ISEP - DM - Engenharia e Gestão Industrial
Permanent URI for this collection
Browse
Recent Submissions
- Data management, com recurso à IA, para otimizar a recolha e tratamento de dados de um laboratório de pinturaPublication . TAVARES, MIGUEL GUEDES; Pereira, Maria Teresa Ribeiro; Pereira, Marisa João GuerraA presente dissertação tem como objetivo a otimização da recolha e do tratamento de dados de um laboratório de pintura automóvel da Toyota, através da implementação de ferramentas de digitalização, recorrendo também a técnicas de Inteligência Artificial (IA) para análise de dados. Partindo da análise do processo de recolha de dados, foram desenvolvidas novas bases de dados e uma aplicação digital, com vista a superar as limitações decorrentes do registo manual e da dispersão da informação. Para além disto, foi realizada uma análise exploratória dos dados, aplicando modelos de Machine Learning (ML), de modo a verificar o potencial preditivo e causal dos parâmetros existentes para o apoio à decisão. A digitalização é cada vez mais um ponto fundamental para a sobrevivência e aumento da competitividade das organizações, sendo justificado através da revisão da literatura, visto que estudos similares confirmam a relevância do uso de IA e digitalização em contextos industriais. No que toca à vertente prática, os resultados demonstram que a implementação de uma ferramenta digital melhora significativamente um processo de recolha de dados, reduzindo um máximo de cerca de 34% do tempo despendido para transcrição de documentos físicos para Excel. Também foi verificado um aumento da segurança, flexibilidade e coerência dos dados, eliminando 100% dos erros. Quanto aos resultados dos modelos desenvolvidos, para uma análise causal, os modelos de regressão linear apresentaram melhor desempenho, atingindo valores de 𝑅2 de 0.954 e 0.900 nos dois datasets utilizados para análise, o que não justifica, atualmente, o aumento da complexidade. Isto também permitiu perceber que, para o processo de pintura por eletrodeposição, o teor de sólidos do ultrafiltrado I e variáveis de pH aplicam influência sobre o número de defeitos. Contudo, os modelos de previsão, com erros absolutos médios percentuais entre 10% e 20%, demonstram que, para aplicação industrial, os parâmetros recolhidos pelo laboratório não conseguem explicar a variabilidade na sua totalidade. Análises mais detalhadas reforçam que não foi a arquitetura dos modelos que limitou o desempenho, mas sim o facto da inexistência de informação sobre todas as etapas do processo. Assim, o trabalho contribui para a modernização do laboratório e constitui um ponto de partida para futuras investigações orientadas para a automação total da recolha de dados e para a possível implementação de sistemas de IA como suporte à decisão.
- Inteligência artificial aplicada na previsão de mercados de açõesPublication . CALHEIROS, JOSÉ NUNO ALVES; Ferreira, Carlos Manuel Abreu Gomes; Freitas, Carlos Filipe Araújo deA previsão dos mercados financeiros tem sido historicamente um grande desafio da área de Finanças. Esta dissertação investiga a aplicação de técnicas de Inteligência Artificial, nomeadamente os modelos Support Vector Regression (SVR) e Long Short-Term Memory (LSTM), na previsão dos retornos diários do índice S&P 500. Recorrendo à metodologia CRISP-DM, foram conduzidas experiências que avaliam, por um lado, a eficiência fraca do mercado através de modelos que geram previsões baseados no histórico do próprio índice e, por outro, a eficiência semi-forte com a introdução de variáveis externas selecionadas por correlação. Um aspeto central foi a resolução temporal, onde se exploraram janelas de diferentes granularidades e se construíram ensembles de modelos preditivos com segmentação temporal, permitindo captar padrões sazonais e dependências específicas. Embora os resultados mostrem ganhos apenas marginais na introdução de variáveis externas, confirmando as limitações da hipótese semi-forte, a segmentação temporal revelou-se determinante para melhorar a robustez preditiva. Conclui-se que a análise e modelação da dimensão temporal, aliada a modelos de machine learning, constitui o principal contributo desta dissertação e reforça a importância deste enfoque no estudo da previsão financeira.
