Simulação, assim como automação, é um termo muito amplo. Fora do contexto da indústria, por exemplo, é possível simular empréstimos e exames de habilitação.

Então, em um sentido mais geral, simulação consiste na imitação de um sistema.

Mas… o que é um sistema?

Sistema é uma coleção de diferentes elementos que, combinados, produzem saídas à partir de entradas recebidas. Esses elementos podem ser pessoas, hardware, software, instalações, políticas, documentos…

A simulação computacional, portanto, busca imitar um processo ou operação, através do emprego de um modelo que corresponda ao sistema real.

Por fim, o que um modelo de simulação?

É uma representação “virtual” do sistema real, via equações físicas, matemáticas ou lógicas, por exemplo. No mundo virtual, pode-se analisar e entender melhor o sistema real, observando-se inclusive cenários difíceis, custosos e até perigosos de serem testados no mundo real.

Bruno B. Diegoli

Referências:
Chung, C.A. (2004). Simulation Modeling Handbook – A Practical Approach, CRC Press, pp. 16.
Kelton, W., Sadowski, R., Sadowski, D. (2002). Simulation with Arena – Second Edition, Mc-Graw Hill, pp. 3.
Robinson, S. (2004). Simulation: The Practice of Model Development and Use, John Wiley & Sons, pp. 2.
Sokolowski, J.A., Banks, C.M. (2010). Modeling and Simulation Fundamentals, John Wiley & Sons, pp. 2.

Simulação do setor de atendimento a emergências de um hospital com alta demanda, com pacientes chegando à pé e via ambulâncias.

Objetivo: Reduzir o tempo de espera de pacientes, simulando o aumento da equipe médica e do número de leitos.
Recursos: médicos, enfermeiras, enfermeiras de triagem, leitos de emergência
Turno de trabalho: 24/7
Período simulado: 192 horas

Resultados da simulação:
– Cenário 1: Percebe-se uma fila se formando na sala de espera, e o tempo médio de espera é de 3,0 horas.
– Cenário 2: Acrescentando-se mais dois leitos, tempo médio de espera reduziu para 1,7 horas. Porém percebe-se que os médicos estão sobrecarregados, com uma taxa de utilização de 96%.
– Cenário 3: Acrescentando-se mais um médico ao turno da tarde, 91% dos pacientes são atendidos dentro de 1,0 hora.

Fonte: Simul8

Principais objetivos da simulação:
– Ganhar experiência na operação de um sistema.
– Desenvolver novas regras e políticas para melhorar a performance de um sistema.
– Testar novos conceitos e idéias antes de sua implementação.
– Adquirir informação sem perturbar o sistema real.

A maioria dos processos está sujeita à variabilidade, que pode ser:
– Previsível: mudança do número de operadores durante mudança de turno em um call center, paradas de manutenção programadas…
– Imprevisível: taxa de chegada de pacientes no setor de emergência de um hospital, quebra de equipamento em uma célula de manufatura…

Com a presença de variabilidade, geralmente torna-se difícil prever os efeitos em um sistema e seus fluxos. Por exemplo: imagine um processo simples com 3 balcões de atendimento sequenciais, onde cada atendimento dura exatamente 8 minutos, e um cliente chega a cada 10 minutos exatamente. É fácil calcular que cada cliente permanece exatos 24 minutos no processo, pois não existe variabilidade, filas, nem compartilhamento de recursos.

Imagine o mesmo processo, onde agora:
– Cada atendimento dura de 7 a 9 minutos.
– Um novo cliente entra em intervalos entre 4 e 16 minutos.
– Filas podem se formar e clientes desistem do atendimento se esperarem mais de 2 minutos.
– Cada atendente possui um intervalo de descanso de 10 minutos por hora, mas não pode realizar o descanso junto com outro atendente.
– Toda semana, um dos atendentes chega 1 hora atrasado ao trabalho.
– Qualquer atendente pode trabalhar em qualquer balcão de atendimento, inclusive mais de um atendente no mesmo balcão, aumentando sua capacidade de processamento.
Neste caso, mesmo em um processo simples, torna-se mais difícil estimar o tempo médio de permanência de um cliente, sem a utilização de ferramentas computacionais.

P.S.: … e a resposta correta não é uma distribuição com média de 24 minutos.

Bruno B. Diegoli

Referências:

Chung, C.A. (2004). Simulation Modeling Handbook – A Practical Approach, CRC Press, pp. 17-18.

