Kapittel 3: Teori
3.5 Utledning av hypoteser fra teori og tidligere forskning
3.5.4 Hypoteser for psykisk helse og sosiale ferdigheter
A simulação é também conhecida como uma técnica de avaliar o comportamento de um modelo, podendo considerar neste último variações dos parâmetros (alterações das entidades ao longo do tempo, por exemplo) na análise. Ou seja, as entidades apresentam variações de estado e essas variações exercem influências no comportamento do modelo.
A simulação computacional é, então, uma maneira de realizar a simulação usando uma ferramenta computacional (hardware e software), podendo inclusive até realizar a modelagem. Os modelos construídos no computador apresentam toda uma estrutura lógica, incluindo decisões para direcionar as entidades, atualizações das informações dos estados das entidades etc. e é justamente esta estrutura lógica do modelo que torna a modelagem computacional mais demorada. Porém, os resultados podem ser obtidos em curto espaço de tempo.
Algumas inferências com relação ao sistema real em estudo podem ser detectadas com o uso da simulação computacional, tais como (LOBÃO & PORTO, 1997):
• Comparação de desempenho com outros sistemas;
• Estudos sobre utilização de capacidade instalada, nível de inventário, lógica de controle, refinamento de projeto, integração, sequenciamento, gargalo de sistema, arranjo físico, índice de produtividade.
Observado o modo como o comportamento de cada parâmetro muda com o tempo, muitas “corridas” de simulação devem ser realizadas para a compreensão das relações envolvidas no sistema (YAMADA, 2004).
A simulação computacional hoje é, então, considerada como uma importante ferramenta de suporte às decisões testando e avaliando o desempenho do modelo representativo do sistema real. Com o uso dela é possível definir a melhor forma de organização dos recursos usados na produção (bens ou serviços). Da mesma forma, para Ulgen & Gunal (1998), é importante que as técnicas de simulação sejam utilizadas para se gerar informações antes que qualquer decisão seja tomada no sistema real.
Dentre os exemplos de trabalhos da literatura que realizam a modelagem de um sistema de manufatura, pode-se citar Maggio (2005). Este autor realizou a modelagem de um protótipo (de um sistema de manufatura) contendo seis máquinas (seis estações), três veículos auto-guiados, estações de carga e descarga e uma de manutenção de veículos.
Prata (2006) apresenta um estudo usando a modelagem e simulação para fins de avaliação de desempenho de um porto localizado no estado do Ceará.
Pode-se citar também o trabalho de Zagonel (2006). Este autor apresenta um estudo de desempenho, também via modelagem e simulação, de uma fábrica que contêm apenas seis máquinas, sendo que todas as máquinas são fixas nos locais.
Shih (2005) realiza a modelagem usando Arena® 5.0, cujo o sistema modelado é um centro de
distribuição de peças.
As técnicas de modelagem e simulação também são usadas na área agrícola. Carvalho (2006) apresenta um modelo de um sistema responsável pelo controle do comportamento de um robô móvel. Infelizmente, quanto maior a complexidade do sistema analisado, maior o tempo demandado para a realização da modelagem por causa, principalmente, da estrutura lógica. Devido ao longo tempo consumido para realizar a modelagem, é fundamental que se construa um modelo capaz de ser reaproveitado para realizar simulações diversas. Por exemplo, em se tratanto de um sistema de manufatura, o modelo de simulação deve ser capaz de avaliar o desempenho do sistema (sem alterações na estrutura lógica) acrescentando-se/removendo-se as máquinas no chão de fábrica, sendo que estas máquinas podem ocupar qualquer local do chão de fábrica. Tradicionalmente, um modelo no qual foi construído para simular uma determinada condição de operação de um sistema de manufatura
não pode ser reaproveitado caso sejam feitas estas alterações nos recursos produtivos, sendo necessário, portanto, realizar alterações na estrutura lógica.
Um dos simuladores computacionais, denominado Colored Petri Net Tools (ou CPN tools), permite fazer simulações sujeitando o modelo para atuar em várias condições de operação e para qualquer tamanho do sistema analisado, sem a necessidade de efetuar mudanças na estrutura lógica, sendo, portanto, o escolhido para ser usado neste trabalho. A versão escolhida para ser usada neste estudo é versão acadêmica 2.2.0, que pode ser obtida do CPN Tools (2009).
Para conduzir um bom estudo de simulação, Lobão & Porto (1997) apresentam uma proposta de sistematização de estudos de simulação, como se pode ver na Figura 2.3. Mas estes mesmos autores, enfatizam que a utilização completa ou parcial dos passos depende do grau de complexidade do projeto de estudo de simulação a ser desenvolvido.
