ISSN Revista da PÓS-GRADUAÇÃO. da Faculdade de Tecnologia São Paulo PG - 03 JUN

Transcrição

1 ISSN Revista da PÓS-GRADUAÇÃO da Faculdade de Tecnologia São Paulo Ano I PG - 03 JUN Novembro de 2009 nº I

2 EXPEDIENTE GOVERNO DO ESTADO DE SÃO PAULO GOVERNADOR: Geraldo Alckmin SECRETARIA DE DESENVOLVIMENTO ECONOMICO, CIÊNCIA E TECNOLOGIA SECRETÁRIO: Paulo Alexandre Pereira Barbosa CENTRO ESTADUAL DE EDUCAÇÃO TECNOLÓGICA PAULA SOUZA PRESIDENTE DO CONSELHO DELIBERATIVO: Laura Laganá DIRETORA SUPERINTENDENTE: Laura Laganá VICE SUPERINTENDENTE: César Silva FATEC SP DIRETORA: Luciana Reyes Pires Kassab VICE-DIRETOR: Juarez Antonio Delibo FOTOS: Luciano Luís da Silva CAPA: Cesar Eduardo Rykala

3 Revista da PÓS-GRADUAÇÃO da Faculdade de Tecnologia São Paulo

4

5 SUMÁRIO ESCALONAMENTO DE PRODUÇÃO BASEADO EM ALGORITMOS GENÉTICOS Eduardo de Almeida Antunes e Silvio do Lago Pereira...05 BIM UMA NOVA FORMA DE PROJETAR Natanielly Rofner e Fernanda Maria Pinto Freitas Ramos Ferreira...15 MUDANÇAS NO AMBIENTE DE NEGÓCIOS DAS EMPRESAS Francisco Scarfoni Filho...27 A ANÁLISE DO RETORNO ECONÔMICO DE UM PROJETO DE INVESTIMENTO Luiz Roberto Vannucci...32 UMA INTRODUÇÃO AOS INSTRUMENTOS TÉCNICO CIENTÍFICOS PARA AVALIAÇÃO DE IMPACTO AMBIENTAL AIA NO PROCESSO DE LICENCIAMENTO AMBIENTAL Carina Maria Vela Ulian, Elvio Antonio Lopes Rivelli, Regina Helena Pacca Guimarães Costa...44 METODOLOGIA DE DESENVOLVIMENTO PARA EMPRESAS SEM DOCUMENTAÇÃO DE SOFTWARES Guayçara Gusmon Gonçalves... 59

6

7 ÁREA TEMÁTICA: ANÁLISE E PROJETO DE SISTEMAS ESCALONAMENTO DE PRODUÇÃO BASEADO EM ALGORITMOS GENÉTICOS Eduardo de Almeida Antunes 1, Silvio do Lago Pereira 2 1 Especialista em Análise e Projeto de Sistemas - FATEC-SP 2 Prof. Dr. do Departamento de Tecnologia da Informação - FATEC-SP eduardsjo@globo.com, slago@ime.usp.br Resumo: No cenário atual, altamente competitivo, as empresas buscam constantemente melhorar seus processos produtivos, visando aumento de lucros e redução de custos. No caso das empresas de manufatura, um meio para alcançar este objetivo consiste em otimizar o escalonamento de sua produção, isto é, encontrar uma forma eficiente de fabricar cada lote de produtos. Normalmente, o escalonamento de produção é feito com a ajuda de sistemas computadorizados. Porém, devido ao grande número de variáveis envolvidas, o uso de métodos computacionais exatos para obtenção de soluções ótimas, em tempo hábil, é inviável. Assim, este artigo propõe um método heurístico, baseado em algoritmos genéticos, capaz de obter soluções aproximadas para o problema de escalonamento, discute os detalhes de sua implementação e analisa resultados experimentais, que demonstram a viabilidade do método proposto. Palavras-chave: Sistemas de produção; Escalonamento de Produção; Algoritmos Genéticos. Abstract: In the current highly competitive scenario, companies are constantly striving to improve their production processes, aiming at profit increase and cost reduction. In the case of manufacturing companies, this goal can be attained by optimizing their production scheduling, that is, by finding an efficient way of manufacturing each lot of products. Frequently, the production scheduling is made with the aid of computerized systems. However, due to the big number of variables involved in, the use of exact computational methods for obtaining optimal solutions, in good time, is impracticable. Thus, this paper proposes a heuristic method, based on genetic algorithms, capable of obtaining approximate solutions for the scheduling problem, discusses implementation details and analyzes experimental results, which demonstrates the viability of the proposed method. Keywords: Manufacturing Systems; Job Shop Scheduling Problem; Genetic Algorithms. 5

