados) e bloquear a montagem do corante tri sulfônico, que permanece no banho (GONDIM, 2016; SALEM, et al., 2005).
A permanência do corante na fibra é afetada por vários fatores, dentre eles pode-se destaca-se a (i) vibração da estrutura molecular da fibra, a cada momento, tomando novas configurações; (ii) durante o tingimento, constante bombardeio do corante pelas moléculas de água, dificultando sua fixação na fibra; (iii) com o aumento da temperatura do sistema, aumenta a vibração das moléculas da fibra e o bombardeio das moléculas de água (SALEM et al., 2005).
O reprocesso de poliamida na indústria têxtil ocorre principalmente em processos de tingimento, onde o objetivo é alterar a cor ou as propriedades físicas dos tecidos de poliamida. Este reprocesso pode ser necessário por diversas razões, como correção de cor, melhoria na qualidade do tingimento, ajustes na tonalidade ou até mesmo para corrigir imperfeições que ocorreram durante o processo inicial (SU et al., 2007).
2.2.6 Acabamento
O acabamento tem o propósito de conferir propriedades desejáveis ao tecido, incluindo toque suave, resistência a rugas, impermeabilidade, entre outras características funcionais. Este estágio envolve procedimentos como calandragem, que utiliza cilindros aquecidos para alisar e dar brilho ao tecido, além de aramagem para remoção de fiapos e impurezas superficiais.
A aplicação de agentes químicos no acabamento é comum para conferir propriedades específicas ao tecido, como repelência à água, resistência a manchas ou propriedades antimicrobianas. Esses tratamentos químicos são aplicados de forma controlada para garantir a funcionalidade desejada sem comprometer a integridade do tecido (SALEM et al., 2005).
A integração eficiente e precisa dessas etapas é crucial para alcançar produtos têxteis finais que atendam aos requisitos de qualidade, estética e funcionalidade. A combinação de técnicas de estamparia e acabamento no beneficiamento têxtil desempenha um papel determinante na variedade e na qualidade dos produtos têxteis disponíveis no mercado, refletindo a importância desses processos na indústria têxtil contemporânea.
2.3 inteligência artificial
A IA representa o ápice da inovação tecnológica, sendo um campo multidisciplinar que busca replicar a capacidade humana de aprendizado, raciocínio e tomada de decisões através de algoritmos e sistemas computacionais. Fundamentada em conceitos como machine learning, redes neurais e processamento de linguagem natural, a IA tem conquistado um papel central em diversas esferas da vida moderna (SU et al., 1993). Sua capacidade de analisar grandes volumes de dados, identificar padrões complexos e tomar decisões autônomas está redefinindo indústrias, impulsionando a automação e transformando a maneira como interagimos com a tecnologia, desde assistentes virtuais a sistemas de diagnóstico médico avançados. A rápida evolução e aplicação da IA estão moldando não apenas a era da tecnologia, mas também redefinindo as fronteiras do conhecimento humano e suas aplicações práticas (MUKHERJEE; BHA, 2023).
Os pressupostos teóricos sobre IA são fundamentais para compreender a base conceitual por trás do desenvolvimento e aplicação desse cenário. Esses pressupostos formam o alicerce teórico que orienta a criação de sistemas e algoritmos inteligentes (SCHÄDLER e WYSOTZKI, 1999). Eles englobam áreas como o aprendizado de máquina, que se concentra na capacidade dos sistemas de aprender e melhorar com a experiência; a lógica computacional, que visa entender como os sistemas podem representar o conhecimento e raciocinar de maneira lógica; e as redes neurais, que se inspiram no funcionamento do cérebro humano para criar modelos de computação altamente eficientes (HIMMELBLAU, 2008). A compreensão desses pressupostos é crucial para explorar não apenas o potencial, mas também os limites e desafios da IA em diversos campos de aplicação, incluindo o beneficiamento têxtil (SIKKA et al., 2022).
2.3.3 Rede neurais artificiais
Redes neurais artificiais (RNA) são elementos computacionais inspirados em neurônios biológicos, que conectados em rede podem reproduzir algumas características de processos inteligentes (RAMESH et al., 2004). A Aprendizagem com RNA, emergiu como uma estrutura dominante nos dias atuais, gerando avanços em uma ampla gama de aplicações, incluindo visão computacional, processamento de linguagem natural e jogos estratégicos (SMIRNOV et al., 2014). Algumas ideias-chave nesse campo podem ser rastreadas até chegar no cérebro humano sendo que atualmente existe um contínuo intercâmbio de ideias da neurociência para o campo da inteligência artificial (HASSABIS et al., 2017).
Simultaneamente, o aprendizado sobre IA oferece novas e poderosas ferramentas para a neurociência de sistemas. De fato, os avanços em visão computacional, especialmente RNA, revolucionaram o processamento de dados de imagens e vídeos. Comportamentos não controlados ao longo do tempo, como micro-movimentos de animais em um experimento laboratorial, agora podem ser rastreados e quantificados de forma eficiente com a ajuda dessa tecnologia (MATHIS et al., 2018).
Inspirados na habilidade apresentada pelos seres humanos e outros animais no desempenho de funções como o processamento de informações sensoriais e a capacidade de interação com ambientes pouco definidos, os engenheiros estão preocupados em desenvolver sistemas artificiais capazes de desempenhar tarefas semelhantes. Habilidades como capacidade de processamento de informações incompletas ou imprecisas e generalização são propriedades desejadas em tais sistemas (LIU et al., 2020).
Nesse sentido, a RNA são técnicas computacionais que têm capacidade de solucionar problemas por intermédio de circuitos simples que simulam o funcionamento e o comportamento do cérebro humano. Elas apresentam um modelo inspirado na estrutura neural de organismos inteligentes, que adquirem conhecimento através da experiência, ou seja, aprendendo, errando e fazendo descobertas. Uma rede neural artificial pode ter centenas ou até milhares de unidades de processamento, enquanto o cérebro de um mamífero pode conter muitos bilhões de neurônios (LIU et al., 2020)
No entanto, é importante ressaltar que existem diferenças entre a célula nervosa humana e o modelo de neurônio artificial. Contudo, o princípio de transferência das informações é o mesmo. Analogamente ao cérebro humano, as RNA têm a capacidade de interagir com o meio externo e adaptar-se a ele. Essas características conferem as RNA uma importância multidisciplinar, razão pela qual essa ferramenta vem ganhando destaque em diferentes áreas do conhecimento, tais como engenharia, matemática, física, informática entre outras (LIU et al., 2020).