Robinson, S. (2004). Simulation: The Practice of Model Development and Use, John Wiley & Sons, pp. 4-5.

Sim, você pode… pero no mucho.

Um gerente de supermercado pode, por exemplo, testar diferentes políticas para controle de estoque e analisar qual traz mais vantagens, sem precisar se preocupar com modelos de simulação. Em alguns casos, testar no sistema real não apenas é possível, como vantajoso.

Em outros casos, porém, é muito difícil, oneroso, perigoso e até impossível testar no sistema real, como nos exemplos abaixo:
– Você não pode testar diferentes layouts de produção de uma fábrica que ainda não foi construída.
– Mesmo em uma fábrica existente, uma reorganização de layout para testes pode ser muito cara.
– Testar um novo procedimento de check-in em aeroportos pode inicialmente causar muitos atrasos e perdas de vôo.
– Testar uma redução de equipe em setores de atendimento emergencial pode provocar tempo de espera muito grande a quem necessita de atendimento urgente.

Nessas situações, torna-se mais interessante construir um modelo do sistema real, e visualizar neste modelo a sua resposta a diferentes cenários.

As idéias mais loucas podem ser testadas… e ninguém se machuca.

Bruno B. Diegoli

Referências:

Kelton, W., Sadowski, R., Sadowski, D. (2002). Simulation with Arena – Second Edition, Mc-Graw Hill, pp. 5

Robinson, S. (2004). Simulation: The Practice of Model Development and Use, John Wiley & Sons, pp. 8

Apesar das diversas vantagens em se utilizar a simulação, sejamos honestos, também existem desvantagens. Curiosamente, elas estão muitas vezes associadas às expectativas colocadas em projetos de simulação.

• Simulação não pode gerar resultados precisos quando os dados de entrada são imprecisos.
  Não existe milagre. “Lixo que entra, lixo que sai”. Não por acaso, a coleta de dados ainda é considerada uma das etapas mais difíceis, mesmo com a evolução da digitalização dos processos na Indústria 4.0.

• Simulação não pode prover respostas fáceis a problemas complexos.
  Não existe milagre (… eu já falei, vou repetir!). Em sistemas complexos, por vezes são utilizadas premissas que simplificam sua modelagem. Entretanto, se elementos críticos forem ignorados, este modelo não passará da etapa de validação.

• Simulação não resolve problemas sozinha.
  A simulação provê soluções potenciais para gerentes e supervisores resolverem um problema. Cabe a eles liderar ou supervisionar a implementação das mudanças propostas, por isso é interessante envolvê-los o máximo possível no projeto.

• Desenvolvimento de um modelo de simulação pode demandar treinamento especializado.
  No passado, softwares de simulação podiam ser bastante complexos e demandavam bom conhecimento em programação. Simulação não virou – ainda – um “passeio no parque”, mas já foi bastante facilitada com programação gráfica e interfaces mais amigáveis.

• Excesso de confiança na simulação.
  Existe o perigo de que qualquer coisa produzida em um computador seja vista como certa. Isto pode ser exacerbado na simulação, com a utilização de elementos gráficos similares ao do sistema real. Muita importância deve ser dada à etapa de validação do modelo, assim como ao conhecimento das premissas e simplificações realizadas.

• Foco nas animações, e não nos dados.
  Ok, simulações em 3D são muito legais, e impressionam o chefe. Também auxiliam a identificar os gargalos, avaliar a ocupação dos estoques, visualizar a movimentação de empilhadeiras, e até aumentam as chances de aprovação de um projeto de investimento. O perigo é quando mais importância é dada às animações que aos resultados da simulação.

Bruno B. Diegoli

Referências:

Chung, C.A. (2004). Simulation Modeling Handbook – A Practical Approach, CRC Press, pp. 19-20

Robinson, S. (2004). Simulation: The Practice of Model Development and Use, John Wiley & Sons, pp. 10-11

Bem, vamos lá…

• Processo produtivo com máquinas, operadores, transportadoras, esteiras e estoques.
• Rede de distribuição com fábricas, centros de distribuição e links de transporte.
• Setor de atendimento a emergências em um hospital, incluindo equipe médica, leitos, equipamentos, matéria-prima e transporte dos pacientes.
• Rede de computador com servidores, clientes, repositórios, impressoras e operadores.
• Rodovia com vias, cruzamentos, intersecções, controles e tráfego.
• Uma planta de produtos químicos com tanques de estocagem, tubulações, reatores, transportadores.
• Restaurante fast-food com colaboradores, clientes, equipamentos e insumos.
• Resposta de serviços de emergência a um evento catastrófico.
• Operação aeroportuária com guichês de check-in, verificações de segurança e portões de embarque.
• Operação portuária com caminhões, ship loaders e portêineres.
• Roteirização do transporte via ônibus e trens.

