See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/260136530

UM MODELO DE OTIMIZAÇÃO BASEADA EM SIMULAÇÃO PARA ALOCAÇÃO

DE MÃO-DE-OBRA EM PROJETOS DE PINTURA DE TORRES EÓLICAS

Conference Paper · October 2012

CITATION READS

1 400

2 authors:

Ronaldo Pessoa Anselmo Ramalho Pitombeira-Neto

Universidade Federal do Ceará Universidade Federal do Ceará
3 PUBLICATIONS   1 CITATION    39 PUBLICATIONS   97 CITATIONS   

SEE PROFILE SEE PROFILE

Some of the authors of this publication are also working on these related projects:

k-stage two-dimensional cutting stock problem with setup View project

Modeling and simulation in production and logistics View project

All content following this page was uploaded by Anselmo Ramalho Pitombeira-Neto on 12 February 2014.

The user has requested enhancement of the downloaded file.

 XXXII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO
Desenvolvimento Sustentável e Responsabilidade Social: As Contribuições da Engenharia de Produção
Bento Gonçalves, RS, Brasil, 15 a 18 de outubro de 2012.

UM MODELO DE OTIMIZAÇÃO
BASEADA EM SIMULAÇÃO PARA
ALOCAÇÃO DE MÃO-DE-OBRA EM
PROJETOS DE PINTURA DE TORRES
EÓLICAS
Ronaldo Lage Pessoa (UFC)
ronaldo.lage.pessoa@gmail.com
Anselmo Ramalho Pitombeira Neto (UFC)
anselmo.pitombeira@ufc.br

O presente trabalho tem como objetivo desenvolver um modelo de

otimização baseada em simulação computacional para a alocação da
mão-de-obra de forma a minimizar o custo médio total de execução do
serviço de manutenção de torres eólicas. Iniicialmente, apresenta- se
um modelo de Programação Inteira Estocástica para o problema de
trade-off tempo-custo em projetos. Em seguida, descreve-se a
metodologia utilizada, a qual consistiu na coleta de dados e na
construção do modelo por meio de planilha eletrônica, o qual é
resolvido com o uso de Simulação de Monte Carlo e Algoritmo
Genético. O modelo é ilustrado por meio da aplicação a um caso real
de manutenção de torres eólicas. A simulação do projeto de
manutenção com a alocação gerada pelo algoritmo genético
possibilitou estimar a probabilidade do custo exceder a previsão da
empresa, indicando que esse tipo de modelo pode auxiliar o tomador
de decisão a estimar melhor os custos associados à alocação de mão-
de-obra.

Palavras-chaves: Otimização, Simulação de Monte Carlo, Projetos

 XXXII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO
Desenvolvimento Sustentável e Responsabilidade Social: As Contribuições da Engenharia de Produção
Bento Gonçalves, RS, Brasil, 15 a 18 de outubro de 2012.

1. Introdução
Torres eólicas, também chamadas de aerogeradores, são equipamentos utilizados na geração
de energia eólica. A manutenção de torres eólicas exige o planejamento criterioso dos
serviços a serem executados, em função das restrições de espaço e dificuldade de acesso às
torres. O tempo de execução dos serviços é um fator crítico, devido ao alto custo operacional
da interrupção do funcionamento de uma torre eólica, durante o qual não há geração de
energia. O principal fator determinante do tempo de execução é a mão-de-obra alocada para a
realização dos serviços, de forma que uma maior quantidade de mão-de-obra alocada ao
trabalho pode reduzir o tempo de execução. No entanto, uma maior alocação de mão-de-obra
também implica em maiores custos devido ao pagamento de salários. Dessa forma, a alocação
de recursos de mão-de-obra em manutenção de torres eólicas envolve um trade-off entre
tempo e custo.
O presente trabalho tem como objetivo desenvolver um modelo de otimização baseada em
simulação computacional para a alocação da mão-de-obra de forma a minimizar o custo
médio total de execução do serviço de manutenção de torres eólicas. Para a ilustração e
validação do modelo utilizam-se dados reais fornecidos por uma empresa de manutenção de
torres eólicas. A estrutura deste artigo é a seguinte: na seção 2 é feita uma pequena revisão
dos principais conceitos utilizados; na seção 3 descreve-se o modelo desenvolvido; na seção 4
discutem-se a aplicação do modelo e os resultados obtidos; e na seção 5 são apresentadas as
conclusões.

