Publicação
Smart Kiln Drying: Leveraging Al for Precision in Moisture Management
| dc.contributor.advisor | Duarte, Rui Pedro Monteiro Amaro | |
| dc.contributor.author | Ramos, José Afonso de Almeida | |
| dc.date.accessioned | 2026-06-30T08:50:17Z | |
| dc.date.available | 2026-06-30T08:50:17Z | |
| dc.date.issued | 2026-04-27 | |
| dc.description.abstract | This research studies the application of data-driven Machine Learning (ML) techniques to the modeling and analysis of an industrial wood drying process. Effective management of Moisture Content (MC) plays an essential role in the wood processing industry to ensure that product quality and operational efficiency is achieved. However, direct MC measurements in industrial drying systems are often sparse and sometimes inconsistently recorded or subject to uncertainty which limits their direct use. To address these limitations, temperature was adopted as a proxy variable for the drying state, leveraging its strong physical relationship with MC removal and its reliable, high-frequency availability in industrial environments. Using historical operational data from a traditional industrial drying system, a structured modeling framework is developed and evaluated offline. Two machine learning approaches are implemented and compared: a feedforward Artificial Neural Networks (ANN) and a Long Short-Term Memory (LSTM) network. The ANN model represents a static nonlinear regression approach based on instantaneous process snapshots, while the LSTM model explicitly captures temporal dependencies through sequential input representations. Both models are evaluated using chronologically split datasets to assess their generalization capability under realistic industrial conditions. In addition to predictive modeling, an offline control recommendation framework is introduced to explore how the predictive models respond to variations in control lable process variables. This framework enables the comparative analysis of model sensitivity, stability, control effort, and recommendation consistency without deploying a real-time or closed-loop control system. The results demonstrate that while ANN-based models can generate larger instantaneous corrective responses, their behavior is more variable and less stable in control-oriented scenarios. In contrast, LSTM-based models exhibit improved generalization and more consistent, conservative behavior due to their ability to incorporate process history. These findings highlight the importance of temporal modeling for advisory and decision support applications in industrial wood drying processes. | eng |
| dc.description.abstract | Esta investigação estuda a aplicação de técnicas de ML orientadas por dados à modelação de um processo industrial de secagem de madeira. A gestão eficaz do MC é essencial para garantir qualidade do produto e eficiência operacional. No entanto, as medições diretas de MC em sistemas industriais são frequentemente escassas ou inconsistentes, limitando a sua utilização direta em modelos de elevada resolução temporal. Para ultrapassar estas limitações, a temperatura foi adotada como variável proxy do estado de secagem, explorando a sua relação física com a remoção de MC e a sua elevada disponibilidade industrial. Com base em dados históricos de operação, foi desenvolvido e avaliado offline um enquadramento estruturado de modelação. Foram implementadas duas abordagens: uma ANN feedforward e uma rede LSTM. A ANN representa uma regressão não linear estática baseada em instantâneos do processo, enquanto a LSTM capta dependências temporais através de entradas sequenciais. Ambos os modelos foram avaliados com divisão cronológica dos dados para analisar a sua capacidade de generalização em condições industriais realistas. Foi ainda introduzido um enquadramento offline de recomendações de controlo para analisar a resposta dos modelos a variações nas variáveis controláveis. Este enquadramento permite comparar sensibilidade, estabilidade e esforço de controlo, sem implementação em tempo real. Os resultados mostram que, embora a ANN produza correções de maior magnitude, apresenta comportamento mais variável. A LSTM demonstra melhor generalização e maior consistência, evidenciando a relevância da modelação temporal em aplicações de apoio à decisão na secagem industrial de madeira. | por |
| dc.identifier.tid | 204318351 | |
| dc.identifier.uri | http://hdl.handle.net/10400.19/10049 | |
| dc.language.iso | eng | |
| dc.rights.uri | http://creativecommons.org/licenses/by/4.0/ | |
| dc.subject | Machine Learning | |
| dc.subject | Wood Drying | |
| dc.subject | Artificial Neural Networks | |
| dc.subject | LongShort-Term Memory | |
| dc.subject | Industrial Processes | |
| dc.subject | Temperature Modeling | |
| dc.subject | Moisture Content | |
| dc.subject | Secagem de Madeira | |
| dc.subject | Machine Learning | |
| dc.subject | Redes Neuronais | |
| dc.subject | Memórias de Curto-Longo Prazo | |
| dc.subject | Processos industriáis | |
| dc.subject | Modelagem de Temperatura | |
| dc.subject | Humidade | |
| dc.title | Smart Kiln Drying: Leveraging Al for Precision in Moisture Management | |
| dc.type | master thesis | |
| dspace.entity.type | Publication | |
| thesis.degree.name | Mestrado em Engenharia Informática - Sistemas de Informação |
Ficheiros
Principais
1 - 1 de 1
Miniatura indisponível
- Nome:
- José Afonso Almeida Ramos - Trabalho de Projeto - MEISI.pdf
- Tamanho:
- 1.94 MB
- Formato:
- Adobe Portable Document Format
Licença
1 - 1 de 1
Miniatura indisponível
- Nome:
- license.txt
- Tamanho:
- 1.79 KB
- Formato:
- Item-specific license agreed upon to submission
- Descrição: