Um modelo de otimizao para o planejamento agregado da produo em usinas de acar e lcool

Rafael Piatti Oititica de Paiva Reinaldo Morabito

Resumo
Neste trabalho apresentamos um modelo de otimizao para o planejamento agregado da produo de usinas de acar e lcool. Este modelo se baseia nos modelos clssicos de seleo de processos e dimensionamento de lotes para representar o sistema de produo de acar, lcool e melao, incluindo decises da etapa agrcola, das fases de corte, carregamento e transporte de cana e, principalmente, decises de moagem, escolha do processo produtivo e estoque dos produtos finais. As decises so tomadas em perodos semanais e o horizonte de planejamento so as semanas de safra. Para resolver o modelo de programao linear inteira mista resultante, utilizamos a linguagem de modelagem GAMS e o solver CPLEX. Um estudo de caso foi realizado em uma usina de acar e lcool do estado de Alagoas. Neste estudo foi possvel verificar a adequao do modelo proposto quando aplicado para auxiliar nas decises envolvidas no planejamento agregado da produo de empresas deste tipo. Resultados computacionais so apresentados resolvendo um exemplo com dados de uma safra tpica.
Palavras-chave: Planejamento agregado da produo. Seleo de processos. Dimensionamento de lotes de produo. Otimizao linear inteira mista. Usinas de acar e lcool.

1 Introduo
Aps um longo perodo de controle estatal sobre o mercado de acar e lcool, o setor canavieiro enfrenta as conseqncias do processo de desregulamentao ocorrido ao longo de toda a dcada passada. Esta desregulamentao provocou modificaes importantes na dinmica deste setor, tendo, como algumas de suas conseqncias, a diminuio da competitividade das empresas do nordeste em relao s empresas do centro/ sul do Brasil (LIMA; SICS, 2001; MORAES, 2002), o crescimento acelerado do volume de cana processada no Brasil (UNICA, 2005) e a modificao das estratgias competitivas adotadas pelas empresas ligadas agroindstria canavieira. Dentre estas modificaes, podemos destacar: o aprofundamento da especializao na produo de acar e lcool; a busca por diferenciao de produto; a diversificao produtiva; a concentrao do setor por meio de fuses e aquisies; e a formao de grupos de comercializao (ou pools) de acar e lcool (BELIK; VIAN, 2002; VIAN, 2003). Outra conseqncia deste processo de re-direcionamento estratgico das empresas do setor sucroalcooleiro a crescente dificuldade que os profissionais de planejamento e controle da produo (PCP) esto tendo para programar os processos de produo das usinas e destilarias. Esta dificuldade decorre do aumento da complexidade na programao dos processos que so utilizados para a produo de um maior conjunto de produtos, fazendo com que as novas estratgias no sejam adotadas da melhor forma possvel, ou sejam at mesmo desconsideradas. Neste artigo apresentamos um modelo de otimizao para o planejamento agregado da produo, que pretende apoiar parte das principais decises do PCP de uma usina. Para atingir este objetivo, utilizamos uma combinao de modelos de dimensionamento de lotes monoestgio e seleo de processos de produo, que pode ser visto como um modelo de dimensionamento de lotes de processos. Esta combinao permite modelar empresas que possuam processos com produo simultnea de mltiplos produtos, como o caso das usinas de acar e lcool. Outro exemplo aparece em fbricas de gros eletrofundidos, onde os processos considerados combinam britagem, moagem e classificao dos gros
Gest. Prod., So Carlos, v. 14, n. 1, p. 25-41, jan.-abr. 2007

26

Paiva e Morabito

em funo das vrias faixas granulomtricas (LUCHE; MORABITO, 2005). O modelo aqui proposto pretende ajudar a responder questes no mdio prazo, tais como: quanto obter de matria-prima, como transportar esta matria-prima, quanto e quando produzir de cada produto, quais processos utilizar em cada perodo e qual poltica de estoque adotar de forma que a empresa maximize sua margem de contribuio agroindustrial. Apesar deste artigo apresentar resultados obtidos em um estudo de caso de uma usina de acar e lcool particular, entendemos que, a semelhana dos processos produtivos das usinas e a flexibilidade do modelo para tratar destas variaes fazem com que este modelo seja suficientemente genrico para aplicaes em outras empresas. Este artigo est organizado da seguinte forma: na seo 2 apresentamos uma breve reviso sobre a utilizao de modelos e mtodos quantitativos na indstria sucroalcooleira; na seo 3 discutimos resumidamente o processo de produo de acar, lcool, melao e subprodutos, incluindo uma classificao das usinas em funo de suas estratgias de comercializao; na seo 4 descrevemos o modelo de programao linear inteira mista, baseado em seleo de processos e dimensionamento de lotes de produo; na seo 5 detalhamos os resultados computacionais obtidos com a aplicao do modelo no estudo de caso; e, finalmente, na seo 6 analisamos as concluses do trabalho.

2 Reviso sobre a utilizao de

mtodos quantitativos na indstria sucroalcooleira

No Brasil, a partir da dcada de 1990, podemos perceber o surgimento de algumas contribuies sobre a utilizao de mtodos quantitativos na indstria sucroalcooleira. Por exemplo, Barata (1992) utilizou programao linear para desenvolver um modelo de avaliao tcnico-econmica aplicado s questes relacionadas ao corte e a reforma de canaviais. Lopes (1995) modelou um sistema de transporte, carregamento e reboque a fim de identificar e analisar as variveis que influenciam o custo de cada uma das operaes envolvidas. Grisotto (1995) apresentou um modelo de otimizao do tempo de viagem de caminhes utilizados no transporte de cana-de-acar. Yoshizaki et al. (1996) aplicaram programao linear para modelar o problema da distribuio centralizada de lcool no sudeste do Brasil. Yamada (1999) utilizou redes Petri atemporizadas para modelar todas as etapas de produo de acar e lcool, procurando validar a utilizao desta tcnica tanto para as etapas discretas quanto para as etapas contnuas desse processo produtivo. Colin et al. (1999) apresentaram um modelo de programao linear para otimizao do sistema logstico de distribuio e
Gest. Prod., So Carlos, v. 14, n. 1, p. 25-41, jan.-abr. 2007

armazenamento de acar, considerando um depsito central e diversos depsitos secundrios. Iannoni e Morabito (2006) estudaram o sistema de recepo de cana de uma usina, utilizando simulao discreta para analisar a logstica de transporte de cana. Kawamura et al. (2005) apresentaram um modelo de programao linear, multiperodo, para tratar decises de transporte e estocagem dos produtos de uma cooperativa de comercializao de acar e lcool. Em outros pases produtores de cana-de-acar (p.ex. Austrlia, Cuba, Colmbia), a utilizao de modelos e mtodos quantitativos aplicados aos problemas da indstria sucroalcooleira j aparece reportada em trabalhos menos recentes. Por exemplo, Whan et al. (1976) desenvolveram um modelo de composio de variedades de cana-de-acar, objetivando otimizar o retorno financeiro de uma fazenda e tendo em conta a programao da colheita que seria adotada na safra (curva de sacarose). Abel et al. (1981) desenvolveram um modelo de programao da colheita de cana-de-acar, utilizando transporte ferrovirio. Mathew e Rajendran (1993) utilizaram simulao para analisar a programao das atividades de manuteno de uma usina aucareira, onde se pretendeu determinar um bom intervalo entre as paradas para manuteno da usina. Higgins et al. (1998) aplicaram um modelo de programao matemtica para a determinao da programao da colheita de cana-de-acar ao longo de uma safra. Cock et al. (2000) apresentaram uma metodologia para escolha de variedades de cana por meio da anlise do custo total de processamento das variedades. Higgins e Davies (2005) aplicaram simulao computacional para planejar a capacidade do sistema de transporte de cana-de-acar. Alm destes trabalhos, outros mais recentes apresentam modelos e mtodos de otimizao matemtica aplicados programao e integrao do corte de cana com o transporte desta matria-prima at a usina (p.ex., HIGGINS et al., 2004; MILAN et al., 2005; HIGGINS, 2006). Analisando estas publicaes, percebemos que existe um esforo crescente em desenvolver e aplicar modelos e mtodos quantitativos para auxiliar nas principais operaes do setor sucroalcooleiro. O destaque para os modelos de planejamento da colheita, modelos de programao do transporte de cana, de distribuio e armazenagem de acar e lcool, de seleo de variedades e de programao da reforma do canavial. Todos estes trabalhos so voltados para a etapa agrcola, etapa de corte carregamento e transporte (CCT) e estoque de produtos finais. Na etapa industrial, os esforos que vm sendo empregados para modelar o processo de produo de acar, lcool e subprodutos esto mais restritos as reas da engenharia qumica, engenharia de alimentos, engenharia eltrica, engenharia de processo aucareiro e alcooleiro.