2. Fundamentação teórica
2.1 O problema de trade-off tempo-custo
O problema do trade-off tempo-custo surge quando a duração de certa atividade pode ser
reduzida alocando-se quantidades maiores de custos diretos (como mão de obra e maquinário)
à mesma (SCHWINDT, 2005). Esse problema é classificado como um problema de
otimização em projetos, no qual a função-objetivo é o custo total do projeto, as variáveis de
decisão são as quantidades de recursos alocados e as restrições correspondem às quantidades
de recursos disponíveis (DEMEULEMEESTER; HERROELEN, 2002).
Nesse problema, o custo total é função da duração total do projeto, a qual depende das
durações de cada atividade e das relações de precedência entre estas. Por sua vez, as durações
das atividades são variáveis aleatórias cujas distribuições de probabilidades são funções das
quantidades de mão-de-obra alocadas a cada atividade. As Equações (1) a (4) descrevem um
modelo de programação inteira estocástica do problema.

(1)
s.a.
(2)

2
 XXXII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO
Desenvolvimento Sustentável e Responsabilidade Social: As Contribuições da Engenharia de Produção
Bento Gonçalves, RS, Brasil, 15 a 18 de outubro de 2012.

(3)
(4)

Em que E[c(x1, x2 , ..., xn , D1, D2 , ..., Dn )] é o valor esperado do custo total, xj é o número de
empregados alocados à atividade j, Dj é a duração da atividade j, a qual segue uma
distribuição de probabilidades pj(θ, xj), que depende de parâmetros específicos da distribuição
(dados de entrada do modelo) e da quantidade de mão-de-obra alocada, e R é a
disponibilidade de mão-de-obra.
No modelo adotado neste trabalho, admite-se que as atividades são realizadas
sequencialmente, de forma que os recursos não são compartilhados por atividades que
ocorrem em paralelo. Em outras palavras, a duração total do “projeto” é a soma das durações
individuais de cada atividade. Para se calcular o valor esperado do custo total, deve-se obter
sua distribuição de probabilidades. No entanto, é difícil obter essa distribuição em uma forma
analítica fechada. Tal tipo de dificuldade pode ser contornado por meio do uso de simulação
de Monte Carlo, que é a estratégia adotada neste trabalho.
2.2. Otimização baseada em simulação
Dá-se o nome de “otimização baseada em simulação”, a técnicas de otimização estocástica
que tentam estimar o valor da função objetivo em um determinado vetor de decisão por meio
da simulação (FU, 2002). Em geral, os modelos de otimização baseada em simulação são
expressos na seguinte forma (TEKIN; SABUNCUOGLU, 2004):

(5)

Em que:

(6)

A quantidade L(x, ε)é chamada de performance da amostra, em que o verto ε em (5)

representa a o efeito estocástico do sistema, x é um vetor de fatores controláveis (variáveis de
decisão) e em (5) consiste no conjunto de soluções viáveis, definido pelas restrições do
modelo. Segundo Fu et al. (2005), para se estimar a solução ótima x*, utilizam-se métodos
heurísticos ou meta-heurísticos, uma vez que a função-objetivo não está expressa
analiticamente, dificultando ou até mesmo impossibilitando o uso de métodos de otimização
tradicionais baseados em gradiente.
As aplicações da técnica de otimização baseada em simulação têm crescido nos últimos anos,
sendo o aumento da capacidade computacional um dos fatores que contribuíram para a
viabilização do uso dessa técnica, uma vez que a estimativa do valor da função-objetivo é
“computacionalmente caro” em função do uso de um modelo de simulação. Alguns exemplos
de trabalhos que aplicam a otimização baseada em simulação são: Pitombeira Neto e
Gonçalves Filho (2010), que desenvolvem um modelo de otimização multiobjetivo baseada
em simulação de eventos discretos, o qual utiliza um algoritmo genético para a geração de
configurações ótimas de células de produção; Lee et al. (2008), no qual propõem um modelo
de otimização baseada em simulação para um problema de alocação de peças de reposição de
aviões; e Hani et al (2008), que propõem um modelo para a otimização do layout de uma
instalação para a manutenção de trens.

3
 XXXII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO
Desenvolvimento Sustentável e Responsabilidade Social: As Contribuições da Engenharia de Produção
Bento Gonçalves, RS, Brasil, 15 a 18 de outubro de 2012.