8 I. INTRODUÇÃO No cenário atual, altamente competitivo, as empresas buscam constantemente melhorar seus processos produtivos, visando aumento de lucros e redução de custos. Assim, elas podem atender à demanda de seu mercado e se tornarem mais competitivas perante as suas concorrentes (SHINGO, 1996). No caso das empresas de manufatura, uma maneira de melhorar sua produção consiste em otimizar o escalonamento de sua produção, ou seja, encontrar uma forma eficiente de fabricar cada lote de produtos. De fato, o escalonamento da produção é essencial para a sobrevivência destas empresas no mercado, possibilitando não apenas a redução de custos e o aumento de lucros, mas também o cumprimento dos prazos estipulados pelos clientes, o que pode vir a ser um grande diferencial perante as suas concorrentes; pois o não cumprimento de prazos, além da consequência imediata de descontentamento do cliente, em longo prazo, pode resultar em uma mancha irreparável na imagem da empresa (PINEDO & CHAO, 1999). Segundo dados divulgados pela FIESP, apenas em São Paulo, existem mais de 150 mil indústrias, dos mais variados tamanhos e de diferentes setores produtivos (FIESP, 2010). Em cada uma delas, diariamente, diversos lotes de produtos são fabricados e, para cada um deles, é necessário realizar um escalonamento de produção. Na maioria dos casos, devido ao grande número de variáveis envolvidas, o escalonamento de produção é feito com a ajuda de sistemas informatizados. Formalmente proposto em (FISHER & THOMPSON, 1963), o problema de escalonamento de produção (ou Job Shop Scheduling Problem JSSP) consiste em encontrar uma forma eficiente de fabricar um lote de produtos, considerando que: (a) cada produto requer a realização de n operações de produção, que devem ser efetuadas de forma sequencial em m máquinas, e (b) cada operação deve ser executada em uma máquina exclusiva, durante um período de tempo t. A distribuição e ordenação das operações em máquinas deve ser feita de modo a minimizar o tempo total de produção do lote. O JSSP é um problema bastante complexo, classificado pela teoria da complexidade computacional (GAREY & JOHNSON, 1979) como NP-completo, cujo tempo de processamento aumenta exponencialmente em função do número de máquinas e operações envolvidas, isto é, tem uma complexidade de tempo da ordem de (m!) ⁿ. Assim, por exemplo, para um problema 20 10, há possibilidades de solução, excedendo a idade do universo em microssegundos (JAIN & MEERAN, 1998), o que na prática inviabiliza o uso de métodos de busca exaustivos para a obtenção de uma solução exata para este problema. Diante deste desafio, este artigo propõe o uso de algoritmos genéticos como uma abordagem heurística para a solução do problema de escalonamento de produção. Conforme constatado em testes realizados, o sistema desenvolvido com base nesta abordagem proposta (ANTUNES & PEREIRA, 2010) é capaz de gerar boas soluções aproximadas, num curto período de tempo. O restante deste artigo está organizado da seguinte forma: na Seção II, é definido o problema de escalonamento de produção e suas variações; na Seção III, são indicadas outras referências para o JSSP; na Seção IV é apresentada a metodologia empregada no desenvolvimento de um sistema de escalonamento da produção usando algoritmos genéticos; na Seção V, são analisados os resultados empíricos obtidos com o sistema (evolução das respostas e tempo de processamento); e por fim, na Seção VI, são apresentadas as considerações finais e indicados outros aspectos a serem tratados em possíveis trabalhos futuros. 6

