ISEP - DM - Engenharia e Gestão Industrial
Permanent URI for this collection
Browse
Browsing ISEP - DM - Engenharia e Gestão Industrial by Sustainable Development Goals (SDG) "09:Indústria, Inovação e Infraestruturas"
Now showing 1 - 5 of 5
Results Per Page
Sort Options
- Desenvolvimento de um algoritmo greedy randomized adaptive search procedure para a programação de máquinas paralelas dedicadas com setups e recursos adicionais e datas de entregaPublication . Gonçalves, Nuno Diogo; Lopes, Manuel Joaquim PereiraA INPLAS, empresa pertencente à divisão de Plásticos do Grupo Simoldes e especializada na injeção de componentes termoplásticos, identificou a necessidade de aprimorar o Sistema Inteligente de Apoio à Decisão (SIAD) utilizado pelo seu Departamento de Planeamento de Produção para dar resposta ao problema de programação de máquinas paralelas dedicadas com múltiplas alternativas, setups e recursos adicionais e datas de entrega. Com esse objetivo, desenvolveu-se um novo SIAD que incorpora a consideração de máquinas alternativas e a aplicação de uma metaheurística Greedy Randomized Adaptive Search Procedure (GRASP), visando aumentar a flexibilidade e a eficiência do planeamento e responder melhor às necessidades de produção. O processo de planeamento foi inicialmente estudado em profundidade, abrangendo tanto as etapas a montante quanto as etapas a jusante, com o objetivo de identificar as variáveis-chave, os inputs e os outputs essenciais para a resolução deste problema. Neste contexto, foram analisadas minuciosamente as características e restrições do processo, especialmente aquelas associadas às limitações do sistema de produção. Com uma compreensão detalhada do problema em mãos, identificaram-se potenciais oportunidades de melhoria que poderiam aumentar tanto a adaptabilidade do sistema ao ambiente de produção da INPLAS quanto a eficácia dos resultados obtidos pelo SIAD. Assim, decidiu-se que a melhoria a implementar, com o intuito de potencializar o desempenho do SIAD, seria a inclusão de máquinas alternativas no sistema, enquanto a resolução do problema de escalonamento seria abordada com a aplicação de uma metaheurística GRASP. Considerando a complexidade do problema de escalonamento em máquinas paralelas dedicadas com múltiplas alternativas, setups e recursos adicionais, classificado como NP-Hard, este trabalho desenvolve uma metaheurística GRASP adaptada, fundamentada nas melhores práticas recomendadas na literatura. A abordagem proposta oferece cinco contribuições específicas. Em primeiro lugar, adapta os modelos de referência ao introduzir uma separação inovadora entre os processos de alocação e sequenciação, permitindo que estas etapas sejam tratadas de forma independente, o que é raro em abordagens tradicionais. Em segundo lugar, integra datas de entrega comuns, o que exige a introdução de uma variável de atraso para cada trabalho e de uma função multiobjetivo, com foco na minimização do número de trabalhos em atraso, assegurando o cumprimento dos prazos estabelecidos. Adicionalmente, a metaheurística GRASP foi adaptada para um sistema de produção contínua, em que os trabalhos inacabados do dia anterior são sequenciados na primeira posição do dia seguinte, refletindo de forma mais realista o ambiente produtivo. Por fim, ajustou-se uma heurística construtiva original, que utiliza um coeficiente exclusivo para classificar as posições de inserção dos trabalhos nas soluções parciais, visando não apenas a minimização dos atrasos, mas também a redução do número de setups e do makespan total. Os resultados obtidos demonstram a eficácia da metaheurística GRASP no apoio ao Sistema Inteligente de Apoio à Decisão (SIAD), com uma taxa média de cumprimento de prazos de 96,9% ao escalonar 396 dos 409 trabalhos planeados dentro do prazo. Nas cinco melhores instâncias, a taxa de cumprimento atinge 98%, evidenciando a robustez do GRASP em minimizar atrasos. A alocação inicial assegura a inclusão de 98,6% dos trabalhos solicitados, o que reflete uma elevada capacidade de resposta às necessidades dos clientes. Em termos computacionais, o tempo médio de processamento é de 22 minutos por instância, confirmando a viabilidade do SIAD para aplicações em ambientes de produção real. À data de conclusão do projeto, o SIAD está pronto para ser integrado na interface do sistema atual. Inicialmente, será implementado no sistema de produção da INPLAS, com a possibilidade de, após adaptações mínimas, ser expandido para outras fábricas do Grupo Simoldes.
