Caceres Florez_CamiloAndres_D

Ediele Ribeiro

17/06/2021

E aí, curtiu este material?

Ajude a incentivar outros estudantes a melhorar o conteúdo

Gostou desse material? Compartilhe! 🧡

Gestão de Produção

9.141 Materiais compartilhados

Baixe o app para aproveitar ainda mais

Leia os materiais offline, sem usar a internet. Além de vários outros recursos!

Prévia do material em texto

UNIVERSIDADE ESTADUAL DE CAMPINAS
Faculdade de Engenharia Mecânica

CAMILO ANDRES CACERES FLOREZ

Proposta Metodológica de Otimização
baseada em IA, Ciência de Dados e Indústria
4.0. Estudo de casos: Serviços de Emergência
em e-Hospital e Sistema de Gerenciamento de
Energias Híbridas

CAMPINAS
2020

CAMILO ANDRES CACERES FLOREZ

Proposta Metodológica de Otimização
baseada em IA, Ciência de Dados e Indústria
4.0. Estudo de casos: Serviços de Emergência
em e-Hospital e Sistema de Gerenciamento de
Energias Híbridas

Tese de Doutorado apresentada à Faculdade de
Engenharia Mecânica da Universidade Estadual de
Campinas como parte dos requisitos exigidos para a
obtenção do título de Doutor em Engenharia Mecânica,
na Área de Mecatrônica.

Orientador: Prof. Dr. João Mauricio Rosário

ESTE TRABALHO CORRESPONDE À VERSÃO
FINAL TESE DEFENDIDA PELO ALUNO CAMILO
ANDRES CACERES FLOREZ, E ORIENTADA
PELO PROF. DR. JOÃO MAURICIO ROSÁRIO.

CAMPINAS
2020
Ficha catalográfica
Universidade Estadual de Campinas
Biblioteca da Área de Engenharia e Arquitetura
Rose Meire da Silva - CRB 8/5974

Caceres Florez, Camilo Andres, 1991-
C113p CacProposta metodológica de otimização baseada em IA, ciência de dados e
indústria 4.0. estudo de casos: serviços de emergência em e-hospital e sistema
de gerenciamento de energias híbridas / Camilo Andres Caceres Florez. –
Campinas, SP : [s.n.], 2020.

CacOrientador: João Mauricio Rosário.
CacTese (doutorado) – Universidade Estadual de Campinas, Faculdade de
Engenharia Mecânica.

Cac1. Indústria 4.0. 2. Redes neurais (Computação). 3. Aprendizado de
máquinas. 4. Serviços de saúde. 5. Pesquisa operacional. 6. Geração
distribuída de energia elétrica. 7. Algoritmos genéticos. I. Rosário, João
Mauricio, 1959-. II. Universidade Estadual de Campinas. Faculdade de
Engenharia Mecânica. III. Título.

Informações para Biblioteca Digital
Título em outro idioma: Methodological proposal for optimization based on AI, data
science, and industry 4.0. case study: emergency services in e-hospital and hybrid energy
management system
Palavras-chave em inglês:
Industry 4.0
Neural networks
Machine Learning
Health services
Operational research
Distributed power generation
Genetic Algorithms
Área de concentração: Mecatrônica
Titulação: Doutor em Engenharia Mecânica
Banca examinadora:
João Mauricio Rosário [Orientador]
Ely Carneiro de Paiva
Olga Lucía Ramos Sandoval
Jocarly Patrocínio de Souza
Francisco Carlos Parquet Bizarria
Data de defesa: 27-07-2020
Programa de Pós-Graduação: Engenharia Mecânica
Identificação e informações acadêmicas do(a) aluno(a)
- ORCID do autor: https://orcid.org/0000-0003-4540-6584
- Currículo Lattes do autor: http://lattes.cnpq.br/0833803631415898
Powered by TCPDF (www.tcpdf.org)
http://www.tcpdf.org
UNIVERSIDADE ESTADUAL DE CAMPINAS
FACULDADE DE ENGENHARIA MECÂNICA

TESE DE DOUTORADO

Proposta Metodológica de Otimização baseada
em IA, Ciência de Dados e Indústria 4.0. Estudo
de casos: Serviços de Emergência em e-Hospital
e Sistema de Gerenciamento de Energia Híbridas

Autor: Camilo Andres Caceres Florez
Orientador: Prof.

Dr. João Mauricio Rosário

A Banca Examinadora composta pelos membros abaixo aprovou esta Tese:

Prof. Dr. João Mauricio Rosário
FEM/ UNICAMP

Prof. Dr. Ely Carneiro de Paiva
FEM/ UNICAMP

Prof. Dr. Olga Lucía

Ramos Sandoval
Universidad Militar Nueva Granada (UMNG)

Prof. Dr. Jocarly Patrocínio

de Souza
Universidade de Passo Fundo (RS)

Prof. Dr. Francisco Carlos Parquet Bizarria
Universidade de Taubaté

(UNITAU)

A Ata de Defesa com as respectivas assinaturas dos membros encontra-se no SIGA/Sistema
de Fluxo de Tese e na Secretaria do Programa da Unidade.

Campinas, 27

de julho de 2020.
Agradecimentos

Este trabalho não poderia ser terminado sem a ajuda de diversas pessoas às quais presto
minha homenagem:

Ao Deus, por tudo o que Ele fez na minha vida.

Aos meus pais, Luis Fernando Cáceres e Martha Cecilia Flórez; irmãos, Julian e María
Alejandra Cáceres pelo incentivo, paciência e voz de alento para continuar em todos os
momentos de minha vida. A Olga Szczygielska por sua paciência, dedicação e apoio
incondicional no decorrer deste caminho.

Ao meu orientador, Prof. Dr. João Mauricio Rosário pela confiança, orientação e o
apoio ao longo do trabalho desenvolvido, principalmente por seus conselhos e amizade durante
minha formação acadêmica. Sua dedicação e ajuda permitiram transpor os desafios deste
trabalho e promover meu crescimento pessoal, acadêmico e profissional.

Aos Prof. Dario Amaya e Olga Ramos, e a meu colega e amigo Jefry Mora, pela ajuda,
amizade e apoio ao longo de minhas pesquisas e trabalhos.

Aos meus colegas e amigos, principalmente a meus colegas de laboratório por seu
companheirismo e apoio.

Aos membros da banca examinadora pela disposição e interesse no meu trabalho.

Aos professores e funcionários do Departamento de Sistemas Integrados da Faculdade
de Engenharia Mecânica da UNICAMP, com os que tive a oportunidade de trabalhar.

Ao CNPq (Conselho Nacional de Desenvolvimento Científico e Tecnológico) pela
concessão da bolsa de estudos de Doutorado, processo 140743/2017-0, a qual me permitiu uma
dedicação integral ao desenvolvimento deste trabalho.
Resumo

Este trabalho de pesquisa apresenta uma proposta metodológica de otimização aplicada à
engenharia de sistemas utilizando conceitos de inteligência artificial, ciência de dados e
indústria 4.0. Esta proposta foi validada através de dois estudos de casos correspondentes a
implementação de um sistema inteligente para o serviço de emergência em e-hospital, e ao
gerenciamento do abastecimento energético de uma cidade utilizando fontes híbridas. A
abordagem proposta utiliza conceitos da Industria 4.0, pesquisa operacional, ciência de dados
e inteligência artificial. A metodologia apresentada segue uma abordagem sistêmica, facilitando
a melhoria de sistemas complexos em engenharia, tais como os sistemas estocásticos. O estudo
de caso relacionado com o gerenciamento inteligente de um e-Hospital, aborda o sistema de
emergência hospitalar, controlando de forma inteligente a gestão de pessoal, particularmente
nas áreas chave e gargalos existentes nos sistemas em estudo. O uso de conceitos de
telemedicina, controle automático e algoritmos genéticos permitiram encontrar uma solução
flexível e robusta para situações de baixo e alto fluxo de pacientes. O segundo estudo de caso
permitiu projetar um sistema híbrido de geração de energia, utilizando fontes renováveis e um
sistema de armazenamento com baterias para o abastecimento de uma população selecionada.
As decisões tomadas para projetar o sistema de geração de energia foram baseadas na análise
de bancos de dados relacionados. A melhoria proposta para o sistema inteligente de distribuição
de energia utilizou técnicas de aprendizado por reforço para abordar o problema. Os resultados
obtidos para os estudos de caso implementados mostraram que a abordagem utilizando técnicas
de inteligência artificial obteve um desempenho muito superior aos métodos tradicionais
encontrados nos trabalhos de referência, demostrando assim a superioridade das técnicas
utilizadas.