9 II. PROBLEMA DE PESQUISA E OBJETIVO O problema de escalonamento de produção proposto em (FISHER & THOMPSON, 1963), envolvendo 10 itens, 10 máquinas e 100 operações, permaneceu sem solução por cerca de 20 anos. Para pequenas instâncias deste problema, métodos de busca exaustivos podem ser aplicados com sucesso. Porém, por se tratar de um problema NPcompleto (GAREY & JOHNSON, 1979), em que o tempo de processamento aumenta exponencialmente em função do número de máquinas e operações, na prática, o uso de métodos exaustivos para obtenção de uma solução exata para este problema se torna inviável. A Figura 1 ilustra a solução para um problema de escalonamento da produção de um lote de três produtos, envolvendo três máquinas e três operações. A ideia é encontrar uma forma de sequenciar as operações nas máquinas, de modo a minimizar o tempo de produção (makespan). Máquina 1 Máquina 2 Máquina 3 Tempo (t) Figura 1 Escalonamento da produção de um lote de três produtos. Há diversos tipos de escalonamento de produção (PINEDO, 2008). Dentre eles, os mais comuns são os seguintes: Open Shop - não há restrições de ordem sobre as operações e cada máquina é capaz de realizar qualquer operação. Job Shop - as operações para cada produto a ser fabricado são totalmente ordenadas e podem não usar todas as máquinas disponíveis. Há diferenciações para fluxos onde itens visitam cada máquina mais de uma vez. Flow Shop - a fabricação dos produtos segue a mesma ordem, visitando as mesmas máquinas, na mesma sequência. Além disso, o escalonamento de produção pode ter outros objetivos, além de minimizar o tempo de produção de um lote. Por exemplo, pode-se citar: (a) tempo total de produção, ou lead time, que consiste em minimizar não apenas o tempo de fabricação de itens, mas também nos tempos de emissão da ordem de produção, tempos de espera entre operações, preparação e tempos de deslocamento entre cada operação (KENDALL et al., 2005); (b) tempo de fluxo, ou flow time, que consiste em minimizar o tempo entre o início de uma tarefa na fábrica e sua completa disponibilidade (KENDALL et al., 2005); (c) tempo ocioso, ou idle time, que é o tempo em que uma tarefa fica na planta fabril sem ser processada (CONWAY et al., 2003); (d) tempo de espera, ou wait time, que é o tempo que uma tarefa espera pela disponibilidade de uma máquina para ser iniciada (PINEDO, 2008). Neste artigo, o principal objetivo é avaliar o desempenho de um sistema, baseado em algoritmos genéticos, que obtém soluções aproximadas para a versão Flow Shop do problema de escalonamento, em que cada operação é executada em uma máquina específica e a operação subsequente só é iniciada após o término da operação anterior. Neste sistema, o objetivo é minimizar o tempo total de produção do lote (i.e., makespan). 7

10 III. REVISÃO BIBLIOGRÁFICA A intensa e contínua pesquisa sobre o problema de escalonamento de produção é motivada por diversas razões, mas principalmente pela inviabilidade prática de empregar métodos de busca exaustivos para encontrar soluções exatas (i.e., ótimas) para este problema em tempo hábil (em contraponto ao uso de abordagens heurísticas, que encontram soluções quase ótimas em curtos períodos de tempo) (JAIN & MEERAN, 1998). Em 1990, Biegel e Davem (apud CHAKRABORTY, 2009) foram uns dos primeiros a usar conceitos de genética para resolver problemas de sequenciamento de operações. Mais tarde, em 1998, Jawahar (apud CHAKRABORTY, 2009) empregou algoritmos genéticos para resolver problemas de escalonamento em um sistema de produção envolvendo máquinas flexíveis. Em 1999, Chen (apud CHAKRABORTY, 2009) propôs que a codificação dos cromossomos representando possíveis soluções de escalonamento nos algoritmos genéticos fosse realizada por uma sequência contínua de caracteres, tendo como objetivo a otimização do makespan. Na literatura da área, muitos outros métodos para solução do problema de escalonamento com base em algoritmos genéticos foram propostos. Cada um deles focando uma parte específica do sistema como, por exemplo, a codificação cromossômica, diferentes funções objetivos, e operações de cruzamento e mutação. Vale ainda ressaltar que escalonamento não é um problema específico do ambiente de produção industrial. Há outros contextos em que uma solução eficiente para o problema de escalonamento é desejável como, por exemplo, o escalonamento de processos em um sistema de computação distribuído, sequenciamento das tarefas necessárias para o desenvolvimento de um determinado projeto ou ainda alocação de professores, disciplinas e salas de aula num ambiente educacional (MAZZUCCO, 1999). IV. METODOLOGIA A metodologia empregada neste trabalho consiste no desenvolvimento de um sistema aplicativo para resolver problemas de escalonamento usando algoritmos genéticos e na realização de experimentos com este sistema, a fim de verificar seu comportamento Fundamentos de Algoritmos Genéticos Segundo (DARWIN, 1859), as plantas e animais existentes hoje são resultantes da sua adaptação ao ambiente, durante milhões de anos. Durante um período de tempo, organismos diferentes coexistiram num mesmo ambiente e competiram pelos mesmos recursos. Mas, com o passar do tempo, os organismos mais adaptados às condições ambientais tendem a se proliferar, enquanto aqueles menos adaptados tendem a se extinguir. Nas décadas de 1960 e 1970, inspirados na teoria de Darwin, Jonh Holland e alguns de seus alunos criaram os algoritmos genéticos (HOLLAND, 1975), isto é, uma classe de algoritmos probabilísticos que não garantem soluções ótimas, mas sim soluções quase ótimas, dentro de um período de tempo hábil (OLIVEIRA, 2001). Os organismos vivos são constituídos de células que contêm cromossomos; cada um deles formado por genes que armazenam características específicas (e.g., cor dos olhos, estatura), que determinam um particular indivíduo. Analogamente, nos algoritmos genéticos, cada cromossomo representa uma possível solução de um problema. Neste caso, porém, os cromossomos são representados por cadeias de bits (MITCHELL, 1996). 8

