A solução proposta para minimizar o consumo de combustível e melhorar a navegabilidade dos empurradores foi baseada no histórico de informações coletadas por cada empurrador durante os últimos anos via sensores embarcados. O modelo construído considera diversos sensores coletados pelo sistema embarcado nos empurradores, como por exemplo velocidade da água por trecho do rio, velocidade do vento, rotação do motor, velocidade do empurrador, juntamente com outras informações significativas como a carga de cada comboio a ser transportado.
Baseado nos dados disponibilizados, implementamos um processo de Machine Learning que é capaz de considerar todos os fatores da navegação citados e propor, a cada 5 minutos, qual a melhor configuração dos motores para o trecho do rio (baseado na latitude e longitude do empurrador). O resultado do processo é exibido em tempo real dentro da cabine do Capitão, apoiando na tomada de decisão.
O processo de Machine Learning e toda a estrutura de dados está hospedado em servidores da Amazon, permitindo escalabilidade, melhoria na performance e disponibilidade dos serviços que acontecem diariamente.
Com base na aplicação desenvolvida, o Capitão e o time de operações podem compreender melhor os fatores determinantes no consumo do combustível, permitindo uma navegação inteligente e com mais eficiência.