3. Metodologia
As etapas da metodologia utilizada estão representadas na forma de fluxograma na Figura 1.
As cinco primeiras etapas apresentadas no fluxograma referem-se à coleta de dados, nas quais
são listadas as atividades que compõem o projeto juntamente com suas relações de
precedência e todas as informações referentes à quantidade de recursos, sua relação com a
duração das atividades e os custos associados. A primeira informação a respeito dos recursos
refere-se à sua relação com a duração das atividades. Pode-se representar essa relação através
de uma função linear, por exemplo, ou pode-se utilizar uma relação entre conjuntos, ou seja,
para cada quantidade de recurso alocada a certa atividade, será atribuída uma duração
específica para esta atividade.

Figura 1 – Fluxograma da metodologia

A relação duração versus quantidade de recursos pode ser definida utilizando uma relação de
função (contínua) ou de conjuntos (discreta) mediante dados históricos ou conhecimento
especialista. Como essa relação geralmente não é linear e como se está trabalhando com
variáveis inteiras (discretas), a opção de relação entre conjuntos torna-se mais prática.
Quando as durações das atividades apresentam variabilidade, deve-se utilizar uma função
densidade de probabilidade para representar essa variabilidade. Uma das distribuições mais
comumente utilizadas para representar tempo é a distribuição de probabilidade triangular, a
qual possui os parâmetros valor mínimo, valor mais provável e valor máximo. Por fim,
devem-se obter dados relativos aos custos do projeto. O custo total do projeto pode ser divido
em custo de mão-de-obra, custo de matéria prima, custo indireto, custo fixo e, na maioria dos
projetos, custo de multa por atraso. Para o modelo proposto, serão considerados apenas os
custos de mão-de-obra na forma de custo por hora-homem, custo indireto e custo de multa por
atraso.
As variáveis de decisão, nesse caso, são representadas pela quantidade de mão-de-obra
alocada em cada atividade. Por se tratar de pessoas, os valores atribuídos a cada variável só

4
 XXXII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO
Desenvolvimento Sustentável e Responsabilidade Social: As Contribuições da Engenharia de Produção
Bento Gonçalves, RS, Brasil, 15 a 18 de outubro de 2012.

poderão ser do tipo inteiro, variando de um ao valor máximo estipulado para cada atividade, o
qual depende das particularidades de cada atividade. Há também a restrição quanto à
quantidade máxima de mão-de-obra disponível para o projeto.
O modelo é construído em uma planilha eletrônica, a qual conterá células ajustáveis
representando as variáveis de decisão, e uma célula de destino que representa a função-
objetivo. Para definir a relação entre quantidade de mão-de-obra e a duração de cada
atividade, cria-se uma matriz como mostrada na Figura 2, na qual em cada célula se define
uma distribuição de probabilidades para a duração da atividade de acordo com a quantidade
de recursos alocados.
O modelo de otimização é resolvido por meio do software @RISK, o qual é integrado à
planilha eletrônica Microsoft Excel, e possui funcionalidades para a geração de números
aleatórios segundo distribuições de probabilidades específicas. Tal funcionalidade é utilizada
na geração das durações das atividades. Para estimar os valores ótimos das variáveis de
decisão, utiliza-se o software RISKOptimizer, o qual aplica um algoritmo genético para varrer
o espaço de soluções viáveis.

Figura 2 – Matriz de relação “quantidade de mão-de-obra” versus “duração da atividade”

Utilizando uma segunda matriz (Figura 3) que se relaciona com a matriz de definição da
relação entre quantidade de mão-de-obra e duração da atividade, é possível definir as células
ajustáveis, no caso, a quantidade de mão de obra alocada a cada atividade. O custo total
situado na ultima coluna da matriz refere-se ao custo da mão-de-obra total de cada atividade.

5
 XXXII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO
Desenvolvimento Sustentável e Responsabilidade Social: As Contribuições da Engenharia de Produção
Bento Gonçalves, RS, Brasil, 15 a 18 de outubro de 2012.

Figura 3 – Matriz de células ajustáveis (coluna Qnt. Recursos)

A função-objetivo é composta pela soma de todos os custos associados ao modelo em uma

única célula da planilha. O algoritmo de otimização, embutido no software @RISK, gera
sucessivamente alocações de mão-de-obra até que um critério de parada seja atingido. Com
base em uma alocação, o projeto é simulado, gerando-se durações aleatórias para as atividades
segundo as distribuições triangulares especificadas, com base nas quais se calcula o valor da
função-objetivo, o custo total. Para cada alocação, a simulação é repetida n vezes, resultando
em n valores para o custo total. O custo médio é então estimado como a média amostral dos n
valores de custo total calculados em cada simulação. O algoritmo a alocação que produziu o
menor custo médio, e retorna essa alocação após um critério de parada ser satisfeito.