11 A propagação da informação genética contida nos cromossomos, ao longo das gerações, ocorre como resultado da reprodução dos indivíduos. Nos algoritmos genéticos, a reprodução é simulada por meio da combinação (i.e., cruzamento) de duas possíveis soluções para gerar novas possíveis soluções (SIVANANDAM & DEEPA, 2008). Ademais, como na natureza, durante o cruzamento podem ocorrer erros na cópia do material genético, ocasionando o fenômeno de mutação. A mutação leva ao nascimento de indivíduos que não têm exatamente as mesmas características de seus pais. Nos algoritmos genéticos, a mutação é o mecanismo que garante a diversidade da população (JONES, 2008). O ciclo básico de execução de um algoritmo genético é apresentado na Figura 2. Inicialmente, uma população de indivíduos (i.e., cromossomos) é criada aleatoriamente, cada um deles representando uma possível solução para o problema a ser resolvido. Então, cada indivíduo da população é avaliado quanto à sua aderência ao problema em questão e os mais adaptados são selecionados para dar origem, por meio de operações genéticas, a novos indivíduos na próxima geração (LINDEN, 2008). Este processo é repetido, ciclicamente, até o surgimento de um indivíduo representando uma solução ótima para o problema ou até que um número máximo de gerações predefinido seja alcançado. Figura 2 Ciclo de execução de um algoritmo genético (ANTUNES & PEREIRA, 2010). A codificação dos cromossomos que irão compor a população a ser evoluída, a fim de se obter uma solução otimizada para um problema específico, é um ponto crucial na implementação dos algoritmos genéticos. Esta codificação pode ser realizada de diversas formas e a escolha da melhor forma depende do problema a ser tratado. Entre elas, as mais comuns são as codificações por permutação e por valor, e em árvore (POLI et al., 2008). Outro aspecto importante é decidir como os cromossomos serão avaliados. A função de avaliação é o meio pelo qual os algoritmos genéticos determinam a qualidade de cada cromossomo como solução para o problema tratado. Esta avaliação é feita de forma que premie indivíduos com genes que contribuem para uma solução ótima e penaliza indivíduos com genes que não atendem restrições do problema (LINDEN, 2008). Uma vez que os indivíduos da população tenham sido gerados e avaliados, selecionam-se aqueles que irão sofrer de operações genéticas para dar origem a novos indivíduos. A seleção dos pais decide quais características serão propagadas aos filhos, como ocorre na seleção natural. O objetivo da seleção é propagar as características dos melhores indivíduos, a fim de evoluir as respostas ao longo das gerações (MITCHELL, 1996). Uma vez selecionados os pais, estes são submetidos a operações genéticas, que são essenciais para propagar características adquiridas em gerações anteriores, bem como para manter a diversidade dos indivíduos na população. Há duas operações genéticas básicas: cruzamento, que consiste na combinação dos códigos genéticos de dois indivíduos para a geração de novos indivíduos, e mutação, que consiste na alteração do código genético original. 9

