Título: Gêmeos Digitais na Indústria: Aplicações baseadas em ABS e em algoritmos de predição.
Comissão Examinadora - Titulares
Prof. Dr. Edson Luiz Ursini (Presidente) FT/Unicamp
Profa. Dra. Ieda Geriberto Hidalgo FT/Unicamp
Prof. Dr. Flavio Rubens Massaro Junior - FHO
Prof. Dr. Evandro Roberto Alves - UFTM
Prof. Dr. Josiel Maimone de Figueiredo - IC/UFMT
Suplentes
Prof. Dr. Eric Alberto de Mello Fagotto - PUCCAMP
Prof. Dr. Cristhof Johann Roosen Runge - FT/Unicamp
Prof. Dr. Ivan José Lautenschleguer - FHO
Local: Sala de defesa (Prédio da Pós-Graduação da FT) | https://stream.meet.google.com/stream/68d22287-a355-43b9-9c53-82763ce6c0e7
Resumo: A aplicação inovadora de Gêmeos Digitais (DT) na indústria representa uma forma de tratativa virtual de elementos-chave dos sistemas de produção para melhorar a eficiência operacional e a antecipação de falhas. Embora o conceito de Gêmeos Digitais tenha quase 20 anos, ele continua a evoluir à medida que se expande para novos setores e casos de uso. Os Gêmeos Digitais têm se destacado como uma solução tecnológica de vanguarda, permitindo a validação virtual do desempenho do produto, otimização de processos de produção e a tomada de decisões baseadas em dados em tempo real. A tese aborda o tema de Gêmeos Digitais, com destaque para a aplicação na indústria, explorando os desafios e oportunidades associados à implementação dessas tecnologias e as perspectivas promissoras para o futuro, benefícios em melhorar a eficiência operacional, prevenir falhas e promover uma possibilidade de transformação completa nos processos industriais. Por outro lado, pelo fato de que o Gêmeo Real (do sistema real) monitora os dados e seu irmão virtual (o Gêmeo Digital) processa esses dados, o gerenciamento e a tomada de decisão em relação a falhas e a sobrecarga do sistema podem ocorrer em tempo quase real. Os Gêmeos Digitais, embora poderosos para a replicação de sistemas, frequentemente carecem de capacidades proativas. Esta tese propõe e valida uma arquitetura extensível que integra Simulação Baseada em Agentes (ABS) com algoritmos de predição ($KSLX$) e otimização (Python) para criar um Gêmeo Digital dinâmico e responsivo para cadeias de suprimentos. A investigação respondeu afirmativamente à viabilidade técnica de tal integração. Mais importante, ao avaliar a eficiência, esta tese revelou uma descoberta crítica: a tentativa de usar previsões de curto prazo diretamente na otimização logística (k) mostrou-se ineficiente e instável devido à imprecisão inicial dos dados. Em contrapartida, demonstrou-se que o valor principal do preditor reside na sua aplicação ao planejamento proativo de capacidade (k+1), enquanto a execução logística (k) permanece reativa aos dados reais do sistema. A simulação híbrida desenvolvida (reativa + fallback) não só se mostrou mais robusta e eficiente na gestão de estoques do que o modelo original, mas também serviu como uma poderosa ferramenta de diagnóstico, identificando que as falhas de atendimento não eram devidas à logística, mas sim a um gargalo de capacidade de produção e a uma política interna de acúmulo de backlog. A tese concluiu que a eficiência em Gêmeos Digitais preditivos é alcançada não apenas pela previsão, mas pela aplicação correta dessa previsão na alavanca de decisão apropriada — neste caso, o planejamento da capacidade.