Um modelo de otimizao para o planejamento agregado da produo em usinas de acar e lcool

27

Estes estudos esto focados na representao das transformaes qumicas e fsicas que acontecem nas diversas operaes unitrias de produo de acar e lcool, embasando estudos de anlise de investimentos e de melhorias de projeto de equipamentos (ALVES, 1994; LEE et al., 1999; ALEGRE et al., 2003; RODRIGUES, 2005; VAN WISSEN et al., 2005). Por outro lado, modelos e mtodos quantitativos aplicados ao planejamento das atividades da etapa industrial das usinas de acar e lcool no esto disponveis na literatura. Tendo isso em vista e destacando que esta etapa do sistema agroindustrial canavieiro envolve decises importantes, entendemos que modelos deste tipo tambm deveriam ser contemplados. Dentro desta percepo e considerando a crescente tendncia de utilizao de uma estratgia de diversificao produtiva nas usinas de acar e lcool, percebemos a importncia de se desenvolver e aplicar modelos quantitativos de planejamento da produo de forma que se possa atingir, da melhor forma possvel, os objetivos estratgicos e comerciais da empresa. A Figura 1 ilustra como os vrios modelos referidos nesta seo podem ser integrados para proporcionar uma anlise completa de todo o processo de produo.

perceber as macro-operaes envolvidas no processo de produo de uma usina (pesagem, estocagem, lavagem, preparo/moagem, clarificao do caldo, evaporao, cozimento/turbinao) e de uma destilaria (fermentao/centrifugao, destilao). Tambm podemos perceber as macro-perdas envolvidas na produo de acar e lcool (perdas na gua de lavagem, no bagao, na torta, na fermentao, na vinhaa e perdas indeterminadas), bem como o local onde estas perdas so geradas, entretanto, o mais importante na Figura 2 perceber o local onde as mudanas de processo podem acontecer, ou seja, os pontos TS 1, TS 2, TM, SJM, 1-SJM, que referem-se aos desvios de fluxo dos produtos semi-acabados no processo. Estes desvios fazem com que os diversos tipos de acares, mis e lcoois sejam produzidos por uma combinao de processos, envolvendo estes e outros parmetros considerados nesta modelagem. 3.1 Classificao das usinas em funo de sua estratgia de comercializao Antes de apresentarmos o modelo de programao matemtica, interessante definir quais tipos de usinas de acar esto sendo contempladas por este modelo. Para isso, definimos uma classificao das usinas de acordo com a variedade de produtos e as parcerias estabelecidas com fins de comercializao. Esta classificao est baseada na classificao apresentada por Waack et al. (1998) e em entrevistas realizadas durante visitas a diversas unidades produtoras e empresas de comercializao. No trabalho de Waack et al. (1998), destacamos as categorias analisadas sob a tica do marketing e das parcerias e criao de consrcios, como contribuies para a classificao apresentada a seguir (para mais detalhes sobre esta classificao, veja Paiva, 2006): a) Usinas autnomas no diversificadas: so usinas que produzem uma pequena variedade de produtos e comercializam de forma independente;

3 Processo de produo de acar, lcool,

melao e subprodutos
Tendo como base os estudos de Hugot (1977), Payne (1989), ICIDCA (1999), Castro et al. (2002), Fernandes (2003) e Medeiros (2005), podemos subdividir o processo agroindustrial de produo de acar, lcool, melao e subprodutos em trs etapas principais: etapa agrcola, etapa CCT e etapa industrial. Restringimos a discusso desta seo apenas etapa industrial, principal foco do modelo proposto. Para maiores detalhes sobre este processo de produo consultar Paiva (2006). Para ilustrar toda a etapa industrial de produo de acar, lcool, melao e subprodutos apresentamos a Figura 2, que representa esquematicamente a planta industrial da Usina Santa Clotilde. Nesta figura podemos

Nvel estratgico

modelo econmico de empresa plano de transporte plano de colheita plano de reforma

Nvel ttico

plano industrial

Controle

sistemas de controles tcnicos

sistemas de custos gerenciais

Figura 1. Relao entre modelos e nveis de PCP. Fonte: Brunstein e Tomiya, 1995.
Gest. Prod., So Carlos, v. 14, n. 1, p. 25-41, jan.-abr. 2007

28

Paiva e Morabito

Matria-prima Pesagem Estocagem Lavagem Preparo/Moagem Caldo primrio

Perdas na gua de lavagem

Perdas no bagao

TS 1

Caldo misto

Clarificao do caldo Caldo clarificado Mosto TM Evaporao Cozimento/Turbinao Fermentao/Centrifugao

Perdas na torta

TS 2

Perdas indeterminadas

Perdas na fermentao

SJM

1 - SJM

Destilao Perdas na vinhaa

Acar

Mel Final

lcool

Tipos de acar: Standard; Superior; Especial; Extra; VHP; VVHP; Demerara.

Mel final comercializado: Melao.

Tipos de lcool: Anidro (AEAC); Hidratado (AEHC).

Figura 2. Fluxograma do processo de produo de acar, lcool e melao.

b) Usinas autnomas diversificadas: so usinas que produzem uma grande variedade de produtos e comercializam de forma independente; c) Usinas cooperadas no diversificadas: so usinas que produzem uma pequena variedade de produtos e comercializam por meio de pools ou cooperativas; e d) Usinas cooperadas diversificadas: so usinas que produzem uma grande variedade de produtos e que comercializam por meio de pools ou cooperativas; Para um melhor entendimento desta classificao, faz-se importante uma distino sobre o estabelecimento da demanda nestas classes. Nas empresas cooperadas, os compromissos e prazos de entrega dos produtos so estabelecidos por meio de metas determinadas pela cooperativa. J nas empresas autnomas, a demanda estabelecida por meio da relao direta da empresa
Gest. Prod., So Carlos, v. 14, n. 1, p. 25-41, jan.-abr. 2007

com o mercado. Ou seja, as empresas autnomas devem cumprir prazos de entrega, sob o risco de sofrerem penalidades, ou at mesmo perderem a venda. Para as empresas cooperadas, a demanda estabelecida por uma meta para todo o perodo de safra, sendo de responsabilidade das cooperativas a realizao da venda e o cumprimento dos prazos de entrega. Esta diferena faz com que o planejamento agregado da produo das usinas cooperadas seja bem mais flexvel quanto exigncia de atendimento da demanda. A classificao apresentada neste artigo propicia uma anlise mais especfica do sistema de PCP das usinas. Seguindo a classificao dos sistemas produtivos de MacCarthy e Fernandes (2000), as usinas das classes a e c enquadram-se nos sistemas de produo contnuos, e as usinas das classes b e d enquadram-se nos sistemas

Um modelo de otimizao para o planejamento agregado da produo em usinas de acar e lcool

29

de produo semicontnuos. Esta diferenciao existe pelo fato das usinas da classe b e d utilizarem estoques intermedirios de produtos semi-acabados, para poderem postergar a deciso do mix de produo a ser adotado. Podemos citar os estoques de lcool hidratado (AEHC) para posterior converso em lcool anidro (AEAC) ou em lcool neutro (AEN), estoques de acar bruto (p.ex., VHP ou demerara) para converso em acar extra, ou estoques de melao para converso em lcool. Com base nas estratgias de comercializao e nos sistemas de PCP caractersticos de cada uma das classes, o modelo proposto a seguir mais adequado para auxiliar o tomador de deciso em usinas das classes b e d, sendo especialmente importante para usinas na classe b.

4 Modelagem do problema
Nesta seo apresentamos o modelo combinado de Seleo de Processos e Dimensionamento de Lotes para Produo em Usinas (segunda verso), denominado SPDL/PU2. Nos modelos de seleo de processos, as demandas dos produtos so fixadas ao longo de um horizonte de planejamento. Cada produto pode ser produzido por diferentes processos alternativos. Os custos de produo e os recursos utilizados dependem do processo escolhido. Os recursos tm limites de disponibilidade no perodo e vrios produtos competem por estes recursos, de acordo com o processo de produo escolhido. O problema consiste em determinar o quanto produzir de cada produto em cada processo, de maneira a minimizar os custos de produo, sujeito s restries de limitao de recursos e atendimento da demanda. Os modelos de dimensionamento de lotes de produo, de forma geral, procuram definir a quantidade de itens a ser produzida em cada perodo ao longo de um horizonte de tempo finito, de modo a atender demanda e otimizar um critrio, por exemplo, minimizar custos ou maximizar a contribuio ao lucro. Resolver modelos de dimensionamento de lotes torna-se, em geral, bem mais difcil, se considerarmos tempos e custos de preparao (setup) de mquinas (problema NP-difcil na teoria de complexidade). Para aplicaes de modelos de dimensionamento de lotes em fundies e empresas de nutrio animal, veja, por exemplo, Arajo et al. (2004) e Toso e Morabito (2005). Para mais detalhes dos modelos de seleo de processos e dimensionamento de lotes, veja, por exemplo, Johnson e Montgomery (1974), Hax e Candea (1984), Nahmias (1995), Drexl e Kimms (1997) e Karimi et al. (2003). Conforme mencionado na seo 1, o modelo combinado SPDL/PU2 pode ser visto como um modelo de dimensionamento de lotes que, em vez de lotes de produtos, utiliza lotes de processos capazes de produzir simultaneamente um conjunto de produtos. Este modelo determina a moagem semanal (Mt) e os