- IA na geração de relatórios técnico-científicos de apoio à decisão em farmacologia clínicaPublication . RIBEIRO, JOÃO CARLOS MARQUES; Ferreira, Carlos Manuel Abreu GomesEsta dissertação apresenta uma prova de conceito (PoC) para a aplicação de técnicas de IAG, em particular Large Language Models, na automatização da elaboração de relatórios técnicos no domínio da Farmacologia Clínica (FC). O trabalho tem como motivação apoiar a Unidade de Farmacologia Clínica (UFC) do Hospital de São João, Porto, na produção de relatórios consistentes e cientificamente fundamentados para responder a pedidos clínicos complexos (ex.: implementação de terapêuticas off-label, avaliação do custo-benefício de um fármaco em determinado contexto clínico, utilização de um medicamento em detrimento de outro, entre outros), pedidos estes realizados pela Comissão de Farmácia e Terapêutica (CFT). O sistema proposto integra metodologias como Retrieval-Augmented Generation (RAG), embeddings semânticos e servidores MCP, procurando replicar, com a maior fidelidade possível, os processos seguidos pela UFC. A investigação centrou-se em dois eixos principais: a recuperação de informação a partir de documentos regulamentares médicos, sobretudo, o “Resumo das Características do Medicamento” (RCM) dos fármacos, através de pesquisa semântica baseada em embeddings; e a revisão automatizada de literatura, recorrendo a um servidor MCP (BioMCP) para recuperar e sintetizar evidência relevante do PubMed e de fontes complementares. Diversos modelos de embedding e LLMs foram avaliados de forma sistemática, utilizando datasets especificamente construídos para o caso, gold standards validados por especialistas em farmacologia e métricas clássicas de recuperação de informação (MAP, MRR, NDCG, Recall, Precision, entre outras). Os resultados evidenciam o desempenho superior do text-embedding-ada-002 da OpenAI na ordenação de documentos e do GPT-5 na estabilidade da pesquisa bibliográfica e na geração de relatórios, embora persistam limitações quanto à robustez, adequação clínica e consistência. O protótipo desenvolvido em Streamlit operacionaliza todo o processo, desde a receção estruturada do pedido (título, enquadramento e caso clínico) até à construção modular do relatório. As estratégias de avaliação combinaram análise de cobertura lexical, utilização de LLM-as-a-judge e aplicação de checklists estruturadas. Embora os resultados obtidos pelo sistema demonstrem a viabilidade técnica e o enorme potencial da automação baseada em IA neste processo em específico, os resultados sublinham que ainda são necessárias bastantes melhorias antes de sua adoção numa área científica tão crítica como a farmacologia/biomédica. Trabalhos futuros deverão centrar-se no fine-tuning de modelos específicos para português na área biomédica, na integração de arquiteturas híbridas de recuperação, em pipelines de validação mais robustos, em mecanismos de explicabilidade e na inclusão de especialistas humanos no processo de geração dos relatórios, algo que será crítico em fases posteriores. Em última análise, esta investigação contribui para definir padrões de conceção e metodologias de avaliação da aplicação de IA generativa em contextos médicos de elevada responsabilidade, abrindo caminho para sistemas de apoio à decisão clínica fiáveis e seguros.
- Sistema de apoio à decisão para otimização de contenção de derrames de petróleoPublication . CUNHA, EDUARDO RAFAEL VELOSO; Pereira, Ivo André SoaresOs derrames de petróleo em ambiente marinho constituem uma ameaça significativa para os ecossistemas, a saúde pública e a economia, exigindo respostas rápidas e eficazes. Apesar dos avanços na prevenção, os incidentes continuam a ocorrer, sublinhando a necessidade de ferramentas que apoiem a tomada de decisão. Neste contexto, esta dissertação aborda esta lacuna através do desenvolvimento de um Sistema de Apoio à Decisão (SAD) para otimização da contenção de derrames de petróleo, projetado para integrar a modelação físico química do petróleo, os fatores meteo-oceanográficos e a eficácia de diferentes barreiras de contenção (booms), que são a primeira linha de defesa. O sistema foi construído a partir da extensão do modelo de código aberto OpenDrift, com a criação da classe OpenOilWithBooms, que permite simular a interação entre o óleo derramado e barreiras de contenção, incorporando os modos de falha hidrodinâmicos mais relevantes. Complementarmente, foi desenvolvida uma interface gráfica, que possibilita a parametrização de cenários, a definição de estratégias de posicionamento de barreiras e a análise visual dos resultados. A robustez e a consistência física do modelo foram asseguradas através de um conjunto de testes de verificação e de uma validação qualitativa, que confirmaram que o comportamento do sistema se alinha com os princípios teóricos e as observações empíricas da literatura. A aplicação da ferramenta a um estudo de caso demonstrou o seu potencial para a análise do benefício de diferentes estratégias de resposta, fornecendo aos decisores uma base quantitativa para otimizar a alocação de recursos em cenários de emergência. A abordagem metodológica baseou-se no paradigma Design Science Research (DSR). Tal escolha revelou-se crucial para permitir uma articulação eficaz entre a formulação do problema, a construção do artefacto e a subsequente validação do seu contributo científico e prático. Este trabalho constitui assim um protótipo funcional que demonstra o potencial da simulação operacional como ferramenta de apoio à decisão em cenários de derrame de petróleo. Embora se encontre numa fase inicial, o sistema já oferece uma base quantitativa sólida para a avaliação de estratégias de contenção e para a exploração de cenários realistas pelo que se configura como um ponto de partida robusto para futuros desenvolvimentos. Naturalmente, existem diversas vias para a sua futura expansão, o valor do sistema enquanto alicerce para investigações futuras é reforçado pela possibilidade de se proceder ao refinamento dos modelos físicos, à incorporação de novos métodos de resposta ou à aplicação de técnicas de análise avançadas de inteligência artificial.