Palavras Chave: Indústria 4.0, Redes Neurais, Simulação, Serviços de Saúde, Pesquisa
Operacional, Otimização, Algoritmos Genéticos, Aprendizado de Máquina, Redes inteligentes
de energia, Geração distribuída de energia.

Abstract

This work is a methodological proposal of optimization applied to systems engineering using
concepts of artificial intelligence, data science, and industry 4.0. This proposal was validated
through two case studies corresponding to the implementation of an intelligent system for the
emergency service in ane-hospital, and to the management of the energy supply of a city using
renewable energy sources (solar and wind). The proposed approach used the concepts of
Industry 4.0, operational research, data science, and artificial intelligence. The methodology
follows a series of steps that allow a systemic approach, thus facilitating the improvement of
complex systems, such as stochastic systems. The first case study is related to the intelligent
management of an e-Hospital addresses the hospital emergency system, intelligently controlling
the personnel management, particularly in the key areas and bottlenecks existing in the systems
under study. The use of telemedicine concepts, automatic control, and genetic algorithms made
it possible to find a flexible and robust solution for situations of low and high flow of patients.
The second case study allowed the design of a hybrid energy generation system, using
renewable energy sources and a battery storage system to supply a selected population. The
decisions made to design the power generation system were based on the analysis of related
databases using python language. The proposed area for the intelligent energy distribution
system used reinforcement learning techniques to address the problem. The results obtained for
the implemented case studies showed that the approach using artificial intelligence techniques
achieved a performance far superior to the traditional methods found in the reference works,
thus demonstrating the superiority of the used method.

Keywords: Industry 4.0, Neural Networks, Simulation, Health Services, Operational Research,
Optimization, Genetic Algorithms, Machine Learning, Intelligent Energy Networks,
Distributed Energy Generation.