O modelo matemático do neurônio, e que engloba as principais características de uma rede neural biológica, paralelismo e alta conectividade, foi proposto em 1942 por McCulloch e Pitts, onde os pesquisadores projetaram a estrutura conhecida como a primeira rede neural mundialmente conhecida como modelo MCP (McCulloch-Pitts). O modelo MCP em uma simplificação do neurônio biológico, que considera o neurônio como uma unidade de processamento de informações binárias, com várias entradas binárias e uma única saída binária, mostrando que essas unidades são capazes de executar diferentes operações lógicas.
Na Figura 3 apresenta-se o modelo geral do neurônio artificial, onde: x1, x2, xn representam os sinais de entrada; w1, w2, … wn são os pesos ou conexões sinápticas; as bias representam o limiar de ativação do neurônio; u é a saída do combinador linear; (f) é a função de ativação (limita a saída do neurônio); y é o sinal de saída do neurônio.
Figura 3 – Modelo geral do neurônio artificial.
Fonte: Adaptado de Finochio, (2014).
A operação de uma célula em uma rede neural, geralmente, pode ser descrita da seguinte forma: (i) os sinais são apresentados à entrada; (ii) cada sinal é multiplicado por um peso, o qual indica sua influência na saída da célula; (iii) executa-se a soma ponderada dos sinais, o que produz um nível de atividade; (iv) quando este nível excede um limite, a unidade produz uma saída (FINOCHIO, 2014).
As RNA ao longo do tempo passaram por um processo de evolução. Primeiramente, em 1948, N. WIENER criou a palavra cibernética para descrever, de forma unificada, controle e comunicação nos organismos vivos e nas máquinas. Posteriormente, em 1949, D. O. HEBB apresentou uma hipótese a respeito da maneira com que a força das sinapses no cérebro se altera em resposta à experiência. Em particular ele sugeriu que as conexões entre células que são ativadas ao mesmo tempo tendem a se fortalecer, enquanto que as outras conexões tendem a se enfraquecer. Esta hipótese passou a influir decisivamente na evolução da teoria de aprendizagem em redes neurais artificiais (HOPFIELD, 1984).
Mais tarde, em 1957, ROSENBLATT introduziu uma nova abordagem para o problema de reconhecimento de padrões com o desenvolvimento do perceptron (Figura 4). Esse mesmo pesquisador, também propôs um algoritmo para o ajuste dos pesos do perceptron e provou sua convergência quando os padrões são linearmente separáveis. Por volta do mesmo período, B. WIDROW (1965) e seus colaboradores desenvolveram o adaline (Adaptive Linear Element) (STEINBUCH e WIDROW, 1965).
A conclusão interessante adotada por Hopfield foi que tais estados de equilíbrio podem ser utilizados como dispositivos de memória. De forma distinta daquela utilizada pelos computadores convencionais, em que o acesso à informação armazenada se dá por meio de um endereço, o acesso ao conteúdo da memória de uma rede de Hopfield se dá permitindo que a rede evolua com o tempo para um de seus estados de equilíbrio. Tais modelos de memória são denominados memórias endereçáveis por conteúdo (HOPFIELD, 1984).
No entanto, o fato que efetivamente colocou a área de RNA como uma das prioritárias na obtenção de recursos foi o desenvolvimento de um método para ajuste de parâmetros de redes não-recorrentes de múltiplas camadas. Portanto, uma das arquiteturas mais empregadas é a rede Perceptron de Múltiplas Camadas, que utiliza como regra de aprendizagem o algoritmo back propagation, proposto em 1986 por Rumelhart, McClelland e Williams (BEALE; JACKSON, 1990).
Figura 4 – Rede neural de Hopfield.
Fonte: Adaptado de Finochio, (2014).
2.3,3.1 Características das redes neurais artificiais
As características mais importantes das redes neurais artificiais são inúmeras, dentre elas pode-se citar: (i) a capacidade de aprender as relações entre um conjunto de dados de entrada, também chamados de exemplos de treinamento, e com isso melhorar o seu desempenho. Essa capacidade deve-se ao algoritmo de treinamento ou aprendizagem, que será abordado adiante; (ii) capacidade de generalizar o aprendizado para novos exemplos. As redes podem fornecer respostas similares àquelas para as quais foi treinada, para exemplos não apresentados no treinamento.
Capacidade de extrair a essência de um conjunto de dados e aprender a partir de informações incompletas; (iii) robustez e tolerância a falhas: a eliminação de alguns neurônios não afeta substancialmente o seu desempenho global; (iv) flexibilidade: pode ser ajustada a novos ambientes por meio de um processo de aprendizagem, sendo capaz de aprender novas ações com base na informação contida nos dados de treinamento; (v) processamento de informação incerta: mesmo que a informação fornecida esteja incompleta, afetada por ruído, ainda é possível obter-se um raciocínio correto; e o (vi) paralelismo: um imenso número de neurônios está ativo ao mesmo tempo. Não existe a restrição de um processador que obrigatoriamente trabalhe uma instrução após outra (FINOCHIO, 2014).
As características acima tornam as redes neurais especialmente atrativas para aplicações em sistemas não lineares e que possuem um grande volume de parâmetros, os quais podem sofrer variações temporais, como é o caso do beneficiamento têxtil. As RNA, podem, ainda, serem classificadas de acordo com a sua arquitetura, por exemplo:
- Perceptron
- Feed Forward Neural Network
- Multilayer Perceptron
- Convolutional Neural Network
- Radial Basis Functional Neural Network
- Recurrent Neural Network
- LSTM – Long Short-Term Memory
- Sequence to Sequence Models
- Modular Neural Network
As classificações foram citadas em inglês de forma proposital, pois é a forma como se costuma referenciar. Adicionalmente, as redes neurais ainda podem ser combinadas entre si, retroalimentadas e ainda possuírem conhecimento prévio.