12 Um fator de grande importância no desempenho do algoritmo genético (LINDEN, 2008) é o tamanho da população. Poucos membros causam pouca diversidade genética e prejudicam o algoritmo na identificação de uma solução. Por outro lado, a quantidade excessiva de indivíduos tem impacto direto no tempo de processamento. Outro fator importante é a forma como a nova população será composta, influindo em como a busca por melhores membros evoluirá para uma solução. Para garantir que, a cada geração, a evolução produza pelo menos um indivíduo tão bom quanto o melhor da última geração, os algoritmos genéticos mantêm sempre os n melhores membros da população anterior na nova população. Esta estratégia, denominada elitismo, garante que os melhores indivíduos sobrevivam ao longo das gerações (AHN, 2006) Sistema de Escalonamento de Produção Com base nos fundamentos de algoritmos genéticos, foi desenvolvido um sistema aplicativo para resolver uma versão do problema de escalonamento de produção, conhecida como Flow Shop (PINEDO, 2008). Nesta versão, cada operação é executada em uma máquina específica e a operação subsequente só é iniciada após o término da operação precedente. Além disso, cada máquina executa apenas uma operação por vez e o tempo total de produção de um item é a soma dos tempos de execução de cada uma de suas operações. A interface do sistema, desenvolvido em linguagem C#, sob a plataforma Visual Studio Standard 2008, é apresenta na Figura 3. Neste sistema, o objetivo é minimizar o tempo total de produção de um lote de produtos a serem fabricados (i.e., o makespan). Figura 3 Janela do sistema de escalonamento desenvolvido. O usuário especifica o problema a ser resolvido, indicando a quantidade de produtos, a quantidade de operações para cada produto e a quantidade de máquinas a serem usadas. No caso do Flow Shop, como cada máquina é dedicada a um único tipo de ope- 10

13 ração, estas duas quantidades devem ser iguais. Além disto, o usuário pode ainda parametrizar o algoritmo genético, alterando o tamanho da população e a quantidade de gerações. A solução do problema de escalonamento encontrada pelo algoritmo genético é representada por meio de um diagrama de Gantt, em que cada produto fabricado é indicado por uma cor distinta e cujas etapas de produção são distribuídas verticalmente entre as diversas máquinas (M0, M1, M2,...). A ordem de execução das operações nas máquinas é indicada horizontalmente. Cada operação processada em uma máquina consome um tempo indicado em escala numeral. O sistema aplicativo permite o acompanhamento da evolução das possíveis soluções ao longo das gerações pelo painel central, onde é indicado, para cada geração, o menor tempo total (makespan) obtido. Na população manipulada pelo algoritmo genético, cada cromossomo consiste numa possível solução para o problema de escalonamento especificado pelo usuário, conforme ilustrado na Figura 4. Cada gene define um produto, uma de suas operações, a máquina que realizará esta operação e o tempo de execução da operação. Figura 4 Estrutura dos cromossomos e operação de cruzamento. A população inicial é gerada aleatoriamente, de acordo com as quantidades de produtos e operações indicadas pelo usuário. Cada indivíduo na população é denotado por um cromossomo de tamanho (quantidade de produtos) (quantidade de operações) e, para cada operação o é atribuído um valor t o, representando o tempo de execução desta operação (no caso do Flow Shop, assume-se ainda que a máquina m i realiza a operação o i ). A cada ciclo do algoritmo genético, todos os indivíduos da população são avaliados e são escolhidos aqueles (mais aptos) que serão submetidos às operações genéticas (cruzamento e mutação), a fim de produzir descendente na próxima geração (Figura 4). O cruzamento é responsável pelo surgimento de cromossomos que herdam características de indivíduos de gerações anteriores. Para evitar o surgimento de cromossomos inválidos, genes que codificam uma mesma máquina não são separados durante o cruzamento. Por este mesmo motivo, a mutação é feita de modo que dois genes pertencentes à mesma máquina sejam permutados. Os novos indivíduos gerados passam a compor a nova geração, juntamente os indivíduos selecionados por elitismo. O ciclo do algoritmo genético se repete até que número de gerações indicado pelo usuário seja alcançado. Neste ponto, um indivíduo com avaliação máxima na população corrente é selecionado como solução do problema de escalonamento. Para maiores detalhes, acesse o código-fonte e o código-executável do sistema, que se encontra disponível endereço 11