Lista de Ilustrações

Figura 1 – Áreas do conhecimento utilizadas neste trabalho ................................................... 28
Figura 2 – Tópicos utilizados no desenvolvimento desta tese doutoramento .......................... 28
Figura 3 – Princípios e caraterísticas de projeto na Indústria 4.0. ............................................ 36
Figura 4 – Pilares da Indústria 4.0. ........................................................................................... 38
Figura 5 – Treinamento para montagem de peças da aeronave. ............................................... 43
Figura 6 – Aplicações em construção naval e fabricação inteligente. ...................................... 44
Figura 7 – Monitoramento da produção, relatórios da qualidade e índices de desempenho em
tempo real. ................................................................................................................................ 44
Figura 8 – Tipos de Simulação. ................................................................................................ 48
Figura 9 – Metodologia da Pesquisa Operacional e suas Fases. .............................................. 58
Figura 10 – Classificação dos modelos utilizados na Pesquisa Operacional. .......................... 60
Figura 11. Custo operacional vs. Qualidade (nível) do serviço................................................ 63
Figura 12 – Fila básica ou centro de serviço. ........................................................................... 64
Figura 13 – Principais estruturas de situações com uma única fila de espera. ......................... 65
Figura 14 – Princípio de funcionamento de um SED. .............................................................. 68
Figura 15 – Processo Industrial Padrão para Mineração de Dados (CRISP-DM).................... 72
Figura 16 – Ciclo de vida da Ciência de Dados (SONG; ZHU, 2017)..................................... 73
Figura 17 – Ciclo de vida de projeto na Análise de Dados. ..................................................... 74
Figura 18 – Comparativa do Ciclo de vida de projeto na Ciência e Análise de Dados. ........... 74
Figura 19 – Exemplo de Integração de bancos de dados baseados na Data. ............................ 79
Figura 20 – Exemplo de Gráfico de Barras. ............................................................................. 83
Figura 21 – Exemplo de um Histograma. ................................................................................. 84
Figura 22 – Exemplo de Gráfico de Setores. ............................................................................ 84
Figura 23 – Exemplo de Gráfico de Dispersão. ....................................................................... 85
Figura 24 – Exemplo de Gráfico de Linhas. ............................................................................. 85
Figura 25 – Componentes do Gráfico de Caixa e exemplo. ..................................................... 86
Figura 26 – Exemplo da ECDF e comparativa com o histograma. .......................................... 87
Figura 27 – Visão geral dos principais tópicos de abrangência da IA. .................................... 96
Figura 28 – Procedimento proposto para obter um sistema de previsão baseado em Redes
Neurais. ..................................................................................................................................... 98
Figura 29 – Validação Cruzada para séries temporais utilizando o método holdout. ............ 101
Figura 30 – Ensemble Aggregation. ....................................................................................... 103
Figura 31 – Ensemble Aggregation com classificação por frequência de ocorrência. ........... 104
Figura 32 – Estrutura de um Neurônio. .................................................................................. 105
Figura 33 – Estrutura de uma MLP. ....................................................................................... 106
Figura 34 – Célula LSTM. ...................................................................................................... 107
Figura 35 – Célula LSTM interagindo com um estado passado e futuro. .............................. 108
Figura 36 – Proposta de implementação de uma Rede Neural para produção. ...................... 111
Figura 37 – Esquema geral do Aprendizado por Reforço. ..................................................... 112
Figura 38 – Algoritmo Q-learning. ........................................................................................ 115
Figura 39 – Deep Q-learning. ................................................................................................ 116
Figura 40 – Principais técnicas da Computação Evolutiva. ................................................... 117
Figura 41 – Algoritmo Evolutivo Genérico. ........................................................................... 118
Figura 42 – Diagrama de Interação e Relacionamento para as áreas da metodologia proposta.
................................................................................................................................................ 125
Figura 43 – Diagrama da Metodologia proposta. ................................................................... 126
Figura 44. Diagrama de um sistema de controle em malha fechada. ..................................... 127
Figura 45 – Diagrama para encontrar uma possível solução à fase Criação de soluções baseadas
em IA e conceitos da I4.0. ...................................................................................................... 128
Figura 46 – Principais consequências da Superlotação no SEH. ........................................... 133
Figura 47 – Diagrama de fluxo dos pacientes. ....................................................................... 137
Figura 48 – Aproximação da Função 𝜆(𝑡). ............................................................................ 138
Figura 49 – Fluxo padronizado de pacientes por hora............................................................ 139
Figura 50 – Gráfico da matriz de correlaçãodos fluxos de pacientes da literatura em estudo
(AHMED; ALKHAMIS, 2009; CARVALHO-SILVA et al., 2018; LEHTONEN et al., 2016).
................................................................................................................................................ 140
Figura 51 – Comportamento do banco de dados criado artificialmente. ................................ 140
Figura 52 – Implementação do Modelo de simulação do SEH com SimEvents®. ................ 142
Figura 53 – Proposta de um e-Hospital para o SEH utilizando uma sala de Atendimento Médico
Remoto. .................................................................................................................................. 149
Figura 54 – Controlador do agendamento de recursos para a sala de AMR. ......................... 151
Figura 55 – Sinal da ação do controlador PID utilizado......................................................... 151
Figura 56 – Comprimento da fila da sala de diagnóstico ao longo do dia. ............................ 152
Figura 57 – Algoritmo Genético utilizado na Solução 2. ....................................................... 156
Figura 58 – Evolução dos indivíduos do AG utilizando a função de fitness 𝐽1 da Eq. (25). . 158
Figura 59 – Sinal de controle do controlador PID da solução 2 associada a 𝐽1. .................... 158
Figura 60 – Comprimento da fila da sala de diagnóstico para a solução 2 associada a 𝐽1. ... 159
Figura 61 – Evolução dos indivíduos do AG utilizando a função de fitness 𝐽2. .................... 163
Figura 62 – Sinal de controle do controlador PID na solução 2 associada a 𝐽2. .................... 164
Figura 63 – Comprimento da fila da sala de diagnóstico para a solução 2 associada a 𝐽2. ... 164
Figura 64 – Algoritmo Memético utilizado na Solução 3. ..................................................... 168
Figura 65 – Evolução dos indivíduos do algoritmo memético utilizando a função de fitness 𝐽1.
................................................................................................................................................ 169
Figura 66 – Exemplo sinal do controlador PID na solução 3 associada a 𝐽1. ........................ 170
Figura 67 – Comprimento da fila da sala de diagnóstico para a solução 3 associada a 𝐽1. ... 170
Figura 68 – Evolução dos indivíduos do algoritmo memético utilizando a função de fitness 𝐽2.
................................................................................................................................................ 174
Figura 69 – Esforço de controle do controlador PID na solução 3 associada a 𝐽2. ................ 175
Figura 70 – Comprimento da fila da sala de diagnóstico para a solução 3 associada a 𝐽2. ... 175
Figura 71 – Esquema da solução 4 utilizando um modelo de previsão. ................................. 181
Figura 72 – Esforço de controle do controlador PID na solução 4......................................... 182
Figura 73 – Comprimento da fila da sala de diagnóstico para a solução 4. ........................... 182
Figura 74 – Resultados da previsão do ARIMA de um dia aleatório. .................................... 186
Figura 75 – Geração distribuída de energia. ........................................................................... 197
Figura 76 – Adaptação da arquitetura do trabalho de Mora Montañez (2020). ..................... 198
Figura 77 – Sistema de Geração Fotovoltaico. ....................................................................... 200
Figura 78 – Sistema de Geração Eólica. ................................................................................. 201
Figura 79 – Sistema de armazenamento. ................................................................................ 203
Figura 80 – Algoritmo de gerenciamento de energia. ............................................................ 205
Figura 81 – Curva de Demanda Elétrica ................................................................................ 209
Figura 82 – Gráfico, histograma e diagrama de caixa da GHI entre os anos 1998 e 2017. ... 211
Figura 83 – Diagrama de caixa da Irradiação Solar Horizontal Global por hora. .................. 212
Figura 84 – Valores anuais médios da Irradiação Solar Horizontal Global (1998-2017). ..... 212
Figura 85 – Diagrama de caixa da Irradiação Solar Horizontal Global agrupados por mês. . 213
Figura 86 – Velocidade do Vento a 10 m, histograma e diagrama e distribuição (1998-2017).
................................................................................................................................................ 213
Figura 87 – Diagrama de caixa da Velocidade do Vento a 10 m de altura. ........................... 214
Figura 88 – Valores anuais médios Velocidade do Vento a 10 m de altura entre os anos 1998 e
2017. ....................................................................................................................................... 215
Figura 89 – Diagrama de caixa da Velocidade do Vento a 10 m agrupada por mês. ............. 215
Figura 90 – Demanda elétrica por hora. ................................................................................. 216
Figura 91 – Histograma e diagrama de caixa e da Demanda Elétrica utilizando o método de
Monte Carlo. ........................................................................................................................... 216
Figura 92 – Custo da Potência (solar e eólica) em função de sua porcentagem de utilização 220
Figura 93 – Curva de Potência da turbina AGW 110/2.1. ...................................................... 222
Figura 94 – Diferença entre a potência gerada e a demanda da Tabela 41. ........................... 230
Figura 95 – Modelo de célula solar utilizada por Mora Montañez (2020). ............................ 232
Figura 96 – Sistema fotovoltaico de Geração Elétrica utilizado no trabalho de referência. .. 232
Figura 97 – Potência Gerada pelo simulador e Modelo de regressão. ................................... 234
Figura 98 – Modelo do gerador eólico utilizado por Mora Montañez (2020). ....................... 235
Figura 99 – Sistema fotovoltaico de Geração Elétrica utilizado no trabalho de referência. .. 236
Figura 100 – Potência Gerada pelo simulador e Modelo de regressão. ................................. 238
Figura 101 – Sistema de armazenamento utilizado no trabalho de referência. ...................... 239
Figura 102 – Esquema implementado do algoritmo de distribuição de energia. ................... 240
Figura 103 – Possíveis estados do sistema de distribuição de energia. .................................. 240
Figura 104 – Arquitetura geral da micro-rede. ....................................................................... 241
Figura 105 – Estrutura do Simulador proposto. ..................................................................... 242
Figura 106 – Máquina de estados que resume a funcionalidade do simulador. ..................... 243
Figura 107 – Preço normalizado de compre e venda da energia. ........................................... 247
Figura 108 – Máquina de estados do funcionamento do simulador desenvolvido. ................ 249
Figura 109 – Diagrama de Fluxo do Algoritmo de distribuição de Energia. ......................... 251
Figura 110 – Comportamento da Demanda elétrica, Potência Fornecida e Potência Gerada.251
Figura 111 – Comportamento do Sistema de Armazenamento. ............................................. 252
Figura 112 – Comportamento da Energia Injetada na Rede e no Sistema de Armazenamento.
................................................................................................................................................ 253
Figura 113 – Potência Comprada e Vendida na Rede elétrica. .............................................. 253
Figura 114 – Sinal de recompensa do algoritmo ao longo da simulação............................... 254
Figura 115 – Sinal de recompensa detalhada para os KPIs socioambientais e socioeconômicos.
................................................................................................................................................ 254
Figura 116 – Arquitetura da Rede Neural proposta para a solução 2. .................................... 256
Figura 117 – Recompensa do agente inteligente da solução 2. .............................................. 256
Figura 118 – Detalhe da Recompensa do agente inteligente da solução 2. ............................ 257
Figura 119 – EQM da Rede Neural da solução 2. .................................................................. 257
Figura 120 – Detalhe da Recompensa do agente inteligente da solução 2. ............................ 258
Figura 121 – Comportamento da Demanda elétrica, Potência Fornecida e Potência Gerada.258
Figura 122 – Comportamento do Sistema de Armazenamento. ............................................. 259
Figura 123 – Comportamento da Energia Injetada na Rede e no Sistema de Armazenamento.
................................................................................................................................................ 259
Figura 124 – Potência Comprada e Vendida na Rede elétrica. .............................................. 260
Figura 125 – Sinal de recompensa do algoritmo ao longo da simulação. .............................. 260
Figura 126 – Sinal de recompensa detalhada para os KPIs socioambientais e socioeconômicos.
................................................................................................................................................ 261
Figura 127 – Detalhamento das técnicas de Previsão utilizadas o horizonte de 1h. .............. 263
Figura 128 – Resultado padronizado da importância dos atributos utilizando o método
Ensemble Aggregation para a variável GHI com horizonte de previsão de 1h. ..................... 267
Figura 129 – Resultado padronizado da importância dos atributos utilizando o método
Ensemble Aggregation para a variável GHI com horizonte de previsão de 1h. ..................... 269
Figura 130 – Exemplo de previsão da GHI com horizonte de 1 h utilizando o modelo LSTM de
entrada multivariável com Dados Não Estacionários (120 h de teste). .................................. 271
Figura 131 – Resultado padronizado da importância dos atributos utilizando o método
Ensemble Aggregation para a variável V10 (Wind Speed) com horizonte de previsão de 1h.
................................................................................................................................................ 273
Figura 132 – Exemplo de previsão da V10 com horizonte de 1 h utilizando o modelo LSTM
Bidirecional (dados não estacionários) (120 h de teste). ........................................................ 275
Figura 133 – Resultado padronizado da importância dos atributos utilizando o método
Ensemble Aggregation para a variável Demanda Elétrica com horizonte de previsão de 1h.276
Figura 134 – Exemplo de previsão da demanda elétrica com horizonte de 1 h utilizando o
modelo LSTM Bidirecional (dados não estacionários) (120 h de teste). ............................... 278
Figura 135 – Estrutura do Simulador proposto para a solução 3............................................ 279
Figura 136 – Recompensa do agente inteligente da solução 3. .............................................. 280
Figura 137 – Detalhe da Recompensa do agente inteligente da solução 3. ............................ 280
Figura 138 – EQM da Rede Neural da solução 3. .................................................................. 281
Figura 139 – Detalhe da Recompensa do agente inteligente da solução 3. ............................ 281
Figura 140 – Comportamento da Demanda elétrica, Potência Fornecida e Potência Gerada.282
Figura 141 – Comportamento do Sistema de Armazenamento. ............................................. 283
Figura 142 – Comportamento da Energia Injetada na Rede e no Sistema de Armazenamento.
................................................................................................................................................ 283
Figura 143 – Potência Comprada e Vendida na Rede elétrica. .............................................. 283
Figura 144 – Sinal de recompensa do algoritmo ao longo da simulação. .............................. 284
Figura 145 – Sinal de recompensa detalhada para os KPIs socioambientais e socioeconômicos.
................................................................................................................................................ 284
Figura 146 – Detalhamento das técnicas de Previsão utilizadas para o horizonte de 24h. .... 286
Figura 147 – Adaptação dos modelos de previsão com horizonte de previsão 1h à 24h ....... 287
Figura 148 – Exemplo de previsão da GHI com horizonte de 24 h utilizando o modelo LSTM
Bidirecional de entrada multivariável com Dados Não Estacionários. .................................. 290
Figura 149 – Exemplo de previsão da V10 com horizonte de 24 h utilizando o modelo LSTM
Bidirecional (dados não estacionários). .................................................................................. 293
Figura 150 – Exemplo de previsão da demanda elétrica com horizonte de 24h utilizando o
modelo LSTM Bidirecional (dados não estacionários). ......................................................... 295
Figura 151 – Recompensa do agente inteligente da solução 4. .............................................. 296
Figura 152 – Detalhe da Recompensa do agente inteligente da solução 4. ............................ 296
Figura 153 – EQM da Rede Neural da solução 4. .................................................................. 297
Figura 154 – Detalhe da Recompensa do agente inteligente da solução 4. ............................ 297
Figura 155 – Comportamento da Demanda elétrica, Potência Fornecida e Potência Gerada.298
Figura 156 – Comportamento do Sistema de Armazenamento. ............................................. 298
Figura 157 – Comportamento da Energia Injetada na Rede e no Sistema de Armazenamento.
................................................................................................................................................ 299
Figura 158 – Potência Comprada e Vendida na Rede elétrica. .............................................. 299
Figura 159 – Sinal de recompensa do algoritmo ao longo da simulação. .............................. 300
Figura 160 – Sinal de recompensa detalhada para os KPIs socioambientais e socioeconômicos.
................................................................................................................................................ 300
Figura 161 – Histograma das Recompensas do Agente Aleatório. ........................................ 302
Figura 162 – Ações do Agente Aleatório. .............................................................................. 302
Figura 163 – Histograma das Recompensas do Agente da solução 1. ................................... 303
Figura 164 – Ações do Agente da solução 1. ......................................................................... 304
Figura 165 – Histograma das Recompensas do Agente da solução 2. ................................... 304
Figura 166 – Ações do Agente da solução 2. ......................................................................... 305
Figura 167 – Histograma das Recompensas do Agente da solução 3. ................................... 306
Figura 168 – Ações do Agente da solução 3. ......................................................................... 306
Figura 169 – Histograma das Recompensas do Agente da solução 4. ................................... 307
Figura 170 – Ações do Agente da solução 4. .........................................................................307
Figura 171 – Aproximação à distribuição de probabilidade das recompensas das diferentes
soluções. ................................................................................................................................. 308
Figura 172 – Diagrama de Caixa das recompensas das diferentes soluções. ......................... 309
Figura 173 – Modelo de simulação do SEH projetado. .......................................................... 336
Figura 174 – Funcionamento da Sala de Diagnóstico utilizando Máquina de Estados. ......... 337
Figura 175 – Comportamento da Sala de Atendimento (Físico ou Remoto). ........................ 338
Figura 176 – Diagrama de Estado do serviço de agendamento de médicos para a Sala de
Atendimento Médico Remoto. ............................................................................................... 339
Figura 177 – Arquitetura de Controle Proposta...................................................................... 339
Figura 178 – Arquitetura de Controle Híbrida da Sala de Diagnósticos implementada. ....... 341