As redes neurais que possuem uma estrutura tal qual possui, por exemplo, 3 camadas, sendo a primeira camada, a de entrada, a segunda camada (camada intermediária), a de processamento e, a terceira camada, a de saída, costuma ser chamada de rede neural tipo caixa preta (black box neural network). Na Figura 5 podemos visualizar tal tipo de estrutura.
Figura 5 – Estrutura de uma rede neural tipo caixa preta.
Fonte: Adaptado de Finochio, (2014).
A rede neural possui elementos denominados de neurônios, os quais podem ser completamente ou parcialmente interligados. Na Figura 6 pode-se ver a estrutura de um neurônio artificial.
Figura 6 – Estrutura de um neurônio artificial, onde p = valores do processo ou dados de entrada; w = é denominada de peso e também representa a relevância de determinada variável de entrada no comportamento do processo; b = bias, que são os ajustes que se fazem necessários para corrigir algum desvio; F = é a função de ativação do neurônio e a = é o valor predito pelo neurônio.
Fonte: Adaptado de Finochio, (2014).
A Equação 1 representa a função de ativação do neurônio, F: a = F(w.p + b) (1)
Onde:
a = dados de saída ou valores preditos
p = dados de entrada
w = pesos
b = bias
F = função de ativação
Os parâmetros w e b devem ser ajustados de forma a representarem com relativa precisão os dados do processo. Na fase de ajuste, dizemos que a rede neural está sendo treinada, que nada mais é que o emprego de um algoritmo de otimização para ajusta os valores de w e b de tal forma a predizer os dados de saída (a) com o menor desvio possível dos valores de entrada. É aqui que entram os termos de aprendizado de máquina (Machine Learning). Os neurônios também podem possuir diversas entradas, como mostrado na Figura 7.
Figura 7 – Representação de uma rede neural que possui diversas entradas num neurônio artificial.
Fonte: Adaptado de Finochio, (2014).
Se adicionarmos diversos neurônios a cada camada, consequentemente aumentamos a “inteligência” da rede neural, pois serão várias funções de ativação e vários parâmetros a serem estimados. Na Figura 8 podemos ver um esquema de uma rede neural artificial com diversas camadas.
Figura 8 – Representação de uma rede neural com diversas camadas de neurônios artificiais interligados. Os estímulos são as entradas dos neurônios.
Fonte: Adaptado de Finochio, (2014).
Entretanto, é necessário ter em mente que, aos nos referirmos a processos industriais, tratamos com informações numéricas (temperatura, pressão, frações molares, etc) e informações subjetivas (bom, ruim, mais ou menos, etc). Então, é necessário criar uma escala para que as informações subjetivas possam ser quantificadas numericamente.
As informações numéricas, quantitativas, devem possuir uma mesma escala, caso contrário, um ajuste considerado excelente para o conjunto de temperaturas, que apresente apenas 0,5 K de desvio, é um erro tremendo quando avaliamos frações molares. E aí reside o problema de se tratar adequadamente a informação antes de processá-la.
Por questões de objetividade, iremos tratar neste documento, somente das redes neurais artificiais tipo caixa preta, pois ainda não dispomos de informações suficientes do processo para podermos inserir conhecimento prévio na estrutura que iremos usar.
Voltando à questão do tratamento dos dados, inicialmente é necessário definir o tipo de função de ativação a ser utilizada. As mais comuns estão descritas no Quadro 1.
Quadro 1 – Tipos de função de ativação
Fonte: O autor, (2023).
Pela sua versatilidade e possuir características não-lineares, o que possibilita a representação de dados extremamente complexos, a função de ativação tipo sigmóide tangencial é preferencialmente utilizada. Principalmente quando se dispõe de sistemas esparsos.
No processamento têxtil, encontramos ambas as situações, sistemas não lineares e esparsos. Logo, a função de ativação sigmóide tangencial será a primeira a ser empregada.
Entretanto, ainda precisamos tratar dos dados antes de iniciarmos o treinamento da rede. Já definimos a função de ativação. E, observando o seu comportamento, os limites são -1 e +1. Ou seja, precisamos escalonar os dados para que todos se situem entre -1 e +1.
Estudos prévios têm demonstrado que não se deve saturar a saída da função de ativação. Em outras palavras, não devemos trabalhar nos limites inferior e superior.
Haykin (1999) recomenda, no caso da função de ativação do tipo sigmóide tangencial, que o escalonamento seja realizado entre -0,8 e + 0,8, conforme as equações 2 e 3.
Para os dados de entrada:
Onde:
P = conjunto de dados de entrada
T = conjunto dos dados de saída
xmin = menor valor dos elementos do conjunto P dos dados de entrada
xmax = maior valor dos elementos do conjunto P dos dados de entrada
ymin = menor valor dos elementos do conjunto T dos dados de saída
ymax= maior valor dos elementos do conjunto T dos dados de saída
Com os elementos dos conjuntos de dados de entrada e saída variando de -0,8 a +0,8, podemos, então, passar para a fase de treinamento.
Em termos de treinamento, vários algoritmos de otimização podem ser utilizados, sendo alguns mais rápidos, outros mais lentos. O mais comum é o uso de algoritmos do tipo passo descendente. Nasra et al. (2016) exploraram diferentes algoritmos de treinamento, concluindo que o método de Levenberg–Marquartd possui uma velocidade maior de convergência, motivo pelo qual será utilizado neste trabalho. Outros algoritmos de otimização podem ser encontrados em Yin et al. (2003). Na Figura 9 pode-se observar o fluxograma da fase de treinamento (machine learning).
Figura 9 – Fase de treinamento da rede neural
Fonte: Adaptado de Finochio, (2014).