processos de produo (Xkt), de forma que a margem de contribuio ao lucro seja maximizada e as restries de mercado, de previso de safra, capacidade de transporte das frotas, capacidade de estoque, fluxo de caixa positivo e utilizao de um e somente um processo por semana, sejam satisfeitas. Este modelo pode ser caracterizado como monoestgio, multi-produto, multi-processo e multi-perodo (dinmico). Consideramos que os tempos de preparao (setup) so de segunda ordem se comparados com o perodo adotado e, desta forma, podem ser desconsiderados. No presente contexto, setup so todas as atividades necessrias para efetuar uma troca entre processos de produo. Estas atividades podem ser um simples fechamento e/ou abertura de vlvulas, podem ser a troca de um sistema de duas massas para um de trs massas ou o incio da operao de uma coluna de desidratao. De uma forma geral estas atividades de preparao no apresentam custos nem tempos representativos, dado o perodo adotado. Por outro lado, sabemos que as usinas de acar e lcool pretendem produzir durante 24 horas por dia e 7 dias por semana no perodo de safra, entretanto, podem ocorrer paradas para manuteno, paradas por chuva ou paradas por motivos imprevistos (p.ex., falta de cana devido a falhas na logstica de transporte). Sendo assim, o tempo de setup pode ser incorporado ao percentual de tempo aproveitado durante cada semana e, desta forma, ser retirado do modelo. Adotamos uma viso tudo ou nada de produo em perodos semanais. Esta considerao est baseada na necessidade de um perodo considervel de tempo para que o processo produtivo atinja ndices de produtividade elevados. Desta forma, um grande nmero de trocas de processos durante um perodo menor que uma semana pode acarretar em perda de eficincia e, conseqentemente, perda de rentabilidade da empresa. Portanto, utilizamos um e somente um processo produtivo em cada semana. Estamos desconsiderando possveis no-linearidades nos custos de produo (p.ex., quanto maior a qualidade da cana fornecida, menores so os custos dos produtos qumicos), nos rendimentos dos processos (p.ex., quanto maior a qualidade da cana fornecida, maiores so os rendimentos dos processos) e na mistura de melao e caldo para formar o mosto da fermentao do lcool (p.ex., a fermentao alcolica possui um rendimento um pouco menor quando trabalhamos com mel esgotado no lugar do mel rico). 4.1 Clculos preliminares do modelo O clculo dos rendimentos de cada processo da etapa industrial no um clculo imediato. Para estabelecer estes rendimentos necessrio conhecer vrios parmetros que esto relacionados com a qualidade
Gest. Prod., So Carlos, v. 14, n. 1, p. 25-41, jan.-abr. 2007

30

Paiva e Morabito

da matria-prima, com as eficincias industriais e com a configurao estabelecida para o funcionamento da usina (processos de produo). Isto se deve ao fato de tratarmos de um sistema agroindustrial e, portanto, fortemente dependente de variveis climticas, sazonais e de manejo de campo, que influenciam diretamente nas caractersticas da matria-prima e, conseqentemente, no rendimento industrial obtido. O prprio setor sucroalcooleiro brasileiro leva em considerao estas peculiaridades no momento de determinar o valor a ser pago pela matria-prima. Atualmente, o sistema CONSECANA (Conselho dos produtores de cana, acar e lcool) sugere a remunerao do fornecedor, por meio do valor do ATR (Acares Totais Recuperveis), levando em considerao o mix de produo adotado pelas usinas, o valor mdio obtido pela venda dos produtos finais, a qualidade da matria-prima obtida e a eficincia industrial padro das usinas da regio (CONSECANA-SP, 2005). No modelo SPDL/PU2, utilizamos a literatura de tecnologia aucareira e alcooleira (HUGOT, 1977; CASTRO et al., 2002; FERNANDES, 2003; MEDEIROS, 2005) e as recomendaes do CONSECANA (CONSECANASP, 2005; CONSECANA-AL, 2005) como base para definir a formulao dos elementos da matriz de rendimentos (Apkt), que so os parmetros que determinam a quantidade de produto (acares, lcoois e melao), obtida pela utilizao de cada processo, em cada perodo de produo. Aps a obteno dos elementos da matriz de rendimentos, podemos determinar a produo terica dos vrios produtos e estabelecer o clculo de custos, receitas, eficincias, margem de contribuio e, finalmente, efetuar o planejamento de safra. 4.2 Modelo matemtico proposto Tendo discutido o processo de produo de acar, lcool, melao e subprodutos, apresentado a classificao das usinas em funo de sua estratgia de comercializao, apontado as principais questes de modelagem do problema, passamos a descrever uma srie de parmetros, os quais assumimos lineares em razo do nvel de anlise desejado. 4.2.1 ndices k Processos dentro da fbrica: determinados de acordo com os parmetros tecnolgicos adotados na usina de acar e na destilaria de lcool (k = 1, 2,..., 252); t Perodos: determinados pelo planejamento agrcola, estes perodos indicam o incio e o final da colheita de cana-de-acar (t = 1, 2,..., 23); p Produtos fabricados: produtos que podem ser produzidos pela empresa, tanto na fbrica
Gest. Prod., So Carlos, v. 14, n. 1, p. 25-41, jan.-abr. 2007

de acar quanto na destilaria de lcool (p = Standard, Superior, Especial, Extra, VHP, VVHP, Demerara, Melao, AEHC, AEAC). Estes produtos so subdivididos em produtos da fbrica de acar, produtos da destilaria de lcool e co-produtos da fbrica de acar, por meio dos subndices ps, pa, px, mostrados a seguir: ps Subconjunto de produtos da fbrica de acar (ps = Standard, Superior, Especial, Extra, VHP, VVHP, Demerara); pa Subconjunto de produtos da destilaria (pa = AEHC, AEAC); px Subconjunto de resduos da usina (px = Melao); Matrias-primas: determinadas de acordo com o tipo de fornecedor (ou fonte de suprimento) da qual a cana provm (m = cana prpria - prop, cana arrendada - arr, cana acionistas - caci, cana fornecedor - cforn). Ainda, necessrio criar um subconjunto das matrias-primas prprias (subndice mp), como segue: mp Subconjunto de canas que so administradas pela prpria usina (mp = cana prpria, cana arrendada); Servios de transporte: determinados de acordo com o tipo de prestador de servio de transporte que est sendo utilizado (f = transporte prprio - Fprop, transporte condomnio - Fcond, transporte terceirizado - Fterc); e Locais de estoque: determinados de acordo com o local do estoque (e = estoque prprio - Eprop, estoque terceirizado - Eterc).

4.2.2 Gerao de parmetros do modelo 4.2.2.1 Parmetros e clculos dos elementos da matriz de rendimentos (Apkt) BMF Brix do mel final adotado pela fbrica (Brix); PzaM Meta de pureza do mel final adotada na fbrica (%); TMk Desvio de melao para a destilaria em cada processo k (valor unitarizado); TSk Determinao do desvio de caldo para a fbrica em cada processo k (valor unitarizado); Polk Polarizao dos acares produzidos em cada processo k (Z); Umidk Umidade dos acares produzidos em cada processo k (%); Rpa Rendimento estequiomtrico dos lcoois pa (l/100 kg ART); MAPpa,k Percentual dos lcoois pa produzidos em cada processo k (%);

Um modelo de otimizao para o planejamento agregado da produo em usinas de acar e lcool

31

MSPps,k Percentual dos acares ps produzidos em cada processo k (%); Elbtit Eficincia da parte comum do processo de fabricao de acar e lcool (%); Efdt Eficincia de fermentao/centrifugao e destilao na produo de lcool (%); pct Pol da cana em cada semana t (%); PzaCt Pureza da cana em cada semana t (%); e ARt Acares redutores contidos na cana em cada semana t (%): PzaJt = PzaCt 1, t = 1,...,T
PzaSk = Polk , k = 1,..., K c1 - U midk m 100

(1) (2)

a recuperao de acares em cada processo k e em cada perodo t (%); a Equao 4 calcula quantidade de sacarose existente no melao (%); a Equao 5 calcula a recuperao terica da destilaria para os lcoois pa, em cada perodo t (%); a Equao 6 calcula o rendimento industrial obtido na produo dos acares ps, pelos processos k, nos perodos t (kg); a Equao 7 calcula o rendimento industrial obtido na produo do melao px, pelos processos k, nos perodos t (kg); a Equao 8 calcula o rendimento industrial obtido na produo dos lcoois pa, pelos processos k, nos perodos t; a Equao 9 determina os coeficientes da matriz de rendimento industrial de cada produto p, em cada processos k, nos perodos t (t ou m3, para o caso dos acares ou dos lcoois, respectivamente).