Lista de Tabelas

Tabela 1 – Disposição da série temporal como um problema de regressão. ............................ 99
Tabela 2 – Algoritmos mais utilizados no Aprendizado por Reforço. ................................... 113
Tabela 3 – Tempo de Atendimento em cada estágio do SEH (AHMED, 2009). ................... 138
Tabela 4 – Constantes do Sistema utilizadas para Simulação. ............................................... 143
Tabela 5 – Resultados do simulador desenvolvido. ............................................................... 144
Tabela 6 – Comparação dos resultados do simulador de referência e o desenvolvido. ......... 145
Tabela 7 – Aplicação do diagrama para criação de soluções baseadas em IA e I4.0 ............. 148
Tabela 8 – Resultados do simulador aplicando a primeira solução proposta. ........................ 153
Tabela 9 – Comparação KPIs do Hospital Original e e-Hospital da primeira solução proposta.
................................................................................................................................................ 154
Tabela 10 – Número de Trabalhadores no SEH. .................................................................... 155
Tabela 11 – Resultados do simulador aplicando a solução 2 associada a 𝐽1. ........................ 160
Tabela 12 – Comparação de KPIs do Hospital Original e do e-Hospital da solução 2 para 𝐽1.
................................................................................................................................................ 161
Tabela 13 – Número de Trabalhadores no SEH da solução 2 para 𝐽1. .................................. 162
Tabela 14 – Resultados do simulador aplicando a solução 2 associada a 𝐽2. ........................ 165
Tabela 15 – Número de Trabalhadores no SEH da solução 2 para 𝐽2. .................................. 166
Tabela 16 – Comparação de KPIs do Hospital Original e do e-Hospital da solução 2 para 𝐽2.
................................................................................................................................................ 167
Tabela 17 – Resultados do simulador aplicando a solução 3 associada a 𝐽1. ........................ 171
Tabela 18 – Número de Trabalhadores no SEH da solução 3 para 𝐽1. .................................. 172
Tabela 19 – Comparação de KPIs do Hospital Original e do e-Hospital da solução 3 para 𝐽1.
................................................................................................................................................ 173
Tabela 20 – Resultados do simulador aplicando a solução 3 associada a 𝐽2. ........................ 176
Tabela 21 – Número de Trabalhadores no SEH da solução 3 para 𝐽2. .................................. 177
Tabela 22 – Comparação de KPIs do Hospital Original e do e-Hospital da solução 3 para 𝐽2.
................................................................................................................................................ 178
Tabela 23 – Número de Trabalhadores no SEH na solução 4. ............................................... 183
Tabela 24 – Resultados do simulador aplicando a solução 4. ................................................ 184
Tabela 25 – Comparação de KPIs do Hospital Original e do e-Hospital da solução 4. ......... 185
Tabela 26 – Comparação da utilização dos recursos nas diferentes soluções propostas. ....... 187
Tabela 27 – Análise do Número de pacientes atendidos por hora e aproveitamento de recursos.
................................................................................................................................................ 187
Tabela 28 – Comparação Hospital tradicional otimizado (HTO) e e-Hospital solução 3 com 𝐽1.
................................................................................................................................................ 189
Tabela 29 – Comparação do uso de recursos entre a solução tradicional e a solução 3 com 𝐽1.
................................................................................................................................................ 190
Tabela 30 – Comparação do uso de recursos entre o HTO e a solução 3 com 𝐽1.em condição de
Emergência. ............................................................................................................................ 191
Tabela 31 – Comparação Hospital tradicional otimizado (HTO) e e-Hospital solução 3 com 𝐽1
................................................................................................................................................ 193
Tabela 32 – Comparativa das bases de dados ........................................................................ 208
Tabela 33 – Análise da GHI (1998-2017). ............................................................................. 211
Tabela 34 – Análise da Velocidade do Vento a 10 m (1998-2017) ....................................... 214
Tabela 35 – Análise da Demanda Elétrica.............................................................................. 217
Tabela 36 – Custo unitário da Produção de Energia Solar e Eólica. ...................................... 221
Tabela 37 – Conversão dos valores de vento de acordo à rugosidade do terreno .................. 225
Tabela 38 – Conversão dos valores de vento de acordo à altura necessária .......................... 226
Tabela 39 – Potência gerada pelo sistema de usinas eólicas nas condições dadas ................. 227
Tabela 40 – Potência gerada pelo sistema fotovoltaico projetado nas condições dadas ........ 228
Tabela 41 – Comparativa entre a Potência Gerada e a Demanda ........................................... 229
Tabela 42 – Comparativa entre a Potência Gerada pelo simulador e o modelo de regressão.234
Tabela 43 – Comparativa entre a Potência Gerada pelo simulador e o modelo de regressão.237
Tabela 44 – Aplicação do diagrama para criação de soluções baseadas em IA e I4.0. .......... 244
Tabela 45 – Comportamento do sistema para cada ação do sistema de armazenamento. ...... 246
Tabela 46 – Definição de parâmetros nos métodos clássicos utilizados. ............................... 264
Tabela 47 – Definição de parâmetros e hiperparâmetros nos métodos baseados em Redes
Neurais. ................................................................................................................................... 265
Tabela 48 – Avaliação dos métodos tradicionais na previsão do GHI com previsão de 1h. .. 266
Tabela 49 – Avaliação do desempenho dos modelos de previsão da GHI. ............................ 268
Tabela 50 – Avaliação do desempenho dos modelos de previsão da GHI. ............................ 270
Tabela 51 – Melhores desempenhos dos modelos de previsão da GHI com previsão de 1h. 271
Tabela 52 – Avaliação dos modelosde previsão clássicos da V10. ....................................... 272
Tabela 53 – Avaliação do desempenho dos modelos de previsão da V10. ............................ 274
Tabela 54 – Melhores desempenhos dos modelos de previsão da V10 com previsão de 1h. 274
Tabela 55 – Avaliação dos modelos de previsão clássicos da Demanda Elétrica. ................. 275
Tabela 56 – Avaliação do desempenho dos modelos de previsão da Demanda Elétrica. ...... 277
Tabela 57 – Melhores desempenhos dos modelos de previsão da Demanda Elétrica com
previsão de 1h. ........................................................................................................................ 277
Tabela 58 – Avaliação do desempenho do modelo ARIMA da GHI - 24h............................ 288
Tabela 59 – Avaliação do desempenho dos modelos de previsão monovariável da GHI - 24h.
................................................................................................................................................ 288
Tabela 60 – Avaliação do desempenho dos modelos multivariável de previsão da GHI -24h.
................................................................................................................................................ 289
Tabela 61 – Melhores desempenhos dos modelos de previsão da GHI com previsão de 24h.
................................................................................................................................................ 290
Tabela 62 – Avaliação do desempenho do modelo ARIMA da V10 - 24h. ........................... 291
Tabela 63 – Avaliação do desempenho dos modelos de previsão da V10 - 24h. ................... 291
Tabela 64 – Melhores desempenhos dos modelos de previsão da V10 com previsão de 24h.
................................................................................................................................................ 292
Tabela 65 – Avaliação do desempenho do modelo ARIMA da Demanda Elétrica - 24h. ..... 293
Tabela 66 – Avaliação do desempenho dos modelos de previsão da Demanda Elétrica para um
horizonte de previsão de 24h. ................................................................................................. 294
Tabela 67 – Melhores desempenhos dos modelos de previsão da Demanda Elétrica para um
horizonte de previsão de 24h. ................................................................................................. 294