No próximo subitem mostraremos alguns usos de inteligência artificial no beneficiamento têxtil.
2.3.4 Inteligência artificial e o beneficiamento têxtil
A aplicação da IA no setor do beneficiamento têxtil representa uma evolução significativa no cenário da indústria moderna. A integração de algoritmos inteligentes, aprendizado de máquina e automação tem revolucionado os processos desde a concepção do design até a produção final. Essa fusão entre IA e beneficiamento têxtil oferece oportunidades sem precedentes para otimizar a eficiência, a precisão e a sustentabilidade em todas as fases do processo, incluindo estamparia, tingimento, acabamento e controle de qualidade. Essa convergência inovadora está remodelando não apenas a maneira como os tecidos são produzidos, mas também está redefinindo os padrões de qualidade, personalização e velocidade de resposta às demandas do mercado (SIKKA et al., 2022; CHATTOPADHYAY; GUHA,2004).
Especificamente no caso da RNA notáveis avanços foram identificados no campo do beneficiamento têxtil. Atualmente, essas redes são aplicadas de maneira significativa no controle de qualidade de tecidos, permitindo a identificação de defeitos, padrões de tingimento e falhas no acabamento de forma muito mais precisa e eficiente do que os métodos convencionais. Além disso, as RNA têm sido utilizadas na otimização dos parâmetros dos processos, tais como temperatura, tempo de tingimento e composição de produtos químicos. Ademais, modelos baseados em RNA desempenham um papel crucial na previsão das propriedades finais dos tecidos, incluindo resistência, durabilidade e comportamento frente ao encolhimento. Isso possibilita ajustes precisos nos processos de fabricação, contribuindo para aprimorar a qualidade dos produtos têxteis (SIKKA et al., 2022). Na Tabela 1 apresenta-se uma síntese geral das contribuições da RNA para a indústria têxtil.
Tabela 1 – Síntese de trabalhos desenvolvidos com RNA e a indústria têxtil.
| Autores | Objetivo do trabalho |
| Bahlmann et al. (1999) | Desenvolver RNA para estabelecer um controle automatizado em costuras têxteis. |
| Hui et al. (2007) | Desenvolver RNA para desempenho de costuras têxteis. |
| Tiwari et al. (2023) | Aplicação de RNA para avaliar o desempenho de tecidos produzidos. |
| Doran et al. (2019) | Desenvolver RNA para predição de fios de algodão e elastano. |
| Jeyaraj et al. (2019) | Utilização de RNA para detecção de defeitos no processo de fabricação de tecidos |
| Li et al. (2021) | Identificação de resíduos gerados pela indústria têxtil utilizando RNA |
Fonte: O autor, (2023).
Apesar dos avanços, alguns desafios persistem, como a necessidade de conjuntos de dados mais robustos e representativos, além da interpretabilidade dos modelos para aplicação industrial. Além disso, o potencial das redes neurais em simular processos complexos ainda está em evolução (SIKKA et al., 2022).
3 MATERIAIS E MÉTODOS
Essa pesquisa está sendo desenvolvida em parceria com uma empresa têxtil localizada em Indaial/SC, e é composta por diferentes etapas atreladas com a coleta e preparação de dados, desenvolvimento da RNA, bem como o treinamento e validação da RNA desenvolvida.
3.2 Coleta e preparação dos dados
O parque fabril da empresa em questão é composto por malharia, tinturaria e acabamento, porém a pesquisa está sendo realizada no setor de tinturaria devido ao seu elevado percentual de reprocesso.
Foi realizado o levantamento das variáveis do processo para seleção dos dados de entrada da RNA, coletando uma ampla variedade de dados e amostras de tecidos de malha de poliamida, identificando diferentes variações, incluindo produtos com e sem reprocesso.
Em seguida, o conjunto de dados foi tratado de acordo com os conjuntos de dados obtidos e definida uma arquitetura inicial para a rede neural artificial, a qual será treinada até que possa representar os dados reais com relativa precisão. Após a fase de treinamento, a rede foi validada com um novo conjunto de dados (etapa chamada de validação cruzada) visando predizer possíveis desvios na qualidade do produto acabado e, consequente reprocesso.
O software empregado é o MATLAB.
3.3 DESENVOLVIMENTO DA REDE NEURAL ARTIFICIAL
A determinação da arquitetura da rede é realizada determinando o número de camadas, neurônios em cada camada e a função de ativação adequada. Embora existam algumas abordagens na literatura para projetar a arquitetura de uma rede neural, procuramos não nos aprofundar em nenhum deles pois não possuem fundamentação teórica. Logo, a rede foi projetada por tentativa e erro.
3.4 TREINAMENTO E VALIDAÇÃO DA REDE NEURAL ARTIFICIAL
3.4.3 Preparação dos Dados
Os conjuntos de dados de treinamento, validação e teste foram realizados no MATLAB.
3.4.4 Ajustes e Otimização
Com base nos resultados da avaliação, foram realizados ajustes na arquitetura da rede, conforme necessário. Os pesos e os bias são avaliados pela técnica de análise do componente principal. Aqueles neurônios que pesos e bias com valores desprezíveis são excluídos da arquitetura da rede, a mesma é retreinada. O procedimento é repetido até e o resultado se reproduza. Quando isso ocorrer, temos definido o número de camadas e de neurônios suficientes para que a rede represente o processo adequadamente.
3.4.5 Implementação em Ambiente de Produção
Após validar o desempenho da rede, será implementada no ambiente de produção visando uma demonstração do seu funcionamento em planta.
Manutenção e Atualização
O desempenho da rede em produção é monitorado e ajustado conforme necessário. Se necessário, será retreinada a rede com dados mais recentes para melhorar o desempenho ao longo do tempo.
4 RESULTADOS E DISCUSSÕES
A seguir apresenta-se resultados preliminares obtidos quanto aos dados coletados de reprocesso do setor de beneficiamento têxtil da empresa estudada.