14 V. RESULTADOS O aplicativo desenvolvido foi submetido a vários testes, em diversos cenários (variando-se a quantidade de produtos, a quantidade de operações, o tamanho da população e a quantidade de gerações). Os testes foram realizados em um microcomputador Pentium Dual Core E5200, com velocidade de 2,5 Ghz e 2 Gb de memória. A Tabela 1 apresenta os resultados mais relevantes, obtidos com os 30 experimentos realizados (os demais resultados estão disponíveis no endereço Experimento Tabela 1 Resultados de alguns dos experimentos realizados. Makespan inicial Makespan final Gerações População Produtos Operações tempo (s) , , , , , , , , , , , ,587 A convergência do algoritmo genético e a sua evolução no espaço de busca foram avaliadas com relação ao tamanho da população e a quantidade de gerações. Comparando-se os resultados dos Experimentos 1 e 6 àqueles dos Experimentos 12 e 14, observou-se um aumento na velocidade de convergência, necessitando de menos gerações para o segundo grupo. Este fenômeno é decorrente do aumento do tamanho da população em cada geração, de 250 no primeiro grupo, para 500 no segundo grupo. Com relação à evolução das soluções, para instâncias pequenas (entre 5 e 10 operações e produtos), observou-se uma redução média de makespan em torno de 32%. Com destaque para o Experimento 12, cuja redução foi de 58%. Por outro lado, para instâncias maiores (entre 10 a 20 produtos e operações), observou-se uma evolução média de 16%. Com destaque para o Experimento 25, cuja evolução foi de 30%. Isto mostra que instâncias maiores requerem populações maiores, e mais gerações, para evolução das respostas. Outro aspecto avaliado com os experimentos foi o tempo de execução do sistema. Comparando-se os Experimentos 1 e 2, nos quais foi mantida a quantidade de operações e incrementado o número de produtos, observou-se um aumento de tempo de 27%. Comparando-se os Experimentos 1 e 6 e os Experimentos 23 e 24, nos quais o número de produtos é dobrado, observou-se um aumento de tempo de 2,8 e 3,4 vezes, respectivamente. Estes aumentos não chegam a ser exponenciais (como nos métodos exaustivos). Com relação à influência do aumento do tamanho da população, todos os experimentos apresentaram resultados muito parecidos. Quando o tamanho da população foi dobrado (e.g., Experimentos 1 e 12, Experimentos 25 e 26 e Experimentos 29 e 30), o tempo de execução também foi praticamente o dobro (observa-se um aumento linear). Com estas análises, pode-se concluir que instâncias pequenas do problema necessitam de populações menores e menos gerações para evolução de suas respostas. 12

15 Por outro lado, à medida que os valores de produtos e operações aumentam, são necessárias maiores populações e gerações para que haja a diversidade necessária para a evolução das soluções. Mesmo assim, a complexidade de tempo do método não chega a ser exponencial. VI. CONCLUSÃO O escalonamento de produção eficiente é um fator decisivo para o sucesso de empresas de manufatura. Devido à inviabilidade prática do uso de métodos exaustivos para a solução exata do problema de escalonamento, muitas pesquisas têm sido realizadas em busca de métodos que diminuam a complexidade computacional desta tarefa. Particularmente, este artigo propõe um método heurístico para obtenção de soluções aproximadas, porém dentro de tempos aceitáveis, usando algoritmos genéticos. Para verificar a viabilidade prática do método proposto, foi desenvolvido um sistema para resolver o Flow Shop, um tipo particular de problema de escalonamento de produção, usando o critério de minimização do makespan. A análise dos resultados de testes realizados com este sistema comprova a viabilidade prática do método proposto. Algumas melhorias podem ainda ser feitas no sistema, como possíveis extensões deste trabalho. Entre elas, destacam-se: uso de outros critérios de otimização (e.g., priorização do menor custo, menores tempos de entrega) e eliminação de gargalos de produção, pela divisão de operações entre máquinas que processem tarefas do mesmo tipo. VII. REFERÊNCIAS AHN W. C. Advances in Evolutionary Algorithms: Theory, Design and Practice. Springer, Sansung Advanced Institute, ANTUNES, E. A. & PEREIRA, S. L. Escalonamento de Produção baseado em Algoritmos Genéticos. 12 Simpósio de Iniciação Científica e Tecnológica, Boletim Técnico da FATEC- SP, São Paulo, CHAKRABORTY K. U. Computational Intelligence in Flow Shop and Job Shop Scheduling. Springer, Missouri, CONWAY R. W.; Maxell L. W & Miller L. W, Teory of Sheduling Addison-Wesley Publishing Company. New York, DARWIN, Charles. On the origin of species by means of natural selection, 1ªed, London: John Murray, Acesso em: 05 Mai FIESP. FIESP, um projeto para o Brasil, Acesso em: 15 jul FISHER, H. & THOMPSON, L. Probabilistic Learning Combinations of Local Job-shop Scheduling Rules. Industrial Scheduling, Prentice Hall, Englewood Cliffs, New Jersey, GAREY, M. R. & JOHNSON, D. S. Computers and Intractability, A Guide to the Theory of NP-Completeness. W.H. Freeman and Company, HOLLAND, J. H. Adaptation in Natural and Artificial Systems. University of Michigan Press,