Lista de Abreviaturas e Siglas

AG Algoritmos Genéticos
AM Algoritmos Meméticos
AMR Atendimento Médico Remoto
CE Computação Evolutiva
DC Direct Current ou Corrente Contínua
DQL Deep Q-Learning
DS Dinâmica de Sistemas
GHI
Global Horizontal Irradiance ou Irradiação Solar Horizontal
Global
GPU Graphics Processing Unit
HTO Hospital Tradicional Otimizado
IAE Integral of Absolute Error ou integral do erro absoluto
IDEAM Instituto De hidrologia, meteorologia e Estudos Ambientais
ISE Integral Squared Error ou integral do erro ao quadrado
ITAE
Integral Time Absolute Error ou integral do erro absoluto
ponderado no tempo
KPI Key Performance Indicators ou indicadores de desempenho
LCOE Levelized Cost Of Energy ou custo nivelado da eletricidade
LSTM Long-Short Term Memory
MBA Modelos Baseados em Agentes
MLP Perceptron Multicamada ou multilayer perceptron
MPPT
Maximum Power Point Tracking ou rastreador de ponto de
potência máxima
NFQI Neural Fitted Q Iteration
NSRDB National Solar Radiation Data Base
PCE Poupança no Custo da Energia
PGIS Photovoltaic Geographical Information System
PID Controlador do tipo Proporcional-Integral-Derivativo
RNA Redes Neurais Artificiais
RNN Redes Neurais Recorrentes
SED Simulação de Eventos Discretos
SEH Serviço de Emergência Hospitalar
SOC State Of Charge ou estado de carga da bateria
SVM Support Vector Machine ou máquina de suporte vetorial
UdN Universidad del Norte
V10 Velocidade do vento a 10 m

Sumário

1 INTRODUÇÃO ............................................................................................................. 24
1.1 Posicionamento do Problema ............................................................................................ 24
1.2 Justificativa do Trabalho ................................................................................................... 25
1.3 Objetivos ........................................................................................................................... 26
1.3.1 Objetivo Geral .............................................................................................................. 26
1.3.2 Objetivos Específicos ................................................................................................... 26
1.3.3 Definição das áreas de interesse e conceitos chave ...................................................... 27
1.4 Descrição dos Capítulos propostos .................................................................................... 29
2 REVISÃO BIBLIOGRÁFICA ...................................................................................... 31
2.1 Pesquisa Operacional ........................................................................................................ 31
2.1.1 Logística ....................................................................................................................... 32
2.1.2 Design de Produto ......................................................................................................... 32
2.1.3 Planejamento e Controle da produção .......................................................................... 33
2.1.4 Escalonamento de Pessoal ............................................................................................ 33
2.1.5 Ciências Sociais ............................................................................................................ 34
2.1.6 Transportes ................................................................................................................... 34
2.1.7 Energia e Sustentabilidade ............................................................................................ 35
2.2 Indústria 4.0 ....................................................................................................................... 36
2.2.1 Princípios e caraterísticas de projeto na Indústria 4.0 .................................................. 36
2.2.2 Pilares da Indústria 4.0 ................................................................................................. 38
2.2.3 Aplicações da Indústria 4.0 ........................................................................................... 49
2.3 Análise de Dados, Ciência de Dados e Inteligência Artificial .......................................... 51
2.4 Conclusões do Capítulo e próximas etapas ....................................................................... 55
3 PESQUISA OPERACIONAL ....................................................................................... 56
3.1 Definição e Escopo ............................................................................................................ 56
3.2 Etapas e Metodologia para a Resolução de Problemas na PO .......................................... 57
3.3 Modelos e Modelagem na solução de problemas da PO ................................................... 59
3.3.1 Simulação de Monte Carlo ........................................................................................... 61
3.3.2 Teoria das Filas ............................................................................................................. 62
3.3.3 Simulação de Eventos Discretos (SED) ....................................................................... 66
3.3.4 Simulação Continua ...................................................................................................... 693.4 Resolução de Problemas na PO ......................................................................................... 69
3.5 Conclusões do Capítulo e próximas etapas ....................................................................... 70
4 ANÁLISE E CIÊNCIA DE DADOS ............................................................................ 71
4.1 Definições e Importância .................................................................................................. 71
4.2 Ciclo de Vida na Ciência e Análise de Dados .................................................................. 72
4.3 Ciclo de Vida na Ciência e Análise de Dados - Fundamentos Teóricos .......................... 76
4.3.1 Etapa de Preparação ...................................................................................................... 76
4.3.2 Pré-processamento ........................................................................................................ 77
4.3.3 Análise de dados ........................................................................................................... 80
4.3.4 Pós-processamento ....................................................................................................... 91
4.4 Conclusões do Capítulo e próximas etapas ....................................................................... 94
5 INTELIGÊNCIA ARTIFICIAL .................................................................................... 95
5.1 Definições e Escopo ......................................................................................................... 95
5.2 Aprendizado de Máquina ................................................................................................. 97
5.2.1 Conceitos Fundamentais ............................................................................................... 97
5.2.2 Modelo de aprendizado supervisionado utilizando RNA ............................................. 98
5.2.3 Aprendizado por Reforço .......................................................................................... 111
5.3 Computação Evolutiva ................................................................................................... 116
5.3.1 Conceitos Fundamentais ............................................................................................. 116
5.3.2 Algoritmos Genéticos ................................................................................................. 119
5.3.3 Algoritmos Meméticos ............................................................................................... 121
5.4 Conclusões do Capítulo e próximas etapas ..................................................................... 122
6 OTIMIZAÇÃO APLICADA À ENGENHARIA DE SISTEMAS ............................. 123
6.1 Introdução ....................................................................................................................... 123
6.2 Validação ........................................................................................................................ 129
6.2.1 Gerenciamento de um Serviço de Emergência Hospitalar ......................................... 129
6.2.2 Gestão da geração e fornecimento de energia elétrica ................................................ 129
6.3 Conclusões do Capítulo e próximas etapas ..................................................................... 130
7 ESTUDO DE CASO 1: GERENCIAMENTO INTELIGENTE DE UM SERVIÇO DE
EMERGÊNCIA NUM E-HOSPITAL ................................................................................... 131
7.1 Definição e Delimitação do estudo de caso .................................................................... 131
7.2 Modelagem matemática dos sistemas que integram o ambiente do caso de estudo ....... 136
7.3 Obtenção ou criação de bases de dados associados a situações reais do caso de estudo 137
7.4 Definição e Implementação de indicadores de desempenho associados ao caso e ao
problema em estudo ................................................................................................................ 141
7.5 Desenvolvimento de ferramentas de simulação utilizando os modelos obtidos e bases de
dados coletadas ....................................................................................................................... 142
7.6 Análise e Identificação das limitações ou problemas utilizando ferramentas da Ciência de
Dados ...................................................................................................................................... 146
7.7 Criação de soluções baseadas em IA e conceitos da Indústria 4.0 .................................. 147
7.7.1 Solução1: Controle PID ajustado heuristicamente ..................................................... 150
7.7.2 Solução 2: Controle PID ajustado com um Algoritmo Genético ............................... 156
7.7.3 Solução 3: Controle PID ajustado com um Algoritmo Memético .............................. 168
7.7.4 Solução 4: Modelo Duplo utilizando um Controlador PID e um Modelo de Previsão de
pacientes (modelo ARIMA) ................................................................................................... 179
7.8 Análise, Comparação e Seleção das Soluções baseadas em Simulação .......................... 186
7.9 Comparação da melhor solução com o método tradicional............................................. 188
7.9.1 Fluxo Normal de Pacientes ......................................................................................... 188
7.9.2 Fluxo de Pacientes em Situação Abnormal ................................................................ 191
7.10 Conclusões do Capítulo e Próximas Etapas ................................................................... 194
8 ESTUDO DE CASO 2: SISTEMA DE GESTÃO DA GERAÇÃO E FORNECIMENTO
DE ENERGIA ELÉTRICA .................................................................................................... 195
8.1 Definição e Delimitação do estudo de caso .................................................................... 195
8.2 Modelagem matemática dos sistemas que integram o ambiente do caso de estudo ....... 199
8.2.1 Sistema de Geração Fotovoltaico ............................................................................... 200
8.2.2 Sistema de Geração Eólico ......................................................................................... 201
8.2.3 Sistema de Armazenamento ....................................................................................... 203
8.2.4 Sistema de Distribuição de Energia ............................................................................ 204
8.3 Obtenção ou criação de bases de dados associados a situações reais do caso de estudo 206
8.3.1 Pré-processamento, análise comparativa, e escolha de uma base de dados associada aos
fatores climáticos .................................................................................................................... 206
8.3.2 Geração da base de dados da Demanda elétrica ......................................................... 208
8.3.3 Análise das variáveis de interesse ............................................................................... 210
8.4 Definição e Implementação de indicadores de desempenho ........................................... 217
8.5 Desenvolvimento de ferramentas de simulação utilizando os modelos e bases de dados.....
......................................................................................................................................... 219
8.5.1 Projeto do sistema de geração de energia ................................................................... 219
8.5.2 Desenvolvimento das Ferramentas de Simulação ...................................................... 231
8.6 Análise e Identificação de limitações utilizando ferramentas da Ciência de Dados .......243
8.7 Criação de soluções baseadas em IA e conceitos da Indústria 4.0 .................................. 244
8.7.1 Adaptação do Simulador para os requerimentos do Aprendizado por Reforço ......... 245
8.7.2 Solução 1: Máquina de Estados .................................................................................. 250
8.7.3 Solução 2: Neural Fitted Q Iteration (NFQI) ............................................................. 254
8.7.4 Solução 3: Neural Fitted Q Iteration com previsão de 1h (NFQI-1h) ....................... 261
8.7.5 Solução 4: Neural Fitted Q Iteration com previsão de 24h (NFQI-24h) ................... 284
8.8 Análise, Comparativa e Seleção das soluções baseadas em simulação........................... 301
8.8.1 Agente Aleatório ......................................................................................................... 301
8.8.2 Solução 1: Máquina de Estados .................................................................................. 303
8.8.3 Solução 2: Agente NFQI ............................................................................................ 304
8.8.4 Solução 3: Agente NFQI-1h ....................................................................................... 305
8.8.5 Solução 4: Agente NFQI-24h ..................................................................................... 306
8.8.6 Estudo Comparativo dos diferentes agentes estudados .............................................. 308
8.9 Comparativa da melhor solução com o método tradicional ............................................ 309
8.10 Conclusões do Capítulo e próximas etapas .................................................................... 310
9 CONCLUSÕES E PERSPECTIVAS FUTURAS ....................................................... 311
9.1.1 Contexto Geral do Trabalho de Pesquisa .................................................................... 311
9.1.2 Estudo de caso 1: Gerenciamento Inteligente de um Serviço de Emergência num e-
Hospital ................................................................................................................................... 312
9.1.3 Estudo de caso 2: Sistema de Gestão da Geração e Fornecimento de Energia Elétrica ...
.................................................................................................................................... 313
9.1.4 Perspectivas Futuras ................................................................................................... 314
REFÊRENCIAS ..................................................................................................................... 315
PRODUÇÃO BIBLIOGRÁFICA RELACIONADA COM ESTA TESE ............................. 335
ANEXO A - Modelagem de um SEH .................................................................................... 336