4.2 Coleta dos dados
Na Tabela 2 apresenta-se a produção de fibras, bem como o reprocesso conduzido para cada tipo de fibra. Pode-se verificar que as fibras de poliamida, PES/TXT e viscose apresentaram a maior porcentagem de reprocesso, na ordem de 75%, 12% e 5%, respectivamente (Figura 10). Em linhas gerais, as taxas mais elevadas de reprocessamento observadas nas fibras poliamida, PES/TXT e Viscose, podem ser atribuídas a complexidades inerentes aos processos de produção e às propriedades intrínsecas desses materiais. Além disso, esse comportamento pode ser atribuído à interação complexa entre as propriedades intrínsecas desses materiais e os procedimentos de produção. A poliamida, conhecida por sua resistência, pode enfrentar desafios durante a produção devido à sua natureza, enquanto o PES/TXT, possivelmente uma combinação de poliéster com outras fibras têxteis, pode ser suscetível a falhas específicas de fabricação. A viscose, apesar de suas propriedades favoráveis, pode ser sensível a determinados processos de produção. A complexidade dos processos de fabricação e a sensibilidade desses materiais a variações nas condições de processamento também contribuem para essas taxas de reprocessamento mais elevadas.
Tabela 2 – Quantidade de produção e reprocesso de fibras produzidas durante janeiro a julho de 2023.
| Fibra | Produção (kg) | Reprocesso (Kg) |
| Total produzido | 3.332.607,900 | 392.621,371 |
| Poliamida | 2.489.445,282 | 295.008,101 |
| PES / TXT | 484.226,291 | 49.206,986 |
| Viscose | 102.047,540 | 19.034,677 |
| Algodão | 99.666,517 | 17.067,888 |
| Poliéster | 79.544,618 | 6.376,200 |
| PES texturizado | 69.155,484 | 5.927,519 |
| Poliamida especial | 8.491,068 | – |
| Diferenciados | 31,100 | – |
Fonte: O autor, (2023).
Figura 10 – Porcentagem de reprocesso na fabricação de diferentes tipos de fibras.
Fonte: O autor, (2023).
Especificamente para a fibra de poliamida, na Tabela 3 apresenta-se as causas dos reprocessos gerados. Destaca-se que cerca de 95% dessas ocorrências são classificadas como indefinidas, indicando uma falta de clareza sobre suas causas específicas, o que compromete a capacidade de identificar e solucionar tais problemas. Essa falta de precisão na identificação das causas impede uma intervenção direcionada e efetiva para resolver as questões relacionadas ao reprocessamento da poliamida.
O alto índice de ocorrências indefinidas de reprocessamento na fibra de poliamida pode derivar de múltiplos fatores. A complexidade dos processos de produção dessa fibra, que envolvem etapas químicas e mecânicas delicadas, pode propiciar uma gama extensa de possíveis falhas, desde variações na composição química até inadequações na temperatura ou pressão durante o processo. Além disso, a dificuldade de monitorar todas as variáveis envolvidas pode contribuir para a imprecisão na identificação das causas, criando lacunas na compreensão dos eventos que levam ao reprocessamento. Essa falta de clareza pode ser agravada pela ausência de sistemas robustos de rastreamento ou de métodos de registro detalhados, dificultando a atribuição precisa das causas dos problemas de qualidade, resultando, assim, nessa alta porcentagem de ocorrências indefinidas.
Tabela 3 – Causas dos reprocessos gerados na produção de poliamida.
| Causas | Reprocesso (kg) | Reprocesso (%) |
| Total geral | 295.008,101 | – |
| Indefinida | 281.531,066 | 95 |
| Falha operacional | 3.452,581 | 1 |
| Teste área técnica | 3.438,815 | 1 |
| Receita errada | 2.496,690 | 1 |
| Matéria prima | 2.296,310 | 1 |
| Problema elétrico | 643,540 | 0 |
| Problema mecânico | 394,680 | 0 |
| Matéria prima- fio | 377,520 | 0 |
| Concentração errada | 147,909 | 0 |
| Teste processo novo | 32,610 | 0 |
Fonte: O autor, (2023).
A empresa possui diversas linhas de tingimento, de tal forma que será selecionada apenas uma máquina para fins de conclusão da presente dissertação. A inclusão de todas as linhas de produção, com as suas variáveis, impossibilitaria a conclusão do presente trabalho no prazo regimental. Entretanto, este trabalho possui cunho acadêmico e didático, o qual poderá vir a ser explorado pela empresa com enormes benefícios.
No presente trabalho, o interesse é avaliar as variáveis de entrada e o produto acabado, em uma rede neural estática. Não serão incluídas etapas intermediárias, o que poderá ser realizado pela empresa, incluindo a mudança da arquitetura para uma rede dinâmica.
Para que a rede neural possa ser aplicada, cada qualificação recebe um código numérico. É necessário que o código seja um número com uma determinada variação. Por exemplo, se o produto deveria apresentar cor vermelho Ferrari codificada, por exemplo, como sendo número 5, e o resultado for 5.1, será imprescindível que um índice de tolerância seja definido pela empresa. A cor é avaliada visualmente pelo inspetor de qualidade, e em caso de dúvida, é realizada a leitura no espectrofotômetro para verificar se está dentro da cor panetone escolhida pelo cliente.
4.3 IMPLEMENTAÇÃO DA REDE NEURAL ARTIFICIAL
Inicialmente implementou-se uma RNA com dados do próprio MATLAB para testarmos a abordagem que pretende-se empregar. Na Figura 11, visualiza-se a estrutura da rede, cuja estrutura foi criada de forma aleatória. São 13 dados de entrada, uma camada intermediária com dez neurônios, função de ativação sigmóide tangencial, e uma camada de saída.
Figura 11 – Esquema da rede pretendida.
Fonte: O autor, (2023).
Além do software MATLAB permitir a inserção de scripts, é possível trabalhar com a visualização de todos os eventos. Na Figura 12 são mostrados os índices relacionados ao treinamento da rede.