16 JAIN A. S. & MEERAN S. A State of Art Review of Job-Shop Scheduling Techniques. University of Dundee, Scotland, UK JONES, Tim M., Artificial Intelligence: a Systems Approach, Infinity Science PressLlc, Hingham, Massachusetts, New Delhi, KENDALL G.; BURKE, E.; PETROVIC, S.; GENDREAU M. Multidisciplinary Scheduling: Theory and Applications. Springer, New York, LINDEN, R. Algoritmos Genéticos, 2º Edição. Brasport, Rio de Janeiro, MAZZUCCO J. J. Uma Abordagem Híbrida ao Problema da Programação da Produção através dos Algoritmos Simulated Annealing e Genético. Tese de Doutorado, UFSC, MITCHELL, M. An Introduction to Genetic Algorithms. MIT Press, OLIVEIRA, R. L. Escalonamento de um Job Shop: Análise de um Algoritmo com Regras Heurísticas. Dissertação de Mestrado. Porto Alegre PINEDO, M. Scheduling: Theory, Algorithms, and Systems. Third Edition, Pearson Asia Education Limited and Tsinghua University Press, PINEDO, M.; CHAO, X. Operations Scheduling with Applications in Manufacturing and Services, New York. Irwin McGraw-Hill, POLI, R.; LANGDON, W. B.; MCPHEE, N. F.; Contribuições de Koza, J. R. A Field Guide to Genetic Programming. Publicado via e disponível em SHINGO, S. O Sistema Toyota de Produção do Ponto de Vista da Engenharia de Produção. Artmed Editora. 2ª Edição. Porto Algere, SIVANANDAM. N. e DEEPA S. N., Introduction to Genetic Algorithms, Springer

17 ÁREA TEMÁTICA: GERENCIAMENTO DE PROJETOS BIM UMA NOVA FORMA DE PROJETAR Natanielly Rofner 1 e Fernanda Maria Pinto Freitas Ramos Ferreira 2 1 Especialista em Gerenciamento de Projetos - FATEC-SP 2 Profª Drª do Departamento de Edifícios FATEC-SP nrofner@gmail.com, ramosferreira2004@yahoo.com.br Resumo: Este trabalho tem como objetivo a apresentação dos principais benefícios e dificuldades ao se utilizar a metodologia BIM em projetos de construção civil no Brasil, especialmente na cidade de São Paulo. Serão apresentados os métodos e tecnologias aplicados para a elaboração dos projetos e automação da compatibilização de projetos de diversas disciplinas. Palavras-Chave: BIM, Modelagem da informação da Construção, Gestão de Projetos. Abstract: This paper aims at presenting the main benefits and difficulties when using the methodology BIM in construction projects in Brazil, especially in São Paulo. It will be presented the methods and technologies applied for the preparation of projects and automation compatibility of projects in various disciplines. Key Words: BIM, Building Information Modeling, Project Management. 15