Esses passos, para Yamada (2004), podem ser entendidos descrevendo o significado de cada um, conforme mostrados a seguir:
1) Definição do problema e dos objetivos do estudo
Engloba a compreensão do funcionamento do sistema, identificando-se o propósito do estudo de simulação, as entradas necessárias, as saídas desejadas do modelo e o comportamento desejado do sistema a ser modelado.
2) Elaboração de um esboço do modelo
Um esboço inicial do modelo do sistema deve ser elaborado com a realização dos primeiros estudos sobre o fluxo de informações, a disposição física dos componentes, a hierarquização dos módulos etc. Dependendo da abordagem escolhida para a construção do modelo, algumas ferramentas e metodologias podem ser aplicadas, tais como: diagrama de blocos, diagrama de objetos ou diagramas de fluxo de dados.
3) Aquisição de dados
Com o esboço do modelo, podem ser identificadas as entradas e saídas mais relevantes, e verificarem- se quais são controláveis e quais são incontroláveis, para propor soluções para eliminar ou ao menos atenuar os problemas. A aquisição de dados pode ser realizada de diversas formas: dados históricos, medições “in loco”, catálogos de fabricantes, entrevistas com operadores e projetistas do próprio sistema ou sistema similar. Nesta etapa é importante a determinação do tipo de distribuição da probabilidade mais semelhante a cada conjunto de dados, através de análise de resíduos da distribuição, construção de histogramas e comparação com curvas de distribuição padronizadas, testes de aderência etc.
Figura 2.3 - Proposta de sistematização dos estudos de simulação (Fonte: Lobão & Porto,
1997)
4) Validação dos dados
A verificação da validade dos dados coletados pode ser realizada através de:
• Coleta de dados de diferentes fontes para verificação de semelhanças entre os dados dessas fontes com o conjunto de dados do estudo;
Definição do problema e dos objetivos do estudo
Elaboração de um esboço do modelo Aquisição de dados
Dados consistentes?
Construção de um modelo para realização do estudo de simulação
Modelo consistente?
Projeto do experimento
Execução do experimento e análise dos resultados
Resultado consistente?
Interpretação final dos resultados e documentação do processo
Sim
Sim
Sim
Não
Não
Não
• Construção de histograma para verificação de semelhança entre os dados coletados e os padronizados;
• Corrida de simulação para verificação de semelhança entre os resultados obtidos com os reais;
5) Construção de um modelo para realização do estudo de simulação
Nesta etapa, um fator importante para o sucesso da simulação é a escolha do software de simulação, cujas gerações mais recentes contam com módulos gráficos e inteligência artificial, permitindo a realização de estudos de simulação por usuários sem conhecimentos profundos nas diversas áreas envolvidas, tais como modelagem, simulação, processo a ser estudado, estatística e programação de computadores, entre outros.
Deve ser observado também o nível de detalhamento do modelo. Quanto maior o número de variáveis consideradas durante a modelagem, maior é a proximidade do modelo de representar o sistema real modelado. Entretanto, isso resulta em superdimensionamento do modelo, em aumento dos custos e em diminuição de sua confiabilidade. Por outro lado, quanto menor o número de variáveis consideradas durante a modelagem, menores serão as possibilidades de se obter um modelo consistente.
6) Validação do modelo
Consiste em verificar o quão fiel o modelo representa o sistema real. A validação dos modelos pode ter diversas abordagens:
• Interatividade com o cliente, no sentido de verificar a correção das respostas desejadas, a adequação na eliminação de variáveis e aproximações realizadas na construção do modelo; • Identificação, através da animação do modelo, da ocorrência de impossibilidades físicas e/ou
inconsistências;
• Realização de corrida de simulação por outro modelador ou operador familiarizado com o estudo para verificação de problemas e revisão do modelo;
• “Teste de Turing”, que é a análise, por especialistas, de relatórios com resultados reais do sistema e resultados obtidos pela simulação do modelo, visando identificar diferenças entre os dois grupos de dados.
7) Projeto de experimento
É a fase de proposição de procedimentos e testes para analisar e comparar as alternativas para a solução do problema. Para cada configuração experimental, é importante a realização de uma nova bateria de testes de validação para garantir-se a confiabilidade dos resultados. Dessa forma, é muito
importante a determinação do tamanho adequado da amostra de dados para produzir resultados dentro do intervalo de confiança desejado.
8) Execução do experimento e análise de resultados
Os dados utilizados e obtidos na execução do experimento devem ser organizados em forma de tabelas e gráficos e armazenados para posterior análise final.
9) Refino do projeto de experimento
Este passo deve ser realizado caso os resultados obtidos não sejam satisfatórios para a resolução do problema.
10) Análise final dos resultados e documentação do processo
A análise final dos resultados e a finalização do projeto devem ser organizados sob alguns aspectos:
• Produção de documentação final que permita o rápido e claro entendimento do sistema por outros usuários quando da necessidade de ampliação ou manutenção do modelo;