Figura 12 – Evolução dos índices de desempenho da rede. (a) Supervisão do aprendizado. (b) Histograma de erro em relação ao valor predito e aos valores errados, (c ) Evolução do coeficiente de correlação, (d) Melhor desempenho obtido em relação aos dados reais.
Podemos concluir que a ferramenta computacional selecionada nos possibilita implementar a rede neural proposta com relativa agilidade e com a obtenção de resultados rápidos e visuais. Para melhorar a visualização dos resultados, é possível incrementar o número de variáveis a serem acompanhadas e realizar as adequações necessárias sem ter que esperar a conclusão do treinamento completo da rede (no caso, o treinamento é denominado de epochs ou épocas, que se trata do número de vezes que o algoritmo de otimização foi empregado para determinar os parâmetros da rede (bias e pesos). Conforme apresentado na Figura 13, onde constam as variáveis de decisão.
Figura 13 – Variáveis para tomada de decisões sobre a arquitetura da rede e seu desempenho durante a fase de treinamento.
Analisando os resultados, podemos concluir que a plataforma selecionada, bem como a abordagem são adequadas para a conclusão do trabalho.
5 CONCLUSÕES
As taxas mais elevadas de reprocessamento identificadas nas fibras de poliamida sugerem desafios distintos em suas respectivas cadeias de produção. Sendo fibras sintéticas, passam por processos complexos e podem gerar produtos fora das especificações devido a variações de parâmetros químicos e físicos. Esses achados também indicam que a alta porcentagem de ocorrências indefinidas de reprocessamento na fibra de poliamida revela desafios na identificação precisa das causas, possivelmente decorrentes da complexidade dos processos e da dificuldade em monitorar todas as variáveis envolvidas.
A integração de tecnologias avançadas, como as RNA, poderia desempenhar um papel crucial na redução do reprocessamento na fabricação de poliamida. A implementação de RNA pode oferecer uma abordagem inovadora para analisar vastos conjuntos de dados provenientes dos processos de produção, identificando padrões sutis e correlações entre variáveis que podem ser difíceis de detectar por métodos convencionais. Ao treinar redes neurais com informações detalhadas sobre o processo de fabricação da poliamida, é possível desenvolver modelos preditivos capazes de antecipar possíveis falhas, minimizando a ocorrência de produtos fora das especificações. Essa abordagem proativa poderia contribuir significativamente para a redução das ocorrências de reprocessamento, otimizando a eficiência do processo e melhorando a qualidade dos produtos finais de poliamida. Incorporar tecnologias de inteligência artificial como as redes neurais artificiais, portanto, emerge como uma necessidade vital para impulsionar a indústria de fabricação de poliamida rumo a práticas mais eficientes e de menor desperdício.
Conforme discutido anteriormente, a ferramenta selecionada se mostrou viável a abordagem pretendida na presente pesquisa.
REFERÊNCIAS
ABIT- Associação Brasileira da Indústria Têxtil e de Confecção. Perfil do Setor 2022. Disponível em: https://www.abit.org.br/cont/perfil-do-setor. Acesso em: 12 set. 2023.
ABIT- Associação Brasileira da Indústria Têxtil e de Confecção. Indústria têxtil brasileira. 2018. Disponível em: https://www.abit.org.br/. Acesso em: 12 set. 2023.
ADANUR, Sabit. Handbook of industrial textiles. Lancaster: Wellington Sears Company, 2017. 839 p.
BAHLMANN, Claus; HEIDEMANN, Gunther; RITTER, Helge. Artificial neural networks for automated quality control of textile seams. Pattern Recognition, [S.L.], v. 32, n. 6, p. 1049-1060, jun. 1999. Elsevier BV. http://dx.doi.org/10.1016/s0031-3203(98)00128-9.
BARANI, Hossein; MONTAZER, Majid. A Review on Applications of Liposomes in Textile Processing. Journal Of Liposome Research, [S.L.], v. 18, n. 3, p. 249-262, jan. 2008. Informa UK Limited. http://dx.doi.org/10.1080/08982100802354665.
BEALE, R; JACKSON, T. Neural Computing – An Introduction. Eua: Crc Press,1990. 256 p.
BROADBENT, Arthur D. Basic Principles of Textile Coloration. West Yorkshire: Society Of Dyers And Colourists, 2011. 579 p.
CHATTOPADHYAY, R.; GUHA, A. ARTIFICIAL NEURAL NETWORKS: applications to textiles. Textile Progress, [S.L.], v. 35, n. 1, p. 1-46, mar. 2004. Informa UK Limited. http://dx.doi.org/10.1080/00405160408688961.
CHEN, Chun-Liang. Value Creation by SMEs Participating in Global Value Chains under Industry 4.0 Trend: case study of textile industry in taiwan. Journal Of Global Information Technology Management, [S.L.], v. 22, n. 2, p. 120-145, 3 abr. 2019. Informa UK Limited. http://dx.doi.org/10.1080/1097198x.2019.1603512.
DORAN, Enver Can; SAHIN, Cenk. The prediction of quality characteristics of cotton/elastane core yarn using artificial neural networks and support vector machines. Textile Research Journal, [S.L.], v. 90, n. 13-14, p. 1558-1580, 27 dez. 2019. SAGE Publications. http://dx.doi.org/10.1177/0040517519896761.
DUARTE, Adriana Yumi Sato. Proposta de integração entre ferramentas de avaliação de ciclo de vida do produto e Indústria 4.0 (Industrie 4.0): estudo de caso da indústria têxtil e de confecção brasileira. 2017. 125 f. Tese (Doutorado) – Curso de Engenharia Mecänica, Centro Tecnológico, Universidade Estadual de Campinas, Campinas, 2017.
FALANI, Leila Araújo; AGUIAR, Catia Rosana Lange de; FORNO, Ana Julia dal. Mapeamento da literatura sobre as tecnologias da indústria 4.0 no segmento têxtil brasileiro. Brazilian Journal Of Development, [S.L.], v. 6, n. 7, p. 42437-42452, 2020. Brazilian Journal of Development. http://dx.doi.org/10.34117/bjdv6n7-019.
