Escaneamento de contêineres para reduzir o tempo de desembaraço aduaneiro
Bibliographic record
Abstract
Uma maneira de aumentar a eficiência do desembaraço aduaneiro e garantir a segurança da cadeia de suprimentos internacionais é a utilização de equipamentos de inspeção não invasiva, como os escâneres. A utilização destes equipamentos é incipiente no país. Contudo, a tendência é a instalação de mais escâneres nos terminais portuários brasileiros. Considerando a possibilidade da aduana brasileira solicitar o escaneamento de 100% das cargas, este estudo propõe estimar os impactos operacionais dessa exigência num terminal portuário brasileiro. Esta é a originalidade desse estudo. Para tanto, faz-se uso de métodos de simulação aplicados em um estudo de caso. Os resultados apresentados demonstram que, no cenário atual, o escâner não é um gargalo operacional. Contudo, com a expansão projetada do terminal, a capacidade do escâner será ultrapassada. Com isso, regras de sequenciamento de máquina única foram aplicadas de modo a otimizar o desempenho deste equipamento. Tais heurísticas de priorização apresentaram bom desempenho, indicando que os escâneres podem trazer benefícios no tratamento de cargas prioritárias e, eventualmente, aumentar o desempenho de terminais portuários em todo o país.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.006 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".