Aplicação de algoritmos genéticos na otimização da topologia e geometria do >i<layout>/i< de um estaleiro
Notice bibliographique
Résumé
\n Apesar de o problema de layout de fábrica (FLP) ser amplamente estudado, esse esforço não tem se refletido no estudo de layout para estaleiros; pelo contrário, na prática, a maioria de layouts de estaleiros foi projetada com base nas experiências adquiridas pelos especialistas desta indústria, não seguindo um método analítico e sistematizado. Por essa razão, é significativo o trabalho dos autores Choi et al (2017), no sentido de propor um método quantitativo baseado nas técnicas de planejamento de layout de fábrica (FLP) e de layout arquitetônico para o problema de layout de estaleiros (ShLP); consistindo na otimização da topologia e na otimização da geometria do layout do estaleiro. Nesta dissertação, replicou-se e adequou-se o problema proposto pelos autores, aplicando um algoritmo genético baseado em ordem para a primeira etapa, e a replicação do modelo para a segunda etapa. Além disso, propõe-se também a incorporação de uma terceira etapa para a otimização geométrica, baseado em um algoritmo genético geral, no intuito de atingir melhorias no layout geométrico final. Os testes executados apontaram uma redução de 6% nos custos de manuseio de materiais, MHC. Verificou-se também a qualidade dos layouts obtidos mediante a utilização de índices de desempenho de layout de fábrica propostos pela literatura, com a finalidade de obter uma comparação correta entre o layout final reportado pelos autores e o obtido nesta dissertação.\n
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».