O planejamento de recursos materiais é uma parte importante do
gerenciamento da cadeia de suprimentos. As tarefas na cadeia de suprimentos
precisam de materiais e recursos para serem executadas e, portanto, alocar os
recursos corretamente é uma parte importante do planejamento de tarefas.
Especificamente, as tarefas de construção de poços submarinos requerem a
utilização de recursos, como sondas, e o planejamento do cronograma dessas
operações envolve o dimensionamento de diversos materiais e serviços necessários
para sua execução. Este estudo é motivado pelo planejamento de programação real
de uma grande empresa de Óleo e Gás que estima estocasticamente a demanda por
materiais e serviços devido às incertezas associadas às tarefas em suas datas de
inÃcio e durações. O cálculo da demanda varia de acordo com o cronograma atual
que a empresa possui e a um conjunto de regras que indicam condições de alocação,
parâmetros logÃsticos, condições de desembarque e dependências para alocar as
ferramentas e serviços necessários para cada tarefa e estimar sua quantidade e
quantos dias em que serão usados. Este conjunto de ferramentas e regras pode
mudar dependendo do usuário e de seu conhecimento operacional. Além disso, a
empresa utiliza um grande número de cenários, o que resulta em tempos
computacionais extremamente altos e impacta a tomada de decisões operacionais.
Nesse contexto, a redução de cenários poderia auxiliar a empresa no seu processo
de tomada de decisão. A metodologia proposta neste trabalho avalia e identifica
cenários representativos de incerteza nos cronogramas de planejamento estratégico
de sondas offshore, a fim de reduzir o número de cenários utilizados no cálculo da
demanda por ferramentas e serviços. Com a utilização de técnicas não
supervisionadas, como k-means e agrupamento hierárquico, foi identificado um
subconjunto com os cenários mais representativos para a redução de cenários. A
Distância de Wasserstein e a visualizações gráficas foram utilizadas para calcular a
representatividade dos cenários selecionados e encontrar o melhor subconjunto.
Além disso, o subconjunto de cenários proveniente da redução também foi utilizado
para analisar o impacto da redução no cálculo da demanda. O Clustering
Aglomerativo com Ward Linkage obteve os melhores resultados de clusterização e
representatividade, resultando em um subconjunto de redução de 782 cenários. Para
encontrar um conjunto mÃnimo representativo de cenários, foi utilizado o melhor
método de agrupamento, junto com a Distância de Wasserstein, e por fim obtido
um número de 343 cenários. Isto apresenta uma redução de 84 por cento no tempo de
execução do cálculo da demanda, com o erro maior de 11 por cento no cálculo da demanda.
|