SJM kt =

PzaSk _ PzaJ t - PzaM i JM kt = , k = 1,..., K; t = 1,..., T PzaJ t _ PzaSk - PzaM i SMF = BMF.PzaM 100 RDpa, t =

PzaSk _ PzaJ t - PzaM i (3) , k = 1,..., K; t = 14.2.2.2 Parmetros e clculos dos elementos ,..., T PzaJ t _ PzaSk - PzaM i da matriz de custos industrial (CK )

cproc ARm

(4) (5)

Fatorpa

ps = standard,.. polk m d1 - c Umidk m n .MSPk, ps , (10) ConvS ps, k, t = RS ps, k, t . c ) 100 100 k = 1,..., K; t ps = standard,..., demerara; Elbtit m RS ps, k, t = pct .10 c SJM kt .TSk .MSPk, pspol (6) Umid ,) ps = standard,..., demerara; k k = 1,..., K;kt = 1,..., T 100 m d1 - c m n .MSPk, ps , ) ConvS ps, k, t = RS ps, k, t . c 100 100 k = 1,..., K; t = 1,..., T ps = standard,..., demerara; Elbtit m 0 c SJM kt .TSk .MSPk, ps , ) 100 k = 1,..., K; t = 1,..., T SMF px f RM px, k, t. b 100 l p + RM . ARm , ) pct .Elbtit _1 - SJM kt i .TSk .100 _1 - TM k i px, k, t (7) px = Melaco ConvM px, k, t = 0, 95 100 k = 1,.. RM px, k, t = ,) (11) 10.SMF k = 1,..., K; t = 1,..., T RM px, k, t . b SMF l px = Melao 100 p RM ARm , ) px = Melao ConvM px, k, t = f - SJM kt i .TSk .100 _1 - TM k i + px, k, t . J ,) 0, 95 100 N Elbti 10.SMF k = 1,..., K; t = K1,..., Tt m d RDpa, t n d pct _1 - SJM i + AR n TS .TM +O k = 1,..., K; t = 1,..., T c kt t k k 100 0, 95 K 10 O ConvApa,k,t = O pa,k,t.Fatorpa.MAPk,pa, RA (12) K pct d (8)ARt n _1 - TSk i RApa, k, t = K + O MAPk, pa , pa = AEHC, AEAC; k = 1,..., K; t = 1 0, 95 pa = AEHC, AEAC; k = 1,...,K; t = 1,...,T L P J N Elbtit m d RDpa, t n pct Kc d _1 - SJM kt i + ARt n TSk .TM k +O 10 100 0, 95 ConvS pkt ConvApkt O N K n, k = 1,..., K; t = 1 ARTprockt = !d + ConvM pkt + O pct 0, 95 0, 6475 O K p 1,..., K; t = 1,..., T TSk .TM k, +t = K d RApa k, + ARt n _1 - TSk i O MAPk, pa , pa = AEHC, AEAC; k = 0, 95 O L P ConvS ConvApkt O (13) n, k = 1,..., K; t = 1,..., T ARTprockt = = 1d T pkt + ConvM pkt + ! ,...,0, 95 O MAPk, pa , pa = AEHC, AEAC; k = 1,..., K; t p 0, 6475 P RS ps, k, t + RM px, k, t + RApa, k, t p = standard,..., AEAC; A Equao 10 apresenta o clculo do parmetro de Apkt = ,) (9) 1000 k = 1,..., K; t = 1,..., T

Rpa.Efdt , pa = AEHC, AEAC; t = 1,..., T 100

Custo de produo de cada kg ART em cada processo da USC (u.m./kg ART); Acares redutores contidos no mel final produzido pelos processos da USC (%); Fator de converso dos lcoois em etanol absoluto (Adimensionais);

kt

CKkt = ARTprockt.Cproc, k = 1,...,K; t = 1,...,T (14)

RS ps, k, t + RM px, k, t + RApa, k, t p = standard,..., AEAC; ,) = 1000 k = 1,..., K; t = 1,..., T

A Equao 1 calcula a pureza do caldo misto em cada semana t (%); a Equao 2 calcula a pureza dos acares produzidos em cada processo k (%); a Equao 3 calcula

converso de acares ps em sacarose equivalente, para cada processo k e durante todos os perodos t (kg Sacarose); a Equao 11 apresenta o clculo do parmetro de converso do melao px, em ART equivalente, para cada processo k e durante todos os perodos t. (kg ART); a Equao 12 calcula o parmetro de converso de lcoois pa, em etanol absoluto, para cada processo k e durante
Gest. Prod., So Carlos, v. 14, n. 1, p. 25-41, jan.-abr. 2007

32

Paiva e Morabito

Porcentagem de cana de fornecedores em cada perodo t (%); ft Disponibilidade da frota prpria em cada perodo t (%); t Tempo aproveitado na indstria durante um perodo t (%); t Tempo efetivo de moagem durante um perodo 4.2.2.3 Parmetros e clculos dos elementos t (%); da matriz de custos agrcolas (Cmt) Cestpe Capacidade de estocagem dos armazns e carr Custo mdio dos contratos de arrendamento tanques (t ou m3) no perodo t; (t de cana/ha); Lft Custo varivel de corte, carregamento e transm Acrscimo dado sobre o valor da tonelada de porte pelo tipo f, no perodo t (u.m./t); cana tipo m (u.m./t cana); hpe Custo varivel de estocagem do produto p, por ATRarr ATR padro para a cana arrendada local de estoque e (u.m./t ou m3); (kg/t); hspe Estoque do produto p, por local de estoque e no ATRt ATR contido na cana (kg/t); perodo de entre safra (u.m./t ou m3); pATRt Preo do ATR no perodo de fornecimento DSpt Demanda do produto p, em cada perodo t (t ou (u.m./kg); m3); prodamp,t Produtividade agrcola de cada tipo de cana mp Vpt Valor lquido do produto p, em cada perodo t em cada perodo t (t/ha); (u.m./t ou m3); VCpt Adiantamento lquido da CRPAAA pelo VTCarrt = ATRarr.pATRt, t = 1,...,T (15) produto p, em cada perodo t (u.m./t ou m3); Ipe0 Estoque inicial de cada produto p, no local de VTCt = ATRt.pATRt, t = 1,...,T (16) estoque e (t ou m3); Dispm0 Previso de safra por tipo de fornecimento m Cpropt = VTCt + propt, m = prop; t = 1,...,T (17) (t); carr.VTCarrt C"arr"t = VTCt + d"arr"t + , mM'm0 ; t = 1,..., T = arr Quantidade de cana colhida antes do incio da (18) proda"carrR"t safra (t); carr.VTCarrt C"arr"t = VTCt + d"arr"t + , m = arr; t = 1,..., T Apkt Elementos da matriz de rendimentos de cada proda"carrR"t produto p, em cada processos k, nos perodos t (t ou m3); Ccacit = Ccfornt = VTCt + mt, m = caci, (19) CKkt Elementos da matriz de custos industrial de cada cforn; t = 1,...,T processo k, nos perodos t (u.m./t de cana); Cmt Elementos da matriz de custos agrcola de cada A Equao 15 apresenta o clculo do valor da cana fonte m, nos perodos t (u.m./t de cana); arrendada para cada perodo t (u.m./t); a Equao 16 calcula o valor da cana para cada perodo t, calculada pelo 4.2.3.2 Variveis sistema CONSECANA (u.m./t); a Equao 17 calcula Xkt Varivel de seleo de processos (adimensional) o custo agrcola da cana prpria, em cada perodo t; a Deciso de utilizar (Xkt = 1) ou no utilizar Equao 18 calcula o custo agrcola da cana arrendada, (Xkt = 0) o processo k, no perodo t; em cada perodo t; a Equao 19 calcula o custo agrcola Mt Varivel de deciso de quantidade de cana da cana dos acionistas (Ccacit) e da cana dos fornecedores moda por semana (t) Quantidade de cana (Ccfornt), em cada t. Para mais detalhes dos parmetros e moda no perodo t; clculos anteriores, veja Paiva (2006). M'mt Varivel de deciso de quantidade de cana colhida por semana (t) Quantidade obtida em 4.2.3 Modelo matemtico proposto (SPDL/PU2) cada fornecedor m, no perodo t; 4.2.3.1 Parmetros do modelo SPDL/PU2 M''ft Varivel de deciso de quantidade de cana min M Moagem mnima de cana (t/sem); transportada por semana (t) Quantidade de Mmax Moagem mxima de cana (t/sem); cana transportada pelo tipo de transporte f, no Cgiro Capital de giro disponvel para rodar a safra perodo t; (u.m.); M'''kt Varivel de deciso de quantidade de cana por CTf Capacidade de transporte da frota prpria processo por semana (t) Quantidade de cana (t/sem); moda pelo processo k, no perodo t;
Gest. Prod., So Carlos, v. 14, n. 1, p. 25-41, jan.-abr. 2007

todos os perodos t (L Etanol); a Equao 13 apresenta o somatrio de todo o ART produzido, em cada processo k e em cada perodo t por todos os produtos p (kg ART); a Equao 14 a determinao do custo de cada processo k, em cada perodo t, baseado no custo de produo de cada kg de ART (u.m./tc).