Talvez a pergunta correta seja: o que NÃO pode ser simulado?

Bruno B. Diegoli

Referências:

Kelton, W., Sadowski, R., Sadowski, D. (2002). Simulation with Arena – Second Edition, Mc-Graw Hill, pp. 4

Chung, C.A. (2004). Simulation Modeling Handbook – A Practical Approach, CRC Press, pp. 16

Robinson, S. (2004). Simulation: The Practice of Model Development and Use, John Wiley & Sons, pp. 11

Planilhas como Excel, Libreoffice Calc e Google Sheets são amplamente conhecidas e utilizadas nas empresas (na nossa também!). Nós, por exemplo, utilizamos planilhas e Método de Monte Carlo para estimar retorno de investimentos, prazos de entrega, custo e duração de projetos, diante de algumas incertezas.

Portanto, o objetivo aqui não é comparar planilhas com softwares de simulação, mas explicar o que os softwares podem entregar a mais que as planilhas… e vice-versa.

Começando pelas planilhas: são mais baratas – às vezes de graça – e fáceis de serem utilizadas. Por serem familiares a grande parte dos trabalhadores, foram com o tempo sendo adaptadas a aplicações para as quais não foram originalmente planejadas.

Bem, por que então não são utilizadas para simulação sempre? Porque, em alguns casos, elas não conseguem reproduzir todas as características do processo simulado, como discutiremos a seguir.

• Comportamento dinâmico: O mundo real está em constante movimento e mudança. Um sistema dinâmico precisa ser representado por um modelo também dinâmico. Por exemplo: o modelo dinâmico de um estoque, cujo inventário é contado todo dia à meia-noite, conseguirá reproduzir também a variação do inventário ao longo do dia, com a entrega e venda de produtos.

• Variabilidade: A variabilidade pode aparecer na taxa de chegada de insumos, nos tempos de processamento nas estações de trabalho, na disponibilidade de recursos e em muitas outras situações. Se esta aleatoriedade não for modelada, o resultado será sempre a mesma saída para as mesmas entradas. Se um balcão de check-in de aeroporto for modelado com tempo de processamento de 5 minutos, e chegada de um novo cliente a cada 5 minutos, nenhuma fila será formada. Porém, se o mesmo processo for simulado variando com tempos entre 2 e 8 minutos, em alguns momentos aparecerão filas.

• Restrição de recursos: A demanda por recursos (equipamentos, pessoas…) costuma ser variável, e a falta de um deles pode desencadear um efeito cascata no processo. Modelos dinâmicos podem representar particularidades como turnos de trabalho, níveis de habilidade de diferentes empregados e eventos de falhas em equipamentos.

• Interação: Um modelo dinâmico permite que, a qualquer momento, um usuário interfira no processo, simulando a ausência de um operador ou a quebra de uma máquina, por exemplo.

• Rotas de produção: Um processo pode produzir dezenas ou centenas de produtos diferentes, cada um com sua rota de produção e tempos de processamento, que podem inclusive variar com o tempo.

• Lógica complexa: Imagine a chegada de um paciente a um centro de atendimento de emergência. A sequência de tratamentos realizada depende do resultado de exames, e pode variar de acordo com a eficácia dos tratamentos anteriores. Traduzindo em termos mais técnicos, uma simulação precisa considerar propriedades como: tempo, calendários de disponibilidade de recursos, decisões sobre próximas etapas, criação dinâmica de novas entidades (pacientes, neste caso), definição de atributos, ocorrência de eventos em tempos específicos, dentre outros.

• Comunicação e engajamento: Um modelo dinâmico permite uma representação animada e altamente visual do sistema em ação, durante todo o período simulado, e não apenas em determinados momentos. Isto facilita a validação e engajamento processo simulado.

• Digital Twin: Um modelo de simulação pode ser convertido em um Digital Twin (ou Gêmeo Digital), se compartilhar informações com o processo em tempo-real.