1 INTRODUÇÃO

1.1 Posicionamento do Problema

Nas últimas décadas, a competitividade crescente no mercado globalizado e a
necessidade de eficiência têm imposto mudanças nos diferentes setores da economia, exigindo
produtos e serviços de maior qualidade e menor custo; o qual reflete uma necessidade latente
de uma adaptação rápida e dinâmica dos diferentes setores aos novos requisitos do mercado.
Como resposta às crescentes necessidades do mercado global foi proposta a quarta
revolução industrial ou “Indústria 4.0” que visa a melhoria do setor de produtos e serviços
através da integração de máquinas e humanos em cadeias de valor.
A visão da Indústria 4.0 (I4.0) surge como a adaptação industrial do conceito da
Internet das Coisas (IdC). A IdC propõe o uso de objetos inteligentes com conexão à internet
que consigam usar, processar e armazenar informação na nuvem (BRADLEY et al., 2015), e
seu principal objetivo é o compartilhamento e processamento de dados, com a finalidade de
obter uma integração de um ambiente de objetos inteligentes e humanos, visando uma a melhora
da qualidade de vida.
Desde a criação da Internet, e recentemente com a implementação de conceitos como
I4.0 e IdC, a quantidade de dados armazenados cresceu de forma exponencial, vêm se
ramificando a diferentes aplicações que vão desde a área de exatas, até a Biologia e a Medicina
como também as Ciências Sociais, Humanas e Jurídicas.
A criação de grandes bancos de dados permitiu o desenvolvimento de áreas como o
Big Data, que tem como objetivo o tratamento, análise e aproveitamento de esses grandes
conjuntos de dados. Algumas técnicas de análise de dados aproveitam abordagens estatísticas
tradicionais, como a Ciência de Dados, que analisa e tenta extrair informações e conhecimento
útil para tomadas de decisões. Outra forma de aproveitamento das informações é por médio da
criação de modelos de previsão, classificação, regressão, clustering, detecção de padrões,
otimização, entre outros, que baseados em técnicas de Inteligência Artificial (IA) conseguem
realizar tarefas complexas, com resultados que em alguns casos superam a capacidade humana.
Como resultado da análise de dados e do desenvolvimento de modelos baseados em IA, a
vantagem competitiva criada por essa tecnologia nos diferentes setores econômicos tem
25

conseguido uma melhora na competitividade e um maior crescimento econômico nos últimos
anos.
Nos dias atuais, pode-se afirmar que qualquer sistema ou ambiente que permita o uso
da IdC ou I4.0 pode ser abordado sob a perspectiva da teoria dos sistemas permitindo que um
processo ou cadeia de serviços seja modelado com base no comportamento dinâmico do
sistema, com o objetivo de se obter uma ferramenta de análise baseada na modelagem e
simulação (M&S) (ZEIGLER, 2016).
Esta tese de doutoramento visa a melhoria de sistemas de produção, pertencentes à
Industria Energética e de Serviços; utilizando conceitos de IA e I4.0, a fim de obter sistemas
inteligentes. Este trabalho segue uma proposta metodológica desenvolvida pelo autor, que
pretende conseguir um maior desempenho para cada um dos sistemas em estudo. Para a
validação dos conceitos e ferramentas desenvolvidas neste trabalho, foram implementados dois
casos de estudo de diferentes áreas através de um Sistema de Gerenciamento de Fontes
alternativas de Energia renováveis para abastecimento de uma vila, e a otimização e
gerenciamento de um Serviço de Emergência num e-Hospital.