Um modelo de otimizao para o planejamento agregado da produo em usinas de acar e lcool

33

Dispmt Ipet

Varivel de disponibilidade de matria-prima (t) Quantidade disponvel para ser colhida de cada tipo de matria-prima m, no perodo t; Varivel de estoque (t ou m3) Quantidade estocada do produto p, pelo estoque tipo e, no perodo t;

Ipet Cestpe, p = Standard,...,AEAC; e = Eprop, Eterc; t = 1,..., T M'''kt Mmax.Xkt, k = 1,...,K; t = 1,..., T Xkt {0,1}; Mt 0; M'mt M''ft 0; M'''kt 0; Dispmt 0; Ipet 0

(30)

(31) (32)

A Restrio 21 representa o balanceamento de estoque de cada produto p, em cada perodo t; a Equao 22 a restrio de utilizao de apenas um processo por perodo t; a Equao 23 a restrio de compatibilidade entre a quantidade de cana colhida (M'mt), a quantidade de cana transportada (M''ft) e a quantidade de cana por processo (M'''kt) e a quantidade de cana moda (Mt), em todos os Na Equao 20 apresentamos a funo objetivo do perodos t da safra; a Inequao 24 a restrio dispomodelo SPDL/PU2, nela procuramos maximizar a nibilidade de cana tipo m no incio de cada perodo de margem de contribuio agroindustrial de produo dos anlise t; a Equao 25 a restrio utilizao total da produtos p, por meio dos processos k, da matria-prima cana disponvel; a Inequao 26 a restrio de moagem m, do tipo de transporte da matria-prima f e do local de em cada perodo t; a Inequao 27 a restrio de fluxo estoque e, em todos os perodos t. de caixa em cada perodo t; a Inequao 28 a restrio de quantidade de cana no administrada (cforn, caci) em 4.2.3.4 Restries cada perodo t; a Inequao 29 a restrio de capaci(21) dade de ; t = 1,..., ! I pet = ! I p, e, t - 1 + ! Apkt.M t - DS pt , p = Standard,..., AEACtransporteTcom frota prpria em cada perodo t; a e e k Inequao 30 a restrio de capacidade de estoque para e, t - 1 + ! Apkt .M t - DS pt , p = Standard,..., AEAC; t = 1,..., T cada produto p, em cada local de estoque e, nos perodos k t; a Restrio 31 impe, em todos os perodos t, que a ! X kt = 1, t = 1,..., T (22) quantidade de cana por processo (M'''kt) seja nula sempre k que o processo k equivalente no esteja sendo utilizado !M'mt = !M"ft = !M"'kt = M t , t = 1,..., T (23) (Xkt = 0); na Equao 32 esto descritas as restries de m f k domnio das variveis de deciso do modelo. Para mais Dispmt = Dispm, t - 1 - M'm, t - 1 $ M'mt , m = prop,..., cforn; t =detalhes destas restries, veja Paiva (2006). 1,..., T (24) Neste modelo temos P produtos, K processos, M mat- 1 - M'm, t - 1 $ M'mt , m = prop,..., cforn; t = 1,..., T rias-primas, F tipos de transporte, E tipos de estoque e T perodos. No total temos, T(P.E + F + 2M + 2K) + 1 ! Dispm1= !M t (25) variveis, onde K.T so binrias, e T(2M + P.E + P + m t K + F + 7)+ 2 restries. Por exemplo, considerando {t ct {t ct min max M . . # M't # M . . (26), t os dados do problema do estudo de caso com M = 4, 1,..., T 100 100 100 100 = K = 252, F = 3, E = 2, P = 10, T = 23 (veja prxima { c { c seo), o modelo SPDL/PU2 resulta em 12.306 variveis, M min . t . t # M't # M max . t . t , t = 1,..., T 100 100 100 100 sendo 5.796 binrias, e 6902 restries. J !C .M' + ! L .M" N mt mt ft ft K O m f !!VC pt.Apkt.M t + Cgirot $ K + !CK .M"' + !!h .I O, t = 1,..., T (27) kt kt pet pet O p k K 5 e Estudo de caso e resultados p L k P J !C .M' + ! L .M" N computacionais mt mt ft ft K O m f VC pt .Apkt .M t + Cgirot $ K O, t = 1,..., T A Usina Santa Clotilde (USC) est situada no muniK + !CKkt .M"'kt + !!hpet .I pet O k p e cpio de Rio Largo-AL, onde atua na fabricao de L P acar standard, superior, especial, extra, demerara, M'''cforn''t + M'''caci''t + M'''cout''t t.Mt, t = 1,..., T (28) VHP, VVHP, lcool anidro (AEAC), lcool hidratado (AEHC) e melao, alm de subprodutos como torta de b ft ct (29) M"ft # . .CTf , f = Fprop,..., Fterc; t = filtro,T bagao, vinhaa e leo fsel. Sua produo de 1,..., 100 100 acar vendida no mercado interno de consumo direto, e b ft ct M"ft # . .CTf , f = Fprop,..., Fterc; t = 1,..., T tambm exportada para ser refinada. Na safra 2004/2005, 100 100 a USC processou pouco mais de 1 milho de toneladas de
Gest. Prod., So Carlos, v. 14, n. 1, p. 25-41, jan.-abr. 2007

4.2.3.3 Funo objetivo J N b !!Vpt .Apkt .M t l K O p k KJ NO (20) max Z = !K K !Cmt .M'mt + ! Lft .M"ft + !CKkt .M'''kt +OO m f k t KK OO K K !!hpe.I pet + !!hspe.I pe"sem23" OO O K p e p e PP LL

34

Paiva e Morabito

cana, com uma moagem mdia de 320 toneladas de cana por hora, o que totalizou uma produo de 100 mil toneladas de acar e 19 mil m3 de lcool. Esta empresa faz parte da Cooperativa Regional dos Produtores de Acar e lcool do estado de Alagoas (CRPAAA) e, portanto, pode ser considerada uma empresa situada na classe d quanto sua estratgia de comercializao (seo 3.1). O planejamento agregado de safra da USC est baseado no atendimento das metas de produo apontadas pela CRPAAA e no melhor aproveitamento dos principais recursos produtivos. O estudo de caso desenvolvido centrou-se na aplicao do modelo SPDL/PU2 aos dados coletados na USC durante a safra 2004/2005. A inteno foi verificar a adequao do modelo e verificar o tempo computacional requerido para sua soluo, quando utilizamos dados com ordem de grandeza equivalente aos problemas encontrados na prtica. Para essa aplicao foi utilizado um computador pessoal com processador INTEL Pentium IV 3GHz, com 2GB de memria RAM e sistema operacional Windows XP verso 2002 com service pack 2. O software utilizado foi o GAMS 19.6 aplicando o solver CPLEX 7.0. Os dados de entrada utilizados so os parmetros que esto descritos na apresentao do modelo; os valores adotados para estes parmetros esto detalhados em Paiva (2006). A seguir apresentamos os resultados do estudo de caso. Analisando a variao do estoque de produtos acabados durante os perodos de safra (Ipet), notamos que s foi

necessrio utilizar o estoque terceirizado nas semanas 8, 9 e 10 (Figura 3). Este fato est de acordo com o observado na safra 2004/2005 na USC, onde tambm foi necessrio utilizar o estoque terceirizado para o produto VHP, gerando inclusive uma modificao do processo produtivo por causa da restrio de espao de estocagem. Observando a varivel de disponibilidade de cana (Dispmt) por perodo, verificamos que toda a cana foi processada durante as 23 semanas que formaram a safra. Na Tabela 1, ilustramos esta afirmao ao apresentarmos que o valor de cana disponvel na semana 23 igual a quantidade de cana moda por cada fonte de fornecimento na semana 23. Ao avaliarmos o resultado obtido para a varivel de quantidade de cana por fonte de fornecimento (M'mt), na Figura 4, constatamos que toda a colheita de cana de fornecedores e acionistas foram executadas entre as semanas 4 e 20, fato que corresponde a realidade da USC nas ltimas safras. Outra observao interessante deste
Tabela 1. Disponibilidade de cana e moagem por fonte de fornecimento na semana 23. Disponibilidade (m,''sem23'') Prpria 28080 t Arrendada 0t Acionistas 0t Fornecedores 0t Moagem (m,''sem23'') Prpria Arrendada Acionistas Fornecedores 28080 t 0t 0t 0t

Estoque (t ou m3)

8000,00 7000,00 6000,00 5000,00 4000,00 3000,00 2000,00 1000,00 0,00

13 17 21 m m m m m 15 19 m m m m Se Se Se Se Se m m Se Se Se Se Se Se Se m 23 1 3 5 7 9 11

Estoque prprio Superior Estoque prprio VHP Estoque prprio Melao Estoque prprio AEHC Estoque prprio AEAC Estoque terceiros VHP

Estoque prprio Superior Estoque prprio AEHC

Estoque prprio VHP Estoque prprio AEAC

Estoque prprio Melao Estoque terceiros VHP

Figura 3. Esquema grfico da evoluo do estoque prprio e terceirizado.