Bruno B. Diegoli

Referências:

Why is simulation better than spreadsheets for process modeling?, Simul8 Corporation, disponível em
www.SIMUL8.com/resources/why-use-simulation-over-spreadsheets
https://www.youtube.com/watch?v=IxdwQzEQBBk&feature=emb_logo

Advantages and disadvantages of discrete-event simulation for health economic analyses, J. Jaime Caro and Jörgen Möller, EXPERT REVIEW OF PHARMACOECONOMICS & OUTCOMES RESEARCH, 2016, VOL. 16, NO. 3, 327–329

Why use simulation modeling?, AnyLogic, disponível em https://www.anylogic.com/use-of-simulation/

Em primeiro lugar, para uma boa simulação, são necessários bons dados, tanto qualitativamente (dados relevantes e fidedignos à realidade) quanto quantitativamente (quantidade de dados suficiente para extração de tendências e validação do modelo).
– Qualidade dos dados: foco apenas nos dados que influenciam os objetivos da simulação. Tempos de setup ou de alimentação manual de máquinas, por exemplo, se não forem relevantes, não precisam ser modelados. Neste caso, menos é mais.
– Quantidade dos dados: neste caso é o oposto; quanto mais, melhor. Recomenda-se adotar uma abordagem conservadora e coletar “de primeira” o máximo possível de dados (de qualidade). Geralmente é mais difícil ter que retornar e coletar dados adicionais.

Como a simulação pode ser realizada tanto sobre processos existentes quanto em fase de concepção, os dados podem vir de várias fontes:
– Especificações do fabricante
– Estimativas do projetista ou da gerência
– Geração artificial através de modelos
– Dados históricos
– Coleta automática de dados
– Estimativas do operador
– Observação direta

Quem coleta os dados, além de evitar perturbar o processo real, deve se preocupar em obter amostras “não tendenciosas”. Em uma coleta de dados de performance em postos manuais, por exemplo, alguns trabalhadores podem acelerar sua atividade para parecerem mais produtivos, ou deliberadamente desacelerá-la para evitar a definição de padrões de trabalho muito exigentes.

Outra consideração a ser feita é a classificação dos dados, em:
– Determinísticos: dados que se comportam no tempo de modo previsível. Exemplos: tempos de processamento de máquinas automatizadas, intervalos de manutenção preventiva, velocidades de esteiras.
– Probabilísticos: dados que não são regulares, que seguem uma distribuição estatística. Exemplos: tempos entre chegadas de insumos, duração de manutenções corretivas.

Considerando o exemplo de uma estação de pintura, os seguintes dados poderiam ser coletados:
1 – Taxa de chegada de produtos primários e tamanho dos lotes de chegada
2 – Tempos de processamento na estação de pintura
3 – Taxa de entupimentos da pistola de pintura (MTBF ou Mean Time Between Failures)
4 – Tempos de troca ou reparação da pistola (MTTR ou Mean Time To Repair)
5 – Turno de trabalho do operador e intervalos de descanso
6 – Índice de retrabalho

Porém, como foi dito anteriormente, a decisão sobre quais dados devem ser coletados depende de quais objetivos pretende-se alcançar. Alguns dos dados mais utilizados são:
– Layout e rotas de produção
– Número e tipo de itens produzidos
– Quantidade de recursos (humanos, máquinas e transportadores)
– Tempos de processamento nas máquinas e transporte de material
– Tempos de setup de máquinas
– Tamanho dos lotes e estoques
– Turnos de trabalho e absenteísmo
– Calendário de manutenção preventiva
– MTBF / MTTR
– Índice de qualidade e custo do retrabalho

Bruno B. Diegoli

Referências:
Chung, C.A. (2004). Simulation Modeling Handbook – A Practical Approach, CRC Press, pp. 116-140.
Altiok, T., Melamed, B. (2007). Simulation Modeling and Analysis with Arena, Elsevier, pp. 124-125, pp. 223-226.
Simulação na Indústria 4.0, Portal Ind4.0, disponível em https://www.industria40.ind.br/artigo/18130-simulacao-na-industria-40

Este assunto foi abordado em um artigo em três partes publicado no site ind4.0.

Spoiler: Relatório da Confederação Nacional da Indústria, sobre investimentos em Indústria 4.0, aponta que os principais motivadores são:
– Introdução de novos processos produtivos ou melhoria do atual
– Introdução de novos produtos
– Aumento ou manutenção da capacidade produtiva

A simulação pode ser aplicada em todos esses desafios! E  nem precisei mencionar os Digital Twins, que são citados no artigo.

Confira o artigo em:
– Simulação e Indústria 4.0 – Parte 1
– Simulação e Indústria 4.0 – Parte 2
– Simulação e Indústria 4.0 – Parte 3

Bruno B. Diegoli