18 I. INTRODUÇÃO Há alguns anos, quando os projetos deixaram de ser criados em pranchetas para serem elaborados em softwares de sistemas vetoriais, houve um grande avanço nos processos para projetos de construção civil. Porém, toda a tecnologia empreendida nesse processo ainda não reduzia o tempo para a realização da compatibilização dos projetos, mantendo esta fase do processo lenta, dispendiosa e propensa a erros. Os erros que, por ventura, não tenham sido detectados nesse processo podem impactar fortemente em sua fase construtiva, gerando ônus e descumprimento de prazos. A Modelagem da Informação da Construção (tradução para o português de Building Information Modeling - BIM), proporciona uma visão global de todas as plataformas de trabalho envolvidas, permitindo que diferentes projetistas, engenheiros, arquitetos e departamentos correlatos atuem simultaneamente, antecipando problemas e situações que ficariam visíveis apenas no decorrer da construção. BIM é um conceito que envolve em seu fundamento a integração entre as diversas áreas de conhecimento relevantes à realização de um projeto. A modelagem 3D paramétrica e a interoperabilidade (comunicação entre diversos softwares) são características essenciais que dão suporte a esse conceito. Através das pesquisas realizadas em uma construtora e duas empresas de consultoria paulista, analisamos os principais benefícios e dificuldades ao se utilizar a metodologia BIM em projetos de construção civil. II. EVOLUÇÃO DO PROCESSO DE ELABORAÇÃO DOS PROJETOS Nos últimos 60 anos, a computação gráfica tem evoluído constantemente, proporcionando novas ferramentas que aprimoraram os métodos de elaboração dos projetos, que, até ofinal da década de 1970, eram realizados em pranchetas, conforme a imagem 1. Imagem 1: Processo de produção de projetos na década de 1970, de forma manual e com utilização de pranchetas. Fonte: Correa (2011) 16

19 De acordo com Saad apud Ferreira (2008), já na década de 1960, a computação gráfica começou a ser inserida em pesquisas universitárias e em pequenas empresas que desenvolveram softwares para necessidades específicas, e apenas no final da década de 1970, passaram a ser comercializados atingindo os profissionais da área técnica no início da década de 1980, com o lançamento do software AutoCAD, da Autodesk. Durante a década de 1980, a forma usual de projetar utilizando computação gráfica limitava-se ao 2D. No final dos anos 80 e início dos anos 90 iniciou-se o uso de softwares que possibilitavam a elaboração de projetos em 3D, porém apenas com o uso de objetos vetoriais, sem a inserção de informações pertinentes ao projeto, conforme a imagens 2 e 3. Imagens 2 e 3: Projeto elaborado em 2D, como nos anos 80 (A), e em 3D como nos anos 90 (B). Fonte: Acervo do autor. Na década de 1990, segundo Corrêa (2011), houve alguns estudos acadêmicos realizados na Inglaterra e, dentre eles, havia o Really Universal Computyer Aided Production System (RUCAPS), que utilizava um conceito de geometria de caixa em que vistas 2D eram previamente elaboradas e coladas em um prisma retangular, formando um objeto tridimensional. Esses elementos podiam ser modelados, criados por linhas de código ou por listagem de parâmetros. A barreira para utilização desta tecnologia eram o custo e a necessidade de utilização de mainframes (o Sonata sucessor do RUCAPS custava cerca de 30 mil libras). Em 1997, um grupo de formandos do MIT (Massachussets Institute of Technology) em conjunto com um grupo de ex-funcionários da empresa de softwares Parametric Technologies Corporation (PCT) e alguns investidores fundaram a empresa Revit Technologies Corporation e colocaram no mercado o Revit que revolucionou a indústria de softwares para a construção por ser o primeiro software de modelagem de edifício paramétrico no mercado, conforme a imagem 4. A Revit Technologies Corporation foi comprada pela Autodesk em

20 Imagem 4: Processo de produção de projeto com Revit Architeture. Fonte: Sutherland (2011). Com o aumento das funções dos softwares para modelagem, houve a possibilidade de aumentarem também as informações obtidas durante a execução da modelagem. O desenvolvimento de plataformas para as quais se possam convergir essas informações tornou-se não apenas desejável, mas também um vislumbre de trabalho com todo o projeto como um produto único, mantendo todos os setores envolvidos atuando de maneira compassada no decorrer da elaboração. É neste cenário que inserimos o BIM, apresentando essa possibilidade em seu conceito, ampliando ainda mais as áreas de interação, indo além das informações de modelagem gráfica e proporcionando a aplicação de inúmeros parâmetros. No final do ano de 2004, os simuladores de projetos foram lançados. Neles a integração se estende para além das plataformas CAD, utilizando-se de softwares de gestão, como Microsoft Project, Primavera e similares. Ou seja, além da modelagem em 3D, pode-se integrar também ao modelo um cronograma das atividades, possibilitando a simulação do projeto antes da execução.desta forma é possível visualizar e compatibilizar todos os projetos de uma construção, transformando-os em um único modelo interativo que permite a aplicação de um cronograma, onde se pode visualizar com precisão qualquer estágio da obra, tornando possível a detecção de interferências e análise de pontos críticos durante a execução de forma visual, conforme a imagem 5. Essa convergência de informações foi denominada 4D. 18