Gest. Prod., So Carlos, v. 14, n. 1, p. 25-41, jan.-abr. 2007

Um modelo de otimizao para o planejamento agregado da produo em usinas de acar e lcool Moagem 1 (t)

35

50000,00 40000,00 30000,00 20000,00 10000,00 0,00

Se m 1 Se m 3 Se m 5 Se m 7 Se m 9 Se m 15 Se m 17 Se m 19 Se m 21 Se m 13 Se m 23 Se m 11

Moagem (agr.) Fornecedores Moagem (agr.) Acionistas Moagem (agr.) Arrendada Moagem (agr.) Prpria

Moagem (agr.) Prpria Moagem (agr.) Acionistas

Moagem (agr.) Arrendada Moagem (agr.) Fornecedores

Figura 4. Esquema grfico da evoluo da moagem de cana por fonte de fornecimento.

Moagem 2 (t)

40000,00 35000,00 30000,00 25000,00 20000,00 15000,00 10000,00 5000,00 0,00

3 5 7 m 1 9 19 13 15 17 Se m m m m m 21 11 Se m Se m m m m Se Se Se Se m 23

Moagem (cct) Frota prpria Moagem (cct) Frota fretistas Moagem (cct) Frota condomnio

Se

Se

Se

Se

Moagem (cct) Frota prpria

Moagem (cct) Frota fretistas

Moagem (cct) Frota condomnio

Figura 5. Esquema grfico da evoluo da moagem de cana por servio de transporte.

resultado que a colheita da cana de acionistas e da cana de fornecedores no est sendo executada simultaneamente, e o mesmo ocorre com a cana prpria e a cana arrendada. Na anlise da varivel M''ft , observamos que foi necessrio utilizar o frete terceirizado, mesmo com a existncia da frota do condomnio (Figura 5). Esta constatao tambm est de acordo com o acontecido na safra 2004/2005 da USC, onde o custo do transporte terceirizado de cana foi considerado uma dos maiores gastos da safra.

A Figura 6 apresenta a comparao entra a moagem Mt e os dados de moagem real e moagem planejada da USC para a safra 2004/2005. Numa inspeo visual, percebemos que a moagem sugerida pelo modelo tem uma tendncia prxima da moagem real da USC, sendo o desvio absoluto mdio destas duas sries igual a 6037 toneladas. Este desvio prximo do desvio absoluto mdio do planejamento da USC e da moagem real, que igual a 6076 toneladas. Esta proximidade e o fato do desvio absoluto mdio entre o modelo e o planejamento
Gest. Prod., So Carlos, v. 14, n. 1, p. 25-41, jan.-abr. 2007

Se

36

Paiva e Morabito

da USC ser de 5266 toneladas, mostra que o modelo tem potencial de aplicao prtica. A Figura 7 apresenta o plano de produo encontrado na anlise desta safra, ilustrando o comportamento da varivel de seleo de processos Xkt, e da moagem
60000,00 50000,00 40000,00 30000,00 20000,00 10000,00 0,00 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 Semanas Moagem SPDL/PU (t) Moagem Real USC (t) Moagem planejamento USC (t)

Figura 6. Evoluo e comparao da moagem durante a safra

acumulada semanalmente. Nesta figura, percebemos que foram necessrios 15 processos diferentes para atender ao plano de moagem. Notamos tambm que apenas o processo 170 foi utilizado em 3 semanas consecutivas. Em comparao com os processos adotados pela USC, temos que em 7 semanas da safra 2004/2005, o modelo sugere a utilizao dos mesmos processos, ou seja, 30% das semanas, o que indica que o plano de produo sugerido pelo modelo bem diferente do plano executado pela USC. Na Figura 8 apresentamos a produo de acar, lcool e melao em todas as 23 semanas de safra. Analisando esta figura, percebemos que o plano gerado contempla apenas os produtos estabelecidos na demanda (acar VHP, acar Superior, melao, AEHC e AEAC). Isto indica que a demanda que foi estabelecida utiliza quase toda a totalidade da capacidade da empresa, no restando capacidade excedente para aproveitar as oportunidades do mercado. Ao utilizar o modelo SPDL/PU2 foi estabelecida uma tolerncia admissvel de 0,5%, entre a soluo encontrada e o limitante superior da melhor soluo inteira possvel. Isto se deve dificuldade para atingir a soluo comprovadamente tima, uma vez que, tentativas de alcanar

Moagem (t)

60000,00 50000,00 40000,00 30000,00 20000,00 10000,00 0,00

1 3 5 7 9 13 17 15 19 Se m m m m m m m 21 11 m m m Se Se Se Se Se Se m Se Se Se Se Se m 23
250 208 198 184 180 173 170 166 142 103 82 68 40 19 5

proc5 proc82 proc170 proc198

proc19 proc103 proc173 proc208

proc40 proc142 proc180 proc250

proc68 proc166 proc184

Figura 7. Esquema grfico do plano de produo.

Gest. Prod., So Carlos, v. 14, n. 1, p. 25-41, jan.-abr. 2007

Pr

oc

es

so

Um modelo de otimizao para o planejamento agregado da produo em usinas de acar e lcool Produo (t ou m3)

37

6000,00 5000,00 4000,00 3000,00 2000,00 1000,00 0,00

Se m 13 Se m 21 Se m 15 Se m 17 Se m 19 Se m 11 Se m 23 Se m 1 Se m 5 Se m 3 Se m 7 Se m 9

Produo Superior Produo VHP Produo Melao Produo AEHC Produo AEAC

Produo Superior Produo AEHC

Produo VHP Produo AEAC

Produo Melao

Figura 8. Esquema grfico de produo.

a otimalidade no obtiveram soluo em 12 horas de processamento. Tendo estabelecido esta tolerncia, a margem de contribuio encontrada para este cenrio final foi de 10,07 milhes de unidades monetrias. Este valor tem um gap de 0,33% em relao ao limitante superior da melhor soluo inteira possvel para este cenrio (10,11 milhes de unidades monetrias). O tempo de processamento computacional requerido para resolver este exemplo com tolerncia de 0,5% foi de cerca de 2000 segundos (33 minutos). As primeiras solues encontradas pelo CPLEX apresentaram resultados com gap da ordem de 2,2%, continuando com um avano rpido at os 200 segundos (gap pouco superior a 1,2%) e obtendo uma soluo dentro da tolerncia (gap de 0,33%) com aproximadamente 2000 segundos de processamento. 5.1 Comparao entre os resultados do modelo e os resultados da USC Para fazer uma comparao adequada dos dados de sada do modelo e os dados da USC na safra 2004/2005, coletamos as decises adotadas pela USC, que so equivalentes as variveis de deciso do modelo SPDL/PU2 (Xkt, Mt, Mmt, Mft, Mkt, Dispmt, Ipet) e adotamos os mesmos dados de custos e de receita para obter os dados sublinhados da Tabela 2. A inteno analisar a safra da USC como se o conjunto de decises que foram tomadas durante a safra fosse um dos possveis resultados do modelo SPDL/PU2. Na Tabela 2 apresentamos tambm os dados de produo total de cada produto, tanto para o modelo

quanto para a USC (SANTA CLOTILDE, 2005). Outro dado interessante de ser observado nesta tabela o desvio entre os resultados do cenrio final e os resultados da USC, apresentados na ltima coluna. Os dados indicados com as letras maisculas e em itlico foram omitidos a pedido da empresa. Analisando os dados de produo da Tabela 2, percebemos que o modelo indica uma preferncia pela produo de acar em relao a produo de lcool e melao, principalmente acar VHP (desvio de 4,21%); percebemos tambm que o AEAC teve preferncia em comparao ao AEHC. Em relao eficincia industrial final, o resultado do modelo SPDL/PU2 foi ligeiramente superior ao resultado obtido pela USC (desvio de 0,10%); a proximidade destes resultados indica que o modelo apresenta potencial de uso na prtica. O principal resultado desta tabela o valor da margem de contribuio total (funo objetivo do modelo). Analisando este dado, podemos perceber que o modelo SPDL/PU2 foi capaz de obter um resultado com margem de contribuio 7,11% superior ao resultado da USC, levando a um acrscimo de 669 mil unidades monetrias durante uma safra.