4. Aplicação do modelo
O modelo foi aplicado em um cenário de serviço de manutenção de pintura em torres eólicas.
Uma torre eólica é dividida em três componentes básicos: nacelle, torre e pás. Por serem
componentes com acesso independente, tomou-se como estratégia a formação de três equipes
independentes para a execução da pintura dos três componentes. Entretanto, por se tratar de
um trabalho em altura e com espaço limitado, existe restrição quanto à quantidade de recursos
que pode ser alocada em cada atividade.
4.1 Coleta de dados
Segundo os dados obtidos no setor financeiro, o custo da hora-homem é de R$ 18,23 e os
custos indiretos são de R$ 24,00 por hora. Além disso, está previsto em contrato uma multa de
R$ 45,00 por hora de atraso, sendo considerado atraso, o tempo excedido de 24 horas de torre
parada (esses valores foram tratados para manter a confidencialidade das informações
financeiras da empresa). Como citado anteriormente, para cada um dos três componentes
básicos, forma-se uma equipe para executar as atividades. Dessa forma, tem-se na Figura 4 a
relação de atividades relacionadas às três equipes de manutenção. As três equipes executam as
atividades em paralelo e as atividades relativas a cada equipe são realizadas sequencialmente,
ou seja, a próxima atividade só poderá iniciar quando a atividade que a precede for finalizada.

Nacelle Torre Pás

Amarração Amarração Amarração
Marcação Ancorar plataforma Ascensão
Limpeza Ascensão Marcação
Pintura Marcação Limpeza
Limpeza Pintura
Pintura Descida
Descida
Figura 4 – Lista de atividades para cada componente da torre

6
 XXXII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO
Desenvolvimento Sustentável e Responsabilidade Social: As Contribuições da Engenharia de Produção
Bento Gonçalves, RS, Brasil, 15 a 18 de outubro de 2012.

Por ausência de histórico em relação às durações das atividades, considero-se que as durações
das atividades relacionadas na Figura 4 seguem distribuições de probabilidade do tipo
triangular. Essa consideração foi feita pelo fato da distribuição triangular ser definida por três
parâmetros fáceis de serem compreendidos por tomadores de decisão que não possuem
conhecimento aprofundado em Estatística. A última consideração a ser feita é que as
atividades “Marcação-Limpeza-Pintura” da equipe da Nacelle e as atividades “Ascenção-
Marcação-Limpeza-Pintura-Descida” das equipes da Torre e Pás utilizam as mesmas pessoas
para executá-las em cada equipe. Dessa maneira, a quantidade de variáveis de decisão será
menor que a quantidade de atividades. O total de células ajustáveis será de sete, duas para a
equipe da Nacelle, três para a equipe da Torres e duas para a equipe das Pás.

4.2 Resultados obtidos

O modelo de otimização testou 82 alocações diferentes. Para cada alocação foi feita uma
simulação com um tamanho médio de amostra de 323. A Figura 5 exibe um gráfico com a
evolução do valor do custo médio total estimado em cada simulação. A alocação de mão-de-
obra que produziu o menor custo total médio é exibida na Figura 6.

Figura 5 – Custo médio amostral ao longo da execução do algoritmo de otimização

Nacelle Torre Pás

Número de Número de Número de
Atividade Atividade Atividade
trabalhadores trabalhadores trabalhadores
Amarração 1 Amarração 2 Amarração 2
Ascenção,
Marcação, Marcação,
Ancorar
Limpeza e 4 2 Limpeza, 1
plataforma
Pintura Pintura e
Descida
- - Ascensão, 5 - -

7
 XXXII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO
Desenvolvimento Sustentável e Responsabilidade Social: As Contribuições da Engenharia de Produção
Bento Gonçalves, RS, Brasil, 15 a 18 de outubro de 2012.

Marcação,
Limpeza,
Pintura e
Descida
Figura 6 – Alocação de mão-de-obra que resultou no menor custo total médio

Com a melhor alocação produzida pelo modelo de otimização, simulou-se o projeto de forma
a gerar histograma da função-objetivo custo total, usando uma amostra de tamanho 10000.
(Figura 7).
Com base no custo médio amostral e no desvio-padrão amostra, calculou-se o intervalo de
confiança de 95% para o custo total do projeto, resultando no intervalo [R$ 3.653,00 ; R$
4.037,00]. O custo total inicialmente estipulado pela empresa foi de R$ 5.000,00, de forma
que, seguindo a alocação resultante do modelo de otimização, o risco do custo total do projeto
extrapolar esse valor é pequeno, comparando-se