Banca de DEFESA: JOÃO VICTOR SOARES DO AMARAL

Uma banca de DEFESA de DOUTORADO foi cadastrada pelo programa.
DISCENTE : JOÃO VICTOR SOARES DO AMARAL
DATA : 29/04/2025
HORA: 14:00
LOCAL: https://meet.google.com/dtq-eppe-koj
TÍTULO:

Metamodelagem Adaptativa para Otimização via Simulação a Eventos Discretos

PALAVRAS-CHAVES:

Otimização via simulação; Metamodelagem adaptativa; Simulação a Eventos Discretos; Gradient-boosted Trees; Machine learning.

PÁGINAS: 150
RESUMO:

Pilar da Indústria 4.0, a Otimização via Simulação (OvS) é uma ferramenta poderosa utilizada em diversos campos, que permite a avaliação de um sistema sob diversas condições, facilita a sua análise de desempenho e torna a tomada de decisões mais eficiente. Por outro lado, a OvS pode ser demorada, especialmente quando se considera a otimização de modelos complexos. Nesse sentido, a metamodelagem emergiu como uma técnica promissora para OvS. A metamodelagem visa estabelecer e estimar uma relação entre as entradas e saídas de um modelo de simulação, criando um modelo simplificado utilizado para avaliar soluções potenciais durante o processo de otimização. Este estudo apresenta um novo framework de metamodelagem adaptativa, denominado de Adaptive Metamodeling-based Simulation Optimization (AMSO), para otimização de modelos de Simulação a Eventos Discretos complexos e computacionalmente intensivos. Esta abordagem combina aprendizado de máquina e técnicas meta-heurísticas para identificar as áreas mais promissoras do espaço de soluções que podem ser exploradas de forma mais eficiente para alcançar soluções de alta qualidade. O framework proposto é avaliado em dois objetos de estudo reais da indústria: um problema de alocação de recursos em modelo de gêmeo digital de manufatura e um projeto de expansão de capacidades de uma planta de mineração/moagem. Comparado ao método Efficient Global Optimization, o AMSO encontrou uma solução 8,1% melhor (em média) no primeiro objeto de estudo e 9,7% no segundo objeto de estudo, sem diferença significativa no tempo computacional gasto. Além disso, a AMSO encontrou soluções estatisticamente iguais ao método do Algoritmo Genético, mas que exigiram 83,6% e 90,6% menos tempo computacional no primeiro e segundo casos, respectivamente. Os resultados encontrados mostram a aplicabilidade e robustez do framework proposto para otimização dos objetos de estudo analisados.

MEMBROS DA BANCA:
Presidente - 6394717 - JOSE ARNALDO BARRA MONTEVECHI
Interno - 1311349 - ALEXANDRE FERREIRA DE PINHO
Interno - 3085404 - ANTONIO FERNANDO BRANCO COSTA
Interno - 2246351 - RAFAEL DE CARVALHO MIRANDA
Externo à Instituição - CLEBER DAMIÃO ROCCO - UNICAMP
Externo à Instituição - MARCONE JAMILSON FREITAS SOUZA - UFOP