Ferreira, Camila Di Rienzo2024-10-262024-10-262024https://dspace.unila.edu.br/handle/123456789/8579Trabalho de Conclusão de Curso apresentado ao Instituto Latino-Americano de Tecnologia, Infraestrutura e Território da Universidade Federal da Integração Latino- Americana, como requisito parcial à obtenção do título de Bacharel em Engenharia Química.A indústria têxtil no Brasil tem mais de 200 anos de história e é considerada a maior cadeia têxtil completa do Ocidente, com um volume de produção de 2,1 milhões de toneladas em 2022. Possui autossuficiência na produção de algodão e uma cadeia produtiva integrada. Este estudo destaca a importância do controle de qualidade nesse setor, que atualmente possui métodos tradicionais que muitas vezes resulta em custos elevados e baixa eficiência. Neste trabalho foram desenvolvidos, modelos para prever a porcentagem de defeitos em tecidos, utilizando técnicas de ciência de dados e aprendizado de máquina, baseando-se na metodologia CRISP-DM. A pesquisa começou identificando outliers nos dados de tingimento, essa prática é essencial para manter a integridade das análises estatísticas e dos modelos preditivos. Os modelos desenvolvidos precisaram passar por ajustes de hiperparâmetros e técnicas de pré-processamento, como codificação de variáveis categóricas e normalização de dados. Três modelos com algoritmo de floresta aleatória foram desenvolvidos e comparados: o Modelo 1, o Modelo 2 (com normalização de dados) e o Modelo 3 (com exclusão das variáveis de tipos de defeitos e normalização dos dados). Os resultados revelaram que o Modelo 1 obteve o melhor desempenho, apresentando o valor de 0,75 para a métrica de avaliação MAPE e o valor de 0,8462 para R². A exclusão das variáveis relacionadas aos tipos de defeitos no Modelo 3 resultou em uma queda significativa na capacidade preditiva, isso se comprovou pelo valor de R² de -0,13 e MAPE de 8,72. Em síntese, o estudo contribuiu para o avanço do conhecimento no campo da previsão de defeitos têxteis, evidenciando a importância da análise de dados e aprendizado de máquina para o desenvolvimento de modelos preditivos na indústria têxtil brasileira. As descobertas sugerem oportunidades para melhorias nas práticas industriais relacionadas à qualidade e produção têxtil, e abrem caminho para pesquisas futuras nesse campo.viopenAccessindústria têxtiltingimentoCRISP-DMfloresta aleatória.