- Desenvolvimento de um modelo de gestão de inventários para cadeias de abastecimento em ciclo fechadoPublication . SEQUEIRA, LUÍSA MESQUITA; Pereira, Maria Teresa RibeiroA crescente consciencialização dos consumidores sobre práticas ambientalmente responsáveis, juntamente com regulações impostas pelos governos, tem incentivado as empresas a incorporarem desenvolvimento sustentável na generalidade dos seus processos e operações. Consequentemente, sistemas como cadeias de abastecimento em ciclo fechado são de elevada relevância, uma vez que diminuem os recursos necessários, através da reincorporação de produtos no sistema após a venda. Contudo, estas cadeias de abastecimento apresentam desafios e dificuldades acrescidas, nomeadamente a nível de gestão de inventários. Neste contexto, a presente dissertação teve como objetivo desenvolver um modelo de gestão de inventários adaptado a cadeias de abastecimento em ciclo fechado, aplicável ao contexto real de uma empresa portuguesa da indústria de gás de petróleo liquefeito. Para atender ao desafio, foram, primeiramente, desenvolvidas previsões relativas a cinco variáveis-chave: Vendas, Retornos, Enchimentos, Recondicionamentos e Abates, tendo sido utilizados os dados reais da empresa. Na fase preditiva, foram comparados dois modelos aplicáveis a séries temporais: Prophet e Theta. O modelo Prophet apresentou melhor desempenho na previsão dos Retornos, Enchimentos e Vendas, com erro percentual médio absoluto de 8,92%, 8,83% e 10,81%, respetivamente. Para a previsão dos Recondicionamentos e Abates o método Theta revelou maior precisão, com erros de 15,79% e 23,28%, respetivamente. As previsões obtidas alimentaram o modelo de otimização, cuja função objetivo pretendia minimizar os custos totais, compostos pelos custos económicos e ambientais, através da incorporação da métrica Cap-and-Trade. A aplicação do modelo resultou numa redução de 27,17% nos custos totais, de 24,8% nos custos económicos e de 29,25% nas emissões de CO₂, face ao cenário inicial da empresa. Os resultados demonstram a aplicabilidade do modelo formulado, evidenciando o potencial de aplicação a outros contextos industriais, contribuindo para cadeias logísticas mais eficientes e ambientalmente responsáveis.
- Desenvolvimento e implementação de uma aplicação power apps para a gestão eficiente do laboratório de metrologiaPublication . AMARAL, DIANA ISABEL SOARES; Cardoso, Mónica Glória; Sousa, Bruno Eduardo Ferraz deEste projeto visa a digitalização e melhoria do processo de requisição de serviços num laboratório de metrologia, até então caracterizado por uma gestão informal, descentralizada e pouco padronizada. Esta realidade originava falhas significativas ao nível da rastreabilidade dos pedidos, da previsibilidade dos prazos de execução e da eficiência na alocação de recursos. Face a este contexto, foi desenvolvida uma aplicação em Microsoft Power Apps®, cuja escolha se justificou pela rapidez de desenvolvimento, integração nativa com ferramentas amplamente utilizadas na organização (SharePoint, Planner, Teams) e pela possibilidade de criação de soluções por utilizadores sem conhecimentos avançados de programação. A metodologia de investigação-ação permitiu o envolvimento direto dos utilizadores em todas as fases do projeto: levantamento de requisitos, modelação dos processos e validação da solução. A aplicação concebida permite a submissão normalizada dos pedidos, o cálculo automático do tempo estimado com base em critérios técnicos objetivos e o acompanhamento em tempo real do estado de cada requisição. A digitalização do processo resultou em melhorias claras na padronização, rastreabilidade e fiabilidade da informação, proporcionando uma gestão mais eficaz da carga de trabalho e um planeamento mais rigoroso. O projeto evidencia o potencial das plataformas Low-Code na transformação digital de contextos técnicos especializados.