FINOCCHIO, M. A. F. Noções de redes neurais artificiais, Universidade Tecnológica Federal do Paraná, 2014.
FUJITA, Renata Mayumi Lopes; JORENTE, Maria José. A indústria têxtil no Brasil: uma perspectiva histórica e cultural. Modapalavra E-Periódico, [S.L.], v. 8, n. 15, p. 153-174, 1 jan. 2015. Universidade do Estado de Santa Catarina. http://dx.doi.org/10.5965/1982615×08152015153.
GONDIM, Mauricio Lopes. Estudos comparativo do ângulo de contato em tecido de malha de poliamida tratados com plasma. 2016. 68 f. Dissertação (Mestrado) – Curso de Têxtil e Moda, Escola de Artes Ciências e Humanidades, Universidade de São Paulo, São Paulo, 2016.
HASSABIS, Demis; KUMARAN, Dharshan; SUMMERFIELD, Christopher; BOTVINICK, Matthew. Neuroscience-Inspired Artificial Intelligence. Neuron, [S.L.], v. 95, n. 2, p. 245-258, jul. 2017. Elsevier BV. http://dx.doi.org/10.1016/j.neuron.2017.06.011.
HUI, Patrick C.L.; CHAN, Keith C.C.; YEUNG, K.W.; NG, Frency S.F.. Application of artificial neural networks to the prediction of sewing performance of fabrics. International Journal Of Clothing Science And Technology, [S.L.], v. 19, n. 5, p. 291-318, 9 out. 2007. Emerald. http://dx.doi.org/10.1108/09556220710819500.
IEMI- Instituto de Estudos e Marketing. O Panorama Setorial da Indústria Têxtil Brasileira. 2022. IEMI. Disponível em: https://www.iemi.com.br/brasil-textil-2022/. Acesso em: 26 out. 2023.
JEYARAJ, Pandia Rajan; NADAR, Edward Rajan Samuel. Effective textile quality processing and an accurate inspection system using the advanced deep learning technique. Textile Research Journal, [S.L.], v. 90, n. 9-10, p. 971-980, 23 out. 2019. SAGE Publications. http://dx.doi.org/10.1177/0040517519884124.
JOSHI, Manasi; NERURKAR, Madhura; BADHE, Pallavi; ADIVAREKAR, Ravindra. Scouring of cotton using marine pectinase. Journal Of Molecular Catalysis B: Enzymatic, [S.L.], v. 98, p. 106-113. Elsevier BV. http://dx.doi.org/10.1016/j.molcatb.2013.10.010.
KANT, Rita. Textile dyeing industry an environmental hazard. Natural Science, [S.L.], v. 04, n. 01, p. 22-26, 2012. Scientific Research Publishing, Inc.. http://dx.doi.org/10.4236/ns.2012.41004.
KU, Chien-Chun; CHIEN, Chen-Fu; MA, Kang-Ting. Digital transformation to empower smart production for Industry 3.5 and an empirical study for textile dyeing. Computers & Industrial Engineering, [S.L.], v. 142, p. 106297, abr. 2020. Elsevier BV. http://dx.doi.org/10.1016/j.cie.2020.106297.
KUMAR, Harsh; KAUR, Gagandeep; PRIYA. Influence of tetra ethyl ammonium bromide (C2H5)4NBr on the aggregation behavior of surface active ionic liquid 1-tetradecyl-3-methylimidazolium bromide [C14mim][Br]. Journal Of Molecular Liquids, [S.L.], v. 313, p. 113431, set. 2020. Elsevier BV. http://dx.doi.org/10.1016/j.molliq.2020.113431.
LI, Wenxia; WEI, Zihan; LIU, Zhengdong; DU, Yujun; ZHENG, Jiahui; WANG, Huaping; ZHANG, Shuo. Qualitative identification of waste textiles based on near-infrared spectroscopy and the back propagation artificial neural network. Textile Research Journal, [S.L.], v. 91, n. 21-22, p. 2459-2467, 9 abr. 2021. SAGE Publications. http://dx.doi.org/10.1177/00405175211007516.
LIU, Jun; CHANG, Huihong; FORREST, Jeffrey Yi-Lin; YANG, Baohua. Influence of artificial intelligence on technological innovation: evidence from the panel data of china’s manufacturing sectors. Technological Forecasting And Social Change, [S.L.], v. 158, p. 120142, set. 2020. Elsevier BV. http://dx.doi.org/10.1016/j.techfore.2020.120142.
MADHU, Amit; CHAKRABORTY, J.N.. Developments in application of enzymes for textile processing. Journal Of Cleaner Production, [S.L.], v. 145, p. 114-133, mar. 2017. Elsevier BV. http://dx.doi.org/10.1016/j.jclepro.2017.01.013.
MALUF, E.; KOLBE, W. Dados Técnicos para a Indústria Têxtil. 2.ed. São Paulo: IPT – Instituto de Pesquisas Tecnológicas do Estado de São Paulo: ABIT – Associação Brasileira da Indústria Têxtil e de Confecção, 2003.
MATHIS, Michael R.; KHETERPAL, Sachin; NAJARIAN, Kayvan. Artificial Intelligence for Anesthesia: what the practicing clinician needs to know. Anesthesiology, [S.L.], v. 129, n. 4, p. 619-622, 1 out. 2018. Ovid Technologies (Wolters Kluwer Health). http://dx.doi.org/10.1097/aln.0000000000002384.
PIMENTEL, Renê Coppe; LIMA, Iran Siqueira. Relação trimestral de longo prazo entre indicadores de liquidez e de rentabilidade: evidência de empresas do setor têxtil. Revista de Administração, [S.L.], v. 46, n. 3, p. 275-289, 14 set. 2011. Business Department, School of Economics, Business & Accounting USP. http://dx.doi.org/10.5700/rausp1012.
