Mostrar el registro sencillo del ítem
Algoritmos de aprendizado de máquinas aplicados no dimensionamento e controle de estoque na indústria de bebidas
dc.contributor.author | Ganem, Alan Motta | |
dc.date.accessioned | 2020-12-01T11:44:58Z | |
dc.date.available | 2020-12-01T11:44:58Z | |
dc.date.issued | 2020-10-13 | |
dc.identifier.citation | GANEM, Alan Motta. Algoritmos de aprendizado de máquinas aplicados no dimensionamento e controle de estoque na indústria de bebidas. 2020. Trabalho de Conclusão de Curso (Graduação em Engenharia Química) – Universidade Federal de São Carlos, São Carlos, 2020. Disponível em: https://repositorio.ufscar.br/handle/ufscar/13505. | * |
dc.identifier.uri | https://repositorio.ufscar.br/handle/ufscar/13505 | |
dc.description.abstract | Inventory planning is an extremely important task within any industry. This importance becomes even more remarkable for industries that deals with complex and intricate supply chains, with plants spread around many regions of the country, varying lead times and different suppliers. In this work, we will use data science and machine learning techniques to carry out forecasting and inventory control of various supplies in different plants, in a large beer industry. For the consumption forecast, Holt-Winters, Gradient Boosting (LGBM implementation), Dense Neural Networks and a simple persistence model (predicting the future as being exactly the past values) were used. The predictive models generated were validated using the mean absolute error (MAE) metric and the residuals were tested for normality (Shapiro-Wilk), zero mean (t-test) and autocorrelation (Ljung-Box). A Python software was developed in order to simulate a predictive inventory control system using the prediction of each of these models alongside with a heuristic inventory policy provided by the company. The resizing of the inventory policy was also tested (lower bound threshold), taking into account the predictive performance of the models for each time series. Finally, using inventory metrics from simulation and the Pareto front technique for multiobjective optimization, the best candidates were selected for further validation in production stage. | por |
dc.description.sponsorship | Não recebi financiamento | por |
dc.language.iso | por | por |
dc.publisher | Universidade Federal de São Carlos | por |
dc.rights | Attribution-NonCommercial-NoDerivs 3.0 Brazil | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/br/ | * |
dc.subject | Planejamento | por |
dc.subject | Controle | por |
dc.subject | Estoque | por |
dc.subject | Aprendizado de máquinas | por |
dc.subject | Indústria | por |
dc.subject | Cadeia de suprimentos | por |
dc.title | Algoritmos de aprendizado de máquinas aplicados no dimensionamento e controle de estoque na indústria de bebidas | por |
dc.title.alternative | Machine learning algorithms in sizing and stock control in the beverage industry | por |
dc.type | TCC | por |
dc.contributor.advisor1 | Horta, Antonio Carlos Luperni | |
dc.contributor.advisor1Lattes | http://lattes.cnpq.br/5923938048634505 | por |
dc.description.resumo | O planejamento e controle de estoque é uma tarefa extremamente importante dentro de qualquer indústria. Essa importância se torna ainda mais notável quando a indústria tem que lidar com uma complexa e intrincada cadeia de suprimentos, com insumos variados, tempos de ressuprimento distintos e sazonais e diversos fornecedores. Nesse trabalho, foram utilizadas técnicas de ciência de dados e aprendizado de máquinas para simular a previsão e a simulação do controle de estoques de diversos insumos em diversas unidades fabris, em uma indústria de bebidas. Para a previsão de consumo, foram utilizados os modelos de Holt-Winters, Gradient Boosting (implementação LGBM), Redes Neurais Densas e um Modelo simples de persistência (prever o futuro como sendo exatamente os valores passados). Os modelos preditivos gerados foram validados utilizando a métrica de erro absoluto médio (MAE) e os resíduos foram testados para normalidade (Shapiro-Wilk), média zero (Teste t) e auto correlação (Ljung-Box). Foi desenvolvido um programa na linguagem Python para simular um sistema de controle de estoque utilizando a previsão de cada um desses modelos em conjunto com uma política de estoque heurística, utilizada pela companhia em que esse estudo de caso foi realizado. Foi testado também o redimensionamento dessa política de estoque (tamanho do estoque mínimo) levando em conta a performance preditiva dos modelos para cada série temporal. Por fim, utilizando métricas de estoque e a técnica de fronteira de Pareto para otimização multiobjetivo, foram selecionados os modelos Holt-Winters e de redes neurais densas como candidatos para passarem por uma etapa futura de validação em produção. | por |
dc.publisher.initials | UFSCar | por |
dc.subject.cnpq | ENGENHARIAS::ENGENHARIA QUIMICA | por |
dc.publisher.address | Câmpus São Carlos | por |
dc.contributor.authorlattes | http://lattes.cnpq.br/0826732869672295 | por |
dc.publisher.course | Engenharia Química - EQ | por |