1.2 Justificativa do Trabalho

A crescente necessidade de propor soluções para melhorar processos e serviços em
diferentes setores econômicos, devido à competitividade no mercado global, tem criado uma
necessidade de um roteiro metodológico de melhorias baseada em tecnologias promissórias,
como a IA e a I4.0. Essa metodologia deve poder ser implementada em diferentes áreas da
engenharia e seus problemas, analisando as diferentes situações como um sistema composto
por múltiplos subsistemas, analisando e propondo soluções para as limitações trazidas por cada
um dos subsistemas em sua interação com todo o sistema.
Os principais problemas encontrados nos sistemas de produção estão associados ao
uso ineficiente dos recursos em algumas partes do processo, reduzindo o desempenho geral do
sistema, problema estudado na Pesquisa Operacional. Um sistema de produção pode ser
modelado matematicamente de diversas formas, utilizando modelos determinísticos ou
estocásticos. A integração dos diferentes modelos num simulador permite a obtenção de uma
ferramenta de análise e teste que traz uma visão geral e completa do sistema de produção. A
otimização baseada em ferramentas de simulação potencializada pela IA e princípios da I4.0
26

propõem uma melhora no gerenciamento dos recursos em cada subsistema, permitindo assim
uma melhora competitiva geral nos diferentes setores econômicos.
Este trabalho aborda questões sociais atuais, como casos de estudo, com o objetivo de
propor possíveis soluções, utilizando conceitosatuais da tecnologia. Os tópicos tratados neste
trabalho estão associados à área da saúde e ao fornecimento de energia elétrica numa cidade ou
região, que são indicadores da qualidade de vida da população.

1.3 Objetivos

1.3.1 Objetivo Geral

Este estudo tem como principal objetivo a otimização de sistemas produtivos
utilizando conceitos de IA e I4.0 com a finalidade de melhorar a competitividade dos diferentes
setores econômicos, melhorando assim diferentes processos e serviços. Com essa finalidade
será desenvolvida e utilizada uma proposta metodológica que melhorará o desempenho de
diferentes sistemas produtivos. Serão abordados dois estudos de caso de diferentes ramos da
engenharia que respondem a problemáticas sociais atuais, como o setor de saúde e o de
fornecimento de energia elétrica. Estes estudos de casos selecionados correspondem ao Serviço
de Emergência num e-Hospital e ao Sistema de Gerenciamento de Energia utilizando fontes
renováveis, situações que permitirão a validação deste trabalho.

1.3.2 Objetivos Específicos

• Definir e Delimitar os casos de estudo selecionados.
• Obter diferentes modelos matemáticos que permitam simular os sistemas ou subsistemas
que integram cada um dos sistemas produtivos de interesse.
• Coletar ou Criar bancos de dados associados a situações reais dos casos de estudo.
• Desenvolver ferramentas de simulação baseadas em modelos matemáticos e no
comportamento fornecido pelas bases de dados coletadas.
• Utilizar ferramentas da Ciência de Dados para a análise e detecção de problemas nos
diversos casos de estudo.
27

• Definir e Implementar indicadores de desempenho para cada caso de estudo, com o
objetivo de avaliar e comparar diferentes cenários de interesse.
• Propor soluções baseadas em IA e conceitos associados à I4.0 para os diferentes problemas
de desempenho encontrados nos casos de estudo.
• Analisar e Comparar soluções integradas baseadas em simulação, princípios de IA e da
I4.0 que consigam resolver os problemas encontrados nos casos de estudo.

1.3.3 Definição das áreas de interesse e conceitos chave

Para o desenvolvimento do presente trabalho de pesquisa, a definição das áreas e
conceitos chaves é importante para entender os tópicos abordados, e por se tratar de um trabalho
multidisciplinar, a quantidade de áreas envolvidas é extensa e diversificada. Por esse motivo
estão sendo propostos dois estudos de caso pertencentes a diferentes disciplinas do
conhecimento, como são o gerenciamento de serviços de saúde e a gestão do fornecimento da
energia elétrica baseada em fontes renováveis.
O caso de estudo relacionado com a área da saúde tem como objetivo um
gerenciamento inteligente de um Serviço de Emergência num e-Hospital. O gerenciamento
inteligente está focado na otimização do número de trabalhadores no serviço de emergência,
onde utilizando conceitos da I4.0 e ferramentas da IA conseguiremos uma resposta dinâmica e
adaptável às necessidades instantâneas do sistema, superando o desempenho das soluções
tradicionalmente utilizada. Para atingir esse objetivo o uso da telemedicina foi um elemento
importante para o desenvolvimento das múltiplas soluções propostas.
Por outro lado, o estudo de caso associado à gestão da geração e fornecimento da
energia elétrica para uma cidade ou região baseada em fontes renováveis de energia, propõe
uma solução de energia renovável para uma comunidade e local selecionado. A proposta está
baseada no dimensionamento e gestão inteligente de um sistema híbrido de fornecimento de
energia, que utiliza energias renováveis e não renováveis. O gerenciamento inteligente do fluxo
de potência segue conceitos da I4.0 e algoritmos baseados em IA atuando dinamicamente de
acordo às necessidades sociais, ambientais, económicas e energéticas da população, sendo uma
proposta inovadora no campo de estudo.

Depois de aprofundar nos estudos de caso propostos para o desenvolvimento deste
trabalho é possível identificar as diferentes áreas de conhecimento utilizadas, como mostra a
Figura 1. Por outro lado, a Figura 2 apresenta em detalhe alguns tópicos pertencentes às áreas
de estudo apresentadas na Figura 1, onde é possível identificar a multidisciplinariedade de
temas propostos nesta tese de doutoramento.
Figura 1 – Áreas do conhecimento utilizadas neste trabalho

Fonte: Elaborado pelo Autor
Figura 2 – Tópicos utilizados no desenvolvimento desta tese doutoramento

Fonte: Elaborado pelo Autor
Pesquisa
Operacional
Indústria
4.0
Análise de
Dados e
Ciência de
dados
Inteligência
Artificial
Conhecimento
de áreas
específicas
Pesquisa
Operacional
•Modelagem e
Simulação
•Análise
Quantitativo
•Redesenho do
processo ou
sistema
Indústria 4.0
•Internet das coisas
e Internet industrial
das coisas
•Sistemas ciber-
físicos
•Computação em
nuvem
•Simulação
•Big Data
•Realidade
Aumentada e
Realidade Virtual
•Robôs Autónomos
e Sistemas
Mecatrônicos
•Cyber seguridade
•Tele
monitoramento e
Redes de
Comunicação
Análise e Ciência de
dados
•Estatística
•Processamento e
Análise de dados
•Visualização de
dados
Inteligência Artificial
•Algoritmos
evolutivos
•Aprendizado de
Máquina
•Aprendizado por
Reforço
Conhecimento de
áreas específicas
•Sistemas baseados
em serviços
•Sistemas de Saúde
•Fornecimento de
eletricidade
•Energia Renovável
29

1.4 Descrição dos Capítulos propostos

O desenvolvimento desta tese de doutoramento está estruturado a partir dos seguintes
capítulos.
• Revisão Bibliográfica: Neste capítulo é realizada uma contextualização das áreas de
interesse abordadas, mostrando sua utilização e capacidades para a solução de problemas
atuais da engenharia. Detalhando de forma especial os fundamentos teóricos e contextuais
da Indústria 4.0, seus elementos principais e aplicações.
• Pesquisa Operacional: Neste capítulo é definida a Pesquisa Operacional e o alcance deste
tópico, detalhando as metodologias, áreas e técnicas que apoiam a melhoria de processos e
serviços.
• Análise de Dados e Ciência de Dados: Neste capítulo são apresentados conceitos da
Análise de Dados e da Ciência de Dados, seus fundamentos teóricos, aplicação e
ferramentas no contexto da quarta revolução industrial.
• Inteligência Artificial e sua Integração na Indústria 4.0: Neste capítulo são
apresentados alguns conceitos da IA, como os Algoritmos Evolutivos e a Aprendizagem
de Máquina, aprofundando especialmente nos tópicos e ferramentas utilizadas neste
trabalho.
• Proposta Metodológica de Otimização aplicada a Engenharia de Sistemas: Apresenta
e define a metodologia desenvolvida para a otimização de sistemas, detalhando a interação
dos tópicos fundamentais na metodologia e sua integração.
• Estudo de Caso 1 - Sistema de Gerenciamento de Produção de Energia utilizando
fontes renováveis de energia: Neste capítulo é abordado o primeiro estudo de caso que
propõe um Sistema de Gerenciamento de Produção de Energia utilizando fontes
renováveis. A solução encontrada utiliza técnicas baseadas em IA e Indústria 4.0 para um
gerenciamento inteligente.
• Estudo de Caso 2 - Serviço de Emergência num e-Hospital: Neste capítulo é abordado
o segundo estudo de caso, descrevendo um e-Hospital e melhorando o gerenciamento do
setor de emergência, otimizando o número de trabalhadores e melhorando a qualidade do
serviço. A proposta oferece uma solução baseada na telemedicina, área relacionada à
indústria 4.0. A solução é complementada com técnicas baseadas em IA, o qual permite
um gerenciamento inteligente.
30

• Conclusões e Perspectivas Futuras: Neste capítulo são apresentados comentários e
considerações finais, além de perspectivas e sugestões para o desenvolvimento de trabalhos
futuros nesta temática.