- Análise e melhoria de processos de uma indústria de derivados de madeiraPublication . CUNHA, CIDÁLIA CATARINA FERREIRA DA; Ferreira, Luís Carlos Ramos Nunes PintoA presente dissertação aborda a análise e melhoria de processos numa indústria de derivados de madeira, num contexto de implementação de um novo projeto. Através da participação nesse projeto, foi possível verificar em detalhe várias intervenções, nomeadamente, a centralização da criação de códigos de materiais através da função de Master Data, a padronização da receção de encomendas, a automatização de validações no sistema ERP e a melhoria na gestão de armazéns. Adicionalmente, foi implementado um sistema RPA (Robotic Process Automation) para automatizar os desbloqueios técnicos de materiais, contribuindo para uma maior agilidade no fluxo de dados e numa diminuição do tempo de ativação de novos materiais. Estas melhorias foram também analisadas com base em princípios Lean como o 5S, Poka-Yoke e VSM, de forma a compreender como estas abordagens podem apoiar a eficiência operacional e a melhoria contínua. Os resultados obtidos apontam para melhorias significativas ao nível da organização interna e da fiabilidade da informação, assim como uma melhoria nos tempos de resposta e maior fluidez nos processos. A criação de um novo SKU passou de 5 dias úteis para 2 dias, na receção e processamento de encomendas existiu uma redução superior a 70% dos erros manuais, e a automatização de campos obrigatórios permitiu que existisse menos intervenções nos fluxos de encomendas e maior fiabilidade da informação. No geral, este estudo permitiu acompanhar uma transição digital relevante e refletir sobre o impacto da estruturação de processos numa indústria complexa e em constante evolução.
- Estudo e parametrização de uma linha de trituração utilizando algoritmos de Machine LearningPublication . PEREIRA, ANA LÚCIA DIAS; Ferreira, Carlos Manuel Abreu GomesA transformação digital, impulsionada pela Indústria 4.0, tem vindo a criar novas oportunidades para a otimização de processos produtivos através da análise de dados e da aplicação de algoritmos de Machine Learning. Esta dissertação apresenta o estudo e a parametrização de uma linha de trituração de cortiça, recorrendo a dados recolhidos em tempo real pelo sistema Supervisory Control and Data Acquisition (SCADA). O objetivo principal é identificar as variáveis que mais influenciam a produção útil e desenvolver modelos preditivos capazes não só de estimar a produção, mas também de indicar quais variáveis exercem maior impacto nos resultados. A metodologia adotada seguiu a abordagem Cross Industry Standard Process for Data Mining (CRISP-DM) para análise e modelação de dados. Foram aplicados diferentes algoritmos de Machine Learning, incluindo Regressão Linear, Random Forest e eXtreme Gradient Boosting (XGBoost), com afinação de hiperparâmetros e validação cruzada k-fold. Os resultados mostraram que os modelos de ensemble, em particular o eXtreme Gradient Boosting, obtiveram melhor desempenho preditivo nas métricas Erro Absoluto Médi(MAE), Raiz do Erro Quadrático Médio (RMSE) e coeficiente de determinação (R2). Para interpretar o modelo, recorreu-se ao método Shapley Additive Explanations (SHAP), que permitiu identificar a influência global e individual das variáveis mais relevantes. A análise evidenciou variáveis controláveis pelos operadores no processo produtivo com impacto significativo na produção, fornecendo informação útil para a melhoria do processo. Conclui-se que a integração de dados industriais com Machine Learning pode apoiar a tomada de decisão, reduzir desperdícios e aumentar a eficiência produtiva.
- 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.
- 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.
- 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.
- 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.