RAMESH, An; KAMBHAMPATI, C; MONSON, Jrt; DREW, Pj. Artificial intelligence in medicine. Annals of The Royal College Of Surgeons Of England, [S.L.], v. 86, n. 5, p. 334-338, 1 set. 2004. Royal College of Surgeons of England. http://dx.doi.org/10.1308/147870804290.
RUSCHIONI, P. B.; ALFIERI, P.; Estudo da influência da temperatura de termofixação 76 nas propriedades físicas de malhas de poliamida 6.6. Química Têxtil n º 99. São Paulo. Junho, 2010. Pg. 52-61.
SALEM, Vidal. Tingimento têxtil: fibras, conceitos e tecnologias. São Paulo: Edgard Blucher, 2010. 297 p.
SALEM, Vidal; DE MARCHI, Alessandro; MENEZES, Felipe Gonçalves de. O beneficiamento têxtil na prática. 1. ed. São Paulo: Golden Química do Brasil, 2005.
SAMSAMI, Shakiba; MOHAMADIZANIANI, Maryam; SARRAFZADEH, Mohammad-Hossein; RENE, Eldon R.; FIROOZBAHR, Meysam. Recent advances in the treatment of dye-containing wastewater from textile industries: overview and perspectives. Process Safety And Environmental Protection, [S.L.], v. 143, p. 138-163, nov. 2020. Elsevier BV. http://dx.doi.org/10.1016/j.psep.2020.05.034.
SAMSAMI, Shakiba; MOHAMADIZANIANI, Maryam; SARRAFZADEH, Mohammad-Hossein; RENE, Eldon R.; FIROOZBAHR, Meysam. Recent advances in the treatment of dye-containing wastewater from textile industries: overview and perspectives. Process Safety And Environmental Protection, [S.L.], v. 143, p. 138-163, nov. 2020. Elsevier BV. http://dx.doi.org/10.1016/j.psep.2020.05.034.
SANDIN, Gustav; PETERS, Greg M.. Environmental impact of textile reuse and recycling – A review. Journal Of Cleaner Production, [S.L.], v. 184, p. 353-365, maio 2018. Elsevier BV. http://dx.doi.org/10.1016/j.jclepro.2018.02.266.
SCHWARZ, Ivana; KOVAčEVIć, Stana. Textile Application: from need to imagination. Textiles For Advanced Applications, [S.L.], v. 1, n. 5, p. 312-325, 20 set. 2017. InTech. http://dx.doi.org/10.5772/intechopen.68376.
SIKKA, Monica Puri; SARKAR, Alok; GARG, Samridhi. Artificial intelligence (AI) in textile industry operational modernization. Research Journal Of Textile And Apparel, [S.L.], p. 258-268, 12 abr. 2022. Emerald. http://dx.doi.org/10.1108/rjta-04-2021-0046.
SMIRNOV, Evgeny A.; TIMOSHENKO, Denis M.; ANDRIANOV, Serge N.. Comparison of Regularization Methods for ImageNet Classification with Deep Convolutional Neural Networks. Aasri Procedia, [S.L.], v. 6, p. 89-94, 2014. Elsevier BV. http://dx.doi.org/10.1016/j.aasri.2014.05.013.
SU, Kuan-Hua; LIN, Jia-Horng; LIN, Chih-Ching. Influence of reprocessing on the mechanical properties and structure of polyamide 6. Journal Of Materials Processing Technology, [S.L.], v. 192-193, p. 532-538, out. 2007. Elsevier BV. http://dx.doi.org/10.1016/j.jmatprotec.2007.04.056.
UDDIN, Faheem. Environmental hazard in textile dyeing wastewater from local textile industry. Cellulose, [S.L.], v. 28, n. 17, p. 10715-10739, 2 out. 2021. Springer Science and Business Media LLC. http://dx.doi.org/10.1007/s10570-021-04228-4.
VIBHAV Tiwari, SAMAR Garg, SAMARTH Bhat Y, SANCHIT Kumar, MANIKANDAN J, P MATHIAZHAGAN, Prakash Bhat, M. Tamilselvan, S. Periyasamy, “Design of a Real-Time Warp and Weft Measurement System for Fabric Analysis in Textile Testing Using Machine Learning”, 2023 International Conference on Network, Multimedia and Information Technology (NMITCON), p.1-7, 2023.
VIGO, Tyrone L. Textile processing and properties: preparation, dyeing, finishing and performance. 3. ed. Amsterdam: Elsevier Science B.V., 2002. 486 p.
ZHANG, Jianlei; HE, Lin; CHENG, Longdi. Is China’s Textile Industry Still a Labour-Intensive Industry? Fibres And Textiles In Eastern Europe, [S.L.], v. 29, n. 1145, p. 13-16, 28 fev. 2021. Walter de Gruyter GmbH. http://dx.doi.org/10.5604/01.3001.0014.5038.
1Graduada em Engenharia Química pela Fundação Universidade Regional de Blumenau – FURB (2010), Especialização em Engenharia de Produção pela Fundação Universidade Regional de Blumenau – FURB (2013) e mestranda em Engenharia Têxtil pela Universidade Federal de Santa Catarina.
Lattes: http://lattes.cnpq.br/0002595009066945
francis.dalponte@gmail.com
2Graduado em Engenharia Química pela Universidade Federal de Santa Catarina (1993), mestrado em Engenharia Química -Universidade Federal de Santa Catarina (1996) e doutorado em Engenharia Química pela Universidade Federal do Rio de Janeiro (2000). Pós-doutoramento industrial (2008-2010) na empresa Termotécnica Ltda . Pós-doutoramento na Universidade de Bayreuth – Alemanha (2016-2017) pelo Programa CAPES de Estágio Sênior no Exterior
Lattes: http://lattes.cnpq.br/0408209083350066
ricardo.machado@ufsc.br
3Graduada em Engenharia Química pela Fundação Universidade Regional de Blumenau (1998), mestrado (2000), doutorado (2005) e pós-doutorado (2007) em Engenharia Química pela Universidade Federal de Santa Catarina (UFSC)
Lattes: http://lattes.cnpq.br/3635253735997010
cintia.marangoni@ufsc.br