Aplicação de algoritmos de aprendizado de máquina na previsão do indicador de tempo de permanência de veículos em uma usina siderúrgica

• Ano de defesa: 2024
• Autor(a) principal: Pereira, Victor Hugo Soares
• Orientador(a): Aguiar, Eduardo Pestana de
• Banca de defesa: Nóbrega, Rafael Antunes , Amaral, Jorge Luís Machado do
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Juiz de Fora (UFJF)
• Programa de Pós-Graduação: Programa de Pós-graduação em Modelagem Computacional
• Departamento: ICE – Instituto de Ciências Exatas
• País: Brasil
• Palavras-chave em Português: Aprendizado de máquina; Logística; Usina siderúrgica; Previsão de séries temporais; Machine learning; Logistics; Steel plant; Time series forecasting
• Área do conhecimento CNPq: CNPQ::CIENCIAS EXATAS E DA TERRA
• Link de acesso: https://repositorio.ufjf.br/jspui/handle/ufjf/18213

O Tempo de Permanência de Veículos (TPV) é um dos principais indicadores de eficiência operacional do processo de recebimento de sucata metálica de uma usina siderúrgica. Uma previsão precisa do TPV permite não apenas uma gestão mais eficiente de recursos, mas também a minimização de gargalos, o que resulta em uma operação mais ágil e econômica. Nesse sentido, diversos são os modelos de aprendizado de máquina que tratam da previsão de séries temporais. Este estudo tem o objetivo de remodelar uma base de dados transacional do processo de recebimento de caminhões de descarga de sucata metálica, com dados de Janeiro a Setembro de 2021, em uma série temporal do indicador de TPV e aplicar algoritmos de aprendizado de máquina, tanto clássicos quanto baseados em lógica fuzzy, para prevê-la. Foram aplicados métodos de grid search para busca dos melhores hiperparâmetros para os modelos, além de avaliar suas generalizações através de validação-cruzada. O desempenho dos modelos foi avaliado com base em métricas como Mean Average Error (MAE) e Root Mean Average Error (RMSE), e os resultados mostraram que o modelo NTSK-wRLS, baseado em lógica fuzzy, apresentou a maior precisão, destacando-se por sua capacidade de adaptação às dinâmicas do TPV e capturando, de forma eficaz, as variações sazonais e operacionais do processo. Por fim, este trabalho também contribui para a aplicação prática do aprendizado de máquina em ambientes industriais, evidenciando seu potencial para aprimorar processos de tomada de decisão.