2 REVISÃO BIBLIOGRÁFICA

Este capítulo tem como objetivo apresentar uma revisãobibliográfica dos casos de
aplicação das diferentes áreas envolvidas neste trabalho de doutoramento, como a Pesquisa
Operacional, a Indústria 4.0, a Ciência de Dados, a Análise de Dados e a Inteligência Artificial.
A revisão bibliográfica é de vital importância para identificar a relação entre os tópicos de
estudo, ver o contexto de cada um dos tópicos e entender as aplicações, vantagens e
desvantagens de cada uma das áreas de interesse.
Inicialmente, será apresentada uma breve definição da Pesquisa Operacional e
posteriormente serão apresentados diferentes exemplos de aplicação em diferentes setores da
economia. Em seguida, o conceito da Indústria 4.0 será abordado detalhadamente,
especificando sua definição, caraterísticas, exemplos e pilares, cada pilar é definido e são
apresentados alguns exemplos de aplicação. Posteriormente, a Ciência de Dados, a Análise de
Dados e a Inteligência Artificial são definidos, mostrando seu papel no contexto atual e
introduzindo casos de uso de cada tecnologia de acordo a literatura recente. Finalmente, são
apresentadas as conclusões do capítulo e uma breve abordagem para as próximas etapas.

2.1 Pesquisa Operacional

A Pesquisa Operacional (PO) é uma área das matemáticas aplicadas que visa melhorar
a tomada de decisões em condições de incerteza dentro de sistemas complexos. Para isso, são
utilizadas diversas técnicas de análise e solução de problemas que tem o objetivo de otimizar o
desempenho de um sistema em estudo (MURTHY, 2007; TAHA, 2016; TRIGEORGIS;
TSEKREKOS, 2018).
Dentre as múltiplas aplicações da PO é possível encontrar diversas áreas como
Finanças, Marketing, Administração da Produção, Manufatura, Manutenção, Gestão de
Projetos, Escalonamento de Pessoal, Governo, Cadeia de suprimentos, Logística, Energia e
Meio Ambiente, entre outros tópicos (MERIGÓ; YANG, 2017; SHARMA, 2016;
TRIGEORGIS; TSEKREKOS, 2018).

2.1.1 Logística

A logística é a área que se preocupa pela organização de uma empresa, particularmente
na administração, distribuição e transporte de recursos, bens e serviços. Na bibliografia recente,
é possível encontrar casos de sucesso do uso da PO na logística, como o desenvolvimento e uso
de uma ferramenta de suporte de decisão para o reprojeto de um sistema de distribuição para
entrega expressa de encomendas (PARRIANI et al., 2019), ou o caso de otimização das
operações logísticas em um terminal de contêineres, através do projeto das rotas dos veículos
dentro do pátio, visando a minimização do número de operações efetuadas para rearranjo
necessário, com o objetivo de esvaziamento de um pátio de contêineres (BACCI et al., 2019).
Outro exemplo de aplicação de logística é o problema da separação de pedidos numa
empresa de confecções masculinas, sendo abordado como um problema de otimização com o
uso de uma função objetivo, que visa minimizar a distância percorrida pelos trabalhadores com
os produtos dos pedidos, melhorando assim o desempenho do sistema. O problema foi abordado
utilizando heurísticas e programação dinâmica. A solução encontrada está baseada na
modificação do uso das caixas, carregando nas mesmas produtos do mesmo tipo, reduzindo
assim, cerca de 25% do deslocamento dos trabalhadores, e uma melhoria de serviços (BUÉ et
al., 2019).

2.1.2 Design de Produto

O Design de Produto é a área que visa a otimização e melhora de produtos,
fundamentado em conhecimento artístico ou das engenharias. Nesta área pode-se encontrar
diversas aplicações da PO, como por exemplo, no caso da melhoria de um motor de relutância
síncrona através da otimização da forma geométrica do rotor, proporcionando assim uma
otimização das ondulações do torque, utilizando o mesmo núcleo do estator existente. Para o
desenvolvimento do projeto foram utilizadas ferramentas tais como a análise através de
elementos finitos, técnicas de otimização sem derivadas e métodos de otimização não linear.
Isto permitiu projetar um rotor que suavizasse o perfil do torque de saída do motor de cerca de
67% (CREDO et al., 2019).
Outro exemplo de aplicação que podemos citar é relativo à análise e parametrização
de reatores experimentais para potencial produção de eletricidade (Toakmaks) através da fusão
nuclear. A proposta visa a otimização do posicionamento dos sensores de aquisição de sinais
33

magnéticos necessários para a reconstituição de alguns parâmetros, permitindo assim, o
funcionamento do sistema. Este problema foi descrito como um problema generalizado de
atribuição, e a formulação permitiu encontrar uma metodologia de ajuste dos sensores baseada
em programação linear, seguindo abordagens atuais de teste e erro, para um tarefa que apresenta
elevada complexidade (DE TOMMASI et al., 2019).

2.1.3 Planejamento e Controle da produção

O Planejamento e Controle de Produção (PCP) está associado ao correto
gerenciamento das atividades de produção, entre as tarefas destacadas encontram-se a previsão
de demanda, o planejamento da capacidade de produção etc. A aplicação da PO no PCP pode-
se ver na indústria de manufatura, onde a otimização de recursos e a performance é uma
exigência atual do mercado global.
Dentre alguns exemplos atuais disponíveis na literatura, podemos citar o caso de
otimização da empresa italiana de laticínios “La Centrale del Latte di Vicenza SpA” cujo
objetivo era estabelecer a previsão da demanda dos produtos perecíveis, de modo a gerenciar
melhor os níveis de estoque em uma configuração do Planejamento das Necessidades de
Materiais (Material Requirement Planning - MRP) (BERTAZZI; MAGGIONI, 2019). Outro
exemplo de aplicação, é o caso da empresa italiana na área de fraldas descartáveis FATER
S.p.A., que otimizou o agendamento de produção e gerenciamento da distribuição, através da
implementação de softwares de otimização, utilizando diferentes pacotes (GIALLOMBARDO
et al., 2019).

2.1.4 Escalonamento de Pessoal

O escalonamento de pessoal é a área de estudo envolvida com a organização do recurso
humano nas empresas, e é um tópico de especial importância na indústria dos serviços pelo
impacto financeiro e da qualidade do serviço associado. A PO atualmente é amplamente
utilizada na área descrita nos diferentes setores associados ao setor de processos ou serviços,
melhorando e otimizando o planejamento do pessoal da empresa. Podemos citar o exemplo na
área da saúde, através da gestão de áreas num hospital, tais como a unidade de cuidados
34

intensivos, o serviço de emergência (AHMED; ALKHAMIS, 2009; BAI et al., 2018; C; APPA
IYER, 2013).
Um exemplo de escalonamento e otimização de pessoal pode ser o caso de um hospital
público em Kuwait, onde através da utilização de técnicas de simulação baseada em teoria das
filas e Simulação de Eventos Discretos, conseguiu-se obter uma alocação ideal de pessoal que
permitiria um aumento de 28% na taxa de transferência de pacientes e uma média de 40% de
redução do tempo de espera dos pacientes (AHMED; ALKHAMIS, 2009).
Por outro lado, casos de otimização em unidades de terapia intensiva de um hospital,
relacionados com a otimização e controle do fluxo de pacientes, gerenciamento de leitos, e
planejamento de pessoal são tópicos discutidos e analisados amplamente (BAI et al., 2018).

2.1.5 Ciências Sociais

A PO começa a ser utilizada com frequência na área de Ciências Sociais, onde é
possível encontrar exemplos tais como; o tráfico de pessoas que é um problema internacional
complexo envolvendo diferentes países; possível de ser abordado através da PO (KONRAD et
al., 2017). Outro exemplo de impacto social é a melhoria dos serviços de uma cooperativa
social, no caso a OMNIA, que fornece assistência domiciliar a crianças e pessoas com
deficiência física, onde através da PO foi possível realizar um planejamento dos turnos de
revezamento dos assistentes sociais, com o objetivo