6 Concluses
Aps os resultados obtidos no processo de validao, podemos afirmar que o modelo proposto pode auxiliar de forma importante no planejamento agregado da produo de usinas, proporcionando agilidade, facilidade e confiabilidade nas anlises realizadas, abrindo portas para uma
Gest. Prod., So Carlos, v. 14, n. 1, p. 25-41, jan.-abr. 2007

38

Paiva e Morabito

Tabela 2. Comparao dos resultados globais. Fonte: Paiva (2006) e Santa Clotilde (2005). Resultados Produo total Standard Superior Especial Extra VHP VVHP Demerara Melao AEHC AEAC ART total nos produtos ART total processado Eficincia industrial final Receita na safra Gastos na etapa agrcola Gastos na etapa de CCT Gastos na etapa industrial Gastos com estoque na safra Gastos com estoque remanescente Margem de Contribuio Total Unidade t t t t t t t t m m kg/t cana kg/t cana % u.m u.m u.m u.m u.m u.m u.m (a) Modelo SPDL/PU2 0 36415 0 0 66950 0 0 8625 7650 11159 140,63 155,85 90,23 A C E G I L 10.077.785 (b) USC safra 2004/2005 0 36198 0 0 64243 0 0 8627 7808 11043 140,49 155,85 90,14 B D F H J M 9.408.733 [(a-b)/b] Desvio relativo (%) 0,60 4,21 -0,02 -2,02 1,05 0,10 0,00 0,10 1,01 0,14 -4,45 2,57 -4,83 0,31 7,11

melhor compreenso das variveis inerentes ao problema, propiciando anlises quantitativas eficazes que apiam o planejamento de safra e propiciando uma melhoria dos resultados financeiros da empresa. Dentre as vantagens da utilizao de modelos deste tipo, podemos destacar: a) transformar em rotina as consideraes e os fatores relevantes no processo de tomada de decises, inibindo julgamentos subjetivos, incompletos e parciais; b) colocar cada tipo de deciso em seu nvel apropriado; c) corrigir rapidamente os erros de previso e as consideraes que foram estabelecidas ao tratar os dados de entrada; d) liberar os decisores para atuarem melhor em problemas incomuns dentro do dia-a-dia da empresa; e) melhorar o processo de tomada de decises por meio de tcnicas de otimizao e anlise de diversos cenrios; f) permitir vises mais claras e objetivas do planejamento e processos produtivos modelados; e g) propiciar a integrao da etapa industrial com a etapa agrcola, a etapa de CCT e a etapa de comer-

cializao e distribuio em um nico modelo matemtico de apoio s decises do planejamento de safra. Quanto ao tempo computacional necessrio para solucionar os cenrios e a tolerncia estabelecida para o valor da funo objetivo (gap de 0,5%), entendemos que ambos so adequados. Na prtica, interessante efetuar uma anlise em planejamento rolante com horizonte decrescente, e periodicidade semanal, rodando o modelo aps eventual atualizao de dados de entrada decorrente dos acontecimentos da semana anterior. Os resultados encontrados nos experimentos realizados neste trabalho so promissores e encorajam as seguintes investigaes: a) incorporar o balano trmico e a gerao de energia eltrica para aumentar a aderncia do modelo proposto com a realidade das usinas; b) analisar o efeito de incertezas nos parmetros do modelo por meio de tcnicas de restries de chances e otimizao robusta; c) considerar mais de um objetivo, utilizando programao de metas; e d) utilizar metodologias de pesquisa participativa para analisar as vantagens e desvantagens da utilizao deste modelo.

Gest. Prod., So Carlos, v. 14, n. 1, p. 25-41, jan.-abr. 2007

Um modelo de otimizao para o planejamento agregado da produo em usinas de acar e lcool

39

An optimization model for the aggregate production planning in alcohol and sugar mills
Abstract
The main concern of this work is related to the presentation of an aggregate production planning model of a sugar and alcohol milling company. The mathematical model is based on the process selection model and the production lot-sizing model, and aims to help the decision makers in the production planning and control process of determining the quantity of sugarcane crushed, the selection of sugarcane suppliers, the selection of sugarcane transport system suppliers, the selection of industrial process used in the sugar, alcohol and molasses production and the storage decisions related to these final products. The decisions are taken on a weekly basis and the planning horizon is the whole sugarcane harvesting season. To solve the mixed integer mathematical problem found in this model, we applied the GAMS modeling language and the CPLEX solver. A case study was developed in a sugar and alcohol milling company located in Rio Largo, state of Alagoas, Brazil. The results of this case study helped us to verify the applicability of the proposed model in the aggregate production planning of a milling company. Computational results are presented in real data application.
Keywords: Aggregate production planning. Process selection. Lot-sizing. Integer optimization. Sugar and alcohol mills.

Referncias bibliogrficas
ABEL, D. J. et al. A routing and scheduling problem for rail system: A case study. The Journal of the Operational Research Society, v. 32, n. 9, p. 767-774, set. 1981. ALEGRE, R. M.; RIGO, M.; JOEKES, I. Ethanol fermentation of a diluted molasses medium by saccharomyces cerevisiae immobilized on chrysotile. Brazilian Archives of Biology and Technology, v. 46, n. 4, p. 751-757, dez. 2003. ALVES, D. M. G. Fatores que afetam a formao de cidos orgnicos bem como outros parmetros da fermentao alcolica. 1994. 251 f. Dissertao (Mestrado em Fisiologia e Bioqumica de Plantas) Escola Superior de Agricultura Luiz de Queiroz, Universidade de So Paulo, Piracicaba, 1994. ARAJO, S. A.; ARENALES, M. N.; CLARK, A. R. Dimensionamento de lotes e programao do forno numa fundio de pequeno porte. Gesto & Produo, v. 11, n. 2, p. 165-176, maio/ago. 2004. BARATA, M. Q. F. Otimizao econmica do corte e reforma de canaviais. 1992. 173 f. Dissertao (Mestrado em Economia Agrria) Escola Superior de Agricultura Luiz de Queiroz, Universidade de So Paulo, Piracicaba, 1992. BELIK, W.; VIAN, C. E. F. Desregulamentao estatal e novas estratgias competitivas da agroindstria canavieira em So Paulo. In: MORAES, M. A. F. D.; SHIKIDA, P. F. A. (org.). Agroindstria canavieira no Brasil: evoluo, desenvolvimento e desafios. So Paulo: Atlas, 2002. BRUNSTEIN, I.; TOMIYA, E. H. Modelo econmico de empresa sucroalcooleira. Gesto & Produo, v. 2, n. 3, p. 264-280, set./dez. 1995. CASTRO, S. B.; ANDRADE, G. T. C.; ALBUQUERQUE, F. M. Engenharia e processamento do acar. Apostila de treinamento e consultoria. Macei, 2002, 126p. Trabalho no publicado. COCK, J. H.; LUNA, C. A.; PALMA, A. The trade-off between total harvestable production and concentration of the economically useful yield component: cane tonnage and sugar content. Field Crops Research, v. 67, n. 3, p. 257-262, ago. 2000. COLIN, E. C.; CIPPARRONE, F. A. M.; SHIMIZU, T. Otimizao do custo de transporte na distribuio-armazenagem de acar. Produo, v. 9, n. 1, p. 23-30, maio 1999. CONSECANA-AL (Conselho dos Produtores de Cana, Acar e lcool de Alagoas). Sistema de remunerao da tonelada de cana-de-acar com base no acar total recupervel (ATR) para o estado de Alagoas. Disponvel em: <http://www. sindacucar-al.com.br/docs/consecanaAL/cartilhaconsecanaal. swf>. Acesso em: 16 de agosto de 2005. CONSECANA-SP (Conselho dos Produtores de Cana, Acar e lcool de So Paulo). Manual de instrues Consecana-SP: Regulamento & Normas operacionais. 4. ed. Disponvel em: <http://www.unica.com.br/pages/consecana.asp>. Acesso em: 16 de agosto de 2005. DREXL, A.; KIMMS, A. Lot sizing and scheduling survey and extensions. European Journal of Operational Research, v. 99, n. 2, p. 221-235, jun. 1997. FERNANDES, A. C. Clculos na agroindstria de cana-deacar. Piracicaba: EME/STAB, 2003. GRISOTTO, M. E. Otimizao do transporte de cana-deacar por caminhes. 1995. 121f. Dissertao (Mestrado em Matemtica Aplicada) Instituto de Matemtica, Estatstica e Computao Cientfica, Universidade Estadual de Campinas, Campinas, 1995. ALVES, D. M. G. Fatores que afetam a formao de cidos orgnicos bem como outros parmetros da fermentao alcolica. 1994. 251 f.. Dissertao (Mestrado em Fisiologia e Bioqumica de Plantas) Escola Superior de Agricultura Luiz de Queiroz, Universidade de So Paulo, Piracicaba, 1994. HAX, A. C.; CANDEA, D. Production and inventory management. Englewood Cliffs: Prentice-Hall, 1984.
Gest. Prod., So Carlos, v. 14, n. 1, p. 25-41, jan.-abr. 2007

40

Paiva e Morabito

HIGGINS, A. J. Scheduling of road vehicles in sugar transport: A case study at an Australian sugar mill. European Journal of Operational Research, v. 170, n. 3, p. 987-1000, maio 2006. HIGGINS, A. J.; DAVIES, I. A simulation model for capacity planning in sugarcane transport. Computers and Electronics in Agriculture, v. 47, n. 2, p. 85-102, maio 2005. HIGGINS, A. J. et al. Optimising harvest date in sugar production: A case study for the Mossman mill region in Australia I. Development of operations research model and solution. Field Crops Research, v. 57, n. 2, p. 153-162, maio 1998. HIGGINS, A. J. et al. A framework for integrating a complex harvesting and transport system for sugar production. Agricultural Systems, v. 82, n. 2, p. 99-115, nov. 2004. HUGOT, E. Manual da engenharia aucareira volume I e II. So Paulo: Mestre Jou, 1977. IANNONI, A. P.; MORABITO. R. A discrete simulation analysis of a logistics supply system. Transportation Research Part E: Logistics and Transportation Review, v. 42, n. 3, p. 191-210, maio 2006. ICIDCA (Instituto Cubano de Pesquisa dos Derivados da Cana-deAcar). Manual dos derivados da cana-de-acar. Braslia: ABIPTI, 1999. JOHNSON, L.; MONTGOMERY, D. Operations research in production, planning, scheduling and inventory control. New York: John Wiley & Sons, 1974. KAWAMURA, M. S.; RONCONI, D. P.; YOSHIZAKI, H. Optimizing transportation and storage of final products in the sugar and ethanol industry. International Transactions in Operational Research, v. 13, n. 5, p. 425-439, set. 2006. KARIMI, B.; FATEMI GHOMI, S. M. T.; WILSON, J. M. The capacitated lot sizing problem: a review of models and algorithms. Omega the International Journal of Management Science, v. 31, n. 5, p. 365-378, out. 2003. LEE, K. S. et al. Model predictive control technique combined with iterative learning for batch processes. AIChE Journal, v. 45, n. 10, p. 2175-2187, mar. 1999. LIMA, J. P. L.; SICS, A. B. Revisitando o setor sucroalcooleiro do nordeste: o novo contexto e a reestruturao possvel. Estudos Infosucro, Rio de Janeiro, n. 4, out. 2001. Disponvel em: <http://www.nuca.ie.ufrj.br/infosucro/estudos/lima1.pdf>. Acesso em 25 abril de 2005. LOPES, M. B. Simulao de um sistema de carregamento e transporte de cana-de-acar. Piracicaba, 1995. 143 f.. Dissertao (Mestrado em Eng. Agrcola) Escola Superior de Agricultura Luiz de Queiroz, Universidade de So Paulo, Piracicaba, 1995. LUCHE, J. R. D.; MORABITO, R. Otimizao na programao da produo de gros eletrofundidos: um estudo de caso. Gesto & Produo, v. 12, n. 1, p. 135-149, jan./abr. 2005. MacCARTHY, B. L.; FERNANDES, F. C. F. A multi-dimensional classification of production system for the design and selection of production planning and control systems. Production Planning & Control, v. 11. n. 5, p. 481-496, jul. 2000. MATHEW, J.; RAJENDRAN, C. Scheduling of maintenance activities in a sugar industry using simulation. Computers in Industry, v. 21, n. 3, p. 331-334, abr. 1993.

MEDEIROS, F. Processo de Fabricao de acar. Apostila de treinamento e consultoria, Macei, 89 p. 2005. Trabalho no publicado. MILAN, E. L; FERNANDEZ, S. M.; ARAGONES, L. M. P. Sugar cane transportation in Cuba, a case study. European Journal of Operational Research, v. 174, n. 1, p. 374-386, out., 2006. MORAES, M. A. F. D. Desregulamentao da agroindstria canavieira: Novas formas de atuao do estado e desafios do setor privado. In: MORAES, M. A. F. D.; SHIKIDA, P. F. A. (org.): Agroindstria canavieira no Brasil: evoluo, desenvolvimento e desafios. So Paulo: Atlas, 2002. NAHMIAS, S. Production and operations analysis. Local: Irwin, Hoewood, IL, 1995. PAIVA, R. P. O. Um modelo baseado em seleo de processos e dimensionamento de lotes para o planejamento agregado da produo em usinas de acar e lcool. 2006. 182 f. Dissertao (Mestrado em Eng. de Produo) Departamento de Engenharia de Produo, Universidade Federal de So Carlos, So Carlos, 2006. PAYNE, J. H. Operaes unitrias na produo de acar de cana. So Paulo: Nobel/STAB, 1989. RODRIGUES, L. G. S. Anlise energtica de diferentes sistemas de cogerao com bagao de cana-de-acar. 2005. 122 f. Dissertao (Mestrado em Eng. Eltrica) Universidade Estadual Paulista Jlio de Mesquita Filho, Ilha Solteira, 2005. SANTA CLOTILDE. Relatrio geral safra 2004/2005. Rio Largo, 2005. Relatrio. Trabalho no publicado. TOSO, E. A. V.; MORABITO, R. Otimizao no dimensionamento e sequenciamento de lotes de produo: estudo de caso numa fbrica de raes. Gesto & Produo, v. 12, n. 2, p. 203-217, maio/ago. 2005. UNICA (Unio da Agroindstria Canavieira de So Paulo) Informao UNICA. Ano 6, n. 51, janeiro/fevereiro de 2003. Disponvel em: <http://www.unica.com.br/files/ informacaounica/ unica51.pdf>. Acesso em: 20 de abril 2005. VIAN, C. E. F. Agroindstria canavieira: estratgias competitivas e modernizao. Campinas: tomo, 2003. WAACK, R. S.; NEVES, M. F.; MORAES, S. Grupamentos estratgicos nas usinas de acar e lcool. In: CONGRESSO DA SOCIEDADE BRASILEIRA DE ECONOMIA E SOCIOLOGIA RURAL, 36., 1998, Poos de Caldas. Anais... Poos de Caldas: SOBER, 1998. WHAN, B. M.; SCOTT, C. H.; JEFFERSON, T. R. Scheduling sugar cane plant and ratoon crops and a fallow a constrained markov model. Journal of agricultural engineering research, v. 21, n. 3, p. 281-289, set. 1976. VAN WISSEN, M. E. et al. Discrete event modeling and dynamic optimization of a sugar plant. Delft: Delft University of Technology, 2005. Relatrio tcnico. YAMADA, M. C. Modelagem das cadeias de atividades produtivas da indstria sucroalcooleira visando aplicao em estudos de simulao. 1999. 164 f. Dissertao (Mestrado em Engenharia Mecnica) Escola de Engenharia de So Carlos, Universidade de So Paulo, So Carlos, 1999. YOSHIZAKI, H. T. Y.; MUSCAT, A. R. N.; BIAZZI, J. L. Decentralizing ethanol distribution in southeastern Brazil. Interfaces, v. 26, n. 6, p. 24-34, nov./dez. 1996.

Gest. Prod., So Carlos, v. 14, n. 1, p. 25-41, jan.-abr. 2007

Um modelo de otimizao para o planejamento agregado da produo em usinas de acar e lcool

41

Sobre os autores
Rafael Piatti Oititica de Paiva
Usina Santa Clotilde S/A, CEP 57100-000, Rio Largo, AL, e-mail: rafael_paiva@hotmail.com

Reinaldo Morabito
Departamento de Engenharia de Produo - DEP, Universidade Federal de So Carlos - UFSCar, 13565-905, So Carlos, SP, e-mail: morabito@power.ufscar.br Agradecimentos: Agradecemos aos revisores deste artigo pela valorosa contribuio e Usina Santa Clotilde pelo apio financeiro, pelo fornecimento de dados e pela ajuda de todos os funcionrios envolvidos na realizao desta pesquisa. Recebido em 29/1/2006 Aceito em 07/12/2006

Gest. Prod., So Carlos, v. 14, n. 1, p. 25-41, jan.-abr. 2007