Proposta de integração de inteligência artificial ao gerenciamento dinâmico do pulmão para o dimensionamento de estoques em cadeias de suprimentos

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorSouza, Fernando Bernardi de-
Autor(es): dc.creatorIkeziri, Lucas Martins-
Data de aceite: dc.date.accessioned2025-08-21T18:07:28Z-
Data de disponibilização: dc.date.available2025-08-21T18:07:28Z-
Data de envio: dc.date.issued2023-10-26-
Data de envio: dc.date.issued2023-10-26-
Data de envio: dc.date.issued2023-08-04-
Fonte completa do material: dc.identifierhttps://hdl.handle.net/11449/251137-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/11449/251137-
Descrição: dc.descriptionFornecer a devida atenção à demanda que percorre todos os elos de uma cadeia de suprimentos é um desafio que, se não for cumprido, implica alguns efeitos indesejáveis, por exemplo, baixa rotatividade de estoques, investimentos elevados em produtos e perda de vendas por ruptura de estoques. A fim de lidar com tais efeitos indesejáveis, a Teoria das Restrições (Theory of Constraints – TOC) propõe o sistema Pull Replenishment and Distribution (PRD) apoiado pelo método Gerenciamento Dinâmico do Pulmão (Dynamic Buffer Management – DBM) que, a partir de algoritmos e parâmetros definidos empiricamente, identifica as prioridades para o reabastecimento dos estoques e indica a necessidade de alterar os seus níveis-alvo. Assim, esta pesquisa tem como objetivo avaliar se a integração da técnica de inteligência artificial (IA), especificamente aprendizado por reforço (reinforcement learning – RL), ao DBM para calibrá-lo resulta em um método mais efetivo para o dimensionamento de estoques em dois estágios de uma cadeia de suprimentos. Para tanto, o ambiente foi modelado no software AnyLogic® e foram realizadas simulações em cenários distintos, viabilizando análises estatísticas da efetividade do método DBM por indicadores relacionados ao nível de serviço e de estoque no sistema. A partir dessas análises, dois cenários que proporcionaram desempenhos inferiores em relação aos demais foram selecionados para a integração da técnica RL ao DBM. Os resultados indicam que o método integrado não apresentou melhoras para o atendimento da demanda da cadeia de suprimentos em relação a uma combinação de regras do DBM tradicional. Portanto, a TOC possui regras tradicionais para o DBM que, se combinadas adequadamente, podem fornecer uma solução robusta que assegura um nível de serviço adequado ao passo que mantém a eficiência do controle dos níveis de estoques. Por outro lado, a integração de RL ao DBM pode ser uma alternativa viável para a recomendação de parâmetros adequados do DBM em função das especificidades de cada ambiente, uma vez que uma escolha indevida pode impactar negativamente a disponibilidade dos produtos, prejudicando o atendimento da demanda.-
Descrição: dc.descriptionProviding proper attention to demand that flows through all links of a supply chain is a challenge that, if not met, implies some undesirable effects, such as low inventory turnover, high product investments, and lost sales due to stockouts. In order to address these undesirable effects, the Theory of Constraints (TOC) proposes the Pull Replenishment and Distribution (PRD) system supported by the Dynamic Buffer Management (DBM) method, which, based on empirically defined algorithms and parameters, identifies priorities for stock replenishment and indicates the need to adjust the target levels. Thus, this research aims to evaluate whether the integration of the artificial intelligence (AI) technique, specifically reinforcement learning (RL), into the DBM to calibrate it results in a more effective method for sizing stocks in two stages of a supply chain. To achieve this, the environment was modeled in the AnyLogic® software, and simulations were conducted under different scenarios, enabling statistical analysis of the effectiveness of the DBM method based on service level and inventory in the system. Based on these analyses, two scenarios that exhibited lower performances compared to others were selected for the integration of the RL technique into DBM. The results indicate that the integrated method did not present improvements in meeting supply chain demand in relation to a combination of traditional DBM rules. Therefore, TOC has traditional rules for DBM that, if combined appropriately, can provide a robust solution that ensures an adequate service level while maintaining efficient control of inventory levels. On the other hand, the integration of RL into DBM can be a viable alternative for recommending appropriate DBM parameters depending on the specificities of each environment, since an inappropriate choice can negatively impact product availability, hindering demand fulfillment.-
Descrição: dc.descriptionFundação de Amparo à Pesquisa do Estado de São Paulo (FAPESP)-
Descrição: dc.description2020/15077-2-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Publicador: dc.publisherUniversidade Estadual Paulista (UNESP)-
Direitos: dc.rightsinfo:eu-repo/semantics/openAccess-
Palavras-chave: dc.subjectGestão da cadeia de Suprimentos-
Palavras-chave: dc.subjectTambor-Pulmão-Corda Simplificado-
Palavras-chave: dc.subjectMake to availability-
Palavras-chave: dc.subjectReposição puxada-
Palavras-chave: dc.subjectGerenciamento dinâmico do pulmão-
Título: dc.titleProposta de integração de inteligência artificial ao gerenciamento dinâmico do pulmão para o dimensionamento de estoques em cadeias de suprimentos-
Título: dc.titleProposal to integrate artificial intelligence into Dynamic Buffer Management for inventory sizing in supply chains-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositório Institucional - Unesp

Não existem arquivos associados a este item.