- Modelação preditiva baseada em algoritmos de ia para previsão de vendas no retalhoPublication . SILVA, PEDRO ALEXANDRE LOPES; Ferreira, Carlos Manuel Abreu GomesO lançamento de artigos sem histórico de vendas aumenta o risco operacional no retalho. Esta investigação propõe uma estrutura preditiva que estima a procura inicial de novos produtos a partir de 3 278 907 transações reais (2022-2024) cobrindo 14 422 SKUs, 120 lojas e dois segmentos de cliente. Seguindo o ciclo CRISP-DM, procedeu-se à limpeza dos dados, análise exploratória e engenharia de variáveis, antes de comparar quatro algoritmos — XGBoost, LightGBM, LSTM e Transformer — em cenários global e por família de produtos, avaliados com MAE, RMSE, MAPE e R². Os resultados revelam dois patamares distintos: os modelos de árvores de gradiente (XGBoost ≈ LightGBM) registam erros médios substancialmente menores e R² positivos, ao passo que as redes neuronais sequenciais (LSTM, Transformer) apresentam elevada variabilidade e R² negativos em várias famílias. O XGBoost treinado globalmente demonstra o menor RMSE ponderado e o melhor equilíbrio viés-variância, sendo recomendado como motor de previsão único para toda a gama de artigos. Esta solução simplifica a operação, mantém precisão elevada e foi integrada num protótipo de dashboard web para validação em contexto real. Conclui-se que um modelo único, alimentado pela diversidade de SKUs e lojas, generaliza padrões de procura com eficácia, oferecendo uma ferramenta prática para apoiar decisões ao nível do portefólio e de planeamento comercial e operacional.
- Sistema de seleção e autoparametrização de meta-heurísticas com Machine LearningPublication . SILVA, ANA BEATRIZ DA COSTA; Pereira, Ivo André SoaresO escalonamento de produção apresenta como objetivo principal a definição de um plano que atinja as metas de produção, garantindo que todas as restrições sejam cumpridas e otimizadas. Consiste num processo que desempenha um papel fundamental nas empresas, identificandose como um fator que influencia a eficiência operacional e qualidades das organizações. A resolução de problemas de escalonamento é uma tarefa complexa e necessita da implementação de metodologias adequadas. A principal motivação deste trabalho surgiu da necessidade de oferecer uma contribuição para a resolução de problemas de escalonamento. As Meta-heurísticas, caraterizadas pela sua fácil implementação, podem ser utilizadas para a resolução de problemas de escalonamento. No entanto, a sua aplicação apresenta desafios, principalmente na escolha da técnica mais adequada para a resolução de um determinado problema. Além disso, as Meta-heurísticas possuem parâmetros que necessitam de ser definidos de forma adequada. As Meta-heurísticas e a Machine Learning são frequentemente combinadas com o intuito de diminuir as suas desvantagens, melhor as suas capacidades e, com isso, melhorar o desempenho do sistema de produção. As abordagens de Machine Learning podem ser integradas com o intuito de auxiliar na seleção e parametrização das Meta-heurísticas. Neste contexto, surge a necessidade de desenvolver um sistema de seleção e autoparametrização de Meta-heurísticas que utiliza Machine Learning para otimizar o escalonamento de tarefas em ambientes de produção. Este sistema abrange unicamente problemas de escalonamento do tipo Job-Shop e a parametrização das Meta-heurísticas é realizada de forma offline. O módulo considera apenas técnicas de aprendizagem supervisionada de Machine Learning. O sistema proposto foi estruturado em dois modelos preditivos: o primeiro destina-se à seleção da Meta-heurística mais adequada para um problema de escalonamento; o segundo é responsável pela afinação dos parâmetros da Meta-heurística selecionada. Os dois modelos preditivos foram avaliados com recurso a indicadores de desempenho adequados, permitindo a realização de uma análise detalhada da eficácia da integração das técnicas de Machine Learning.