Aplicação de algoritmos genéticos na otimização da topologia e geometria do >i<layout>/i< de um estaleiro
Bibliographic record
Abstract
\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
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.002 | 0.002 |
| Meta-epidemiology (broad) | 0.002 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.002 | 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; both teacher heads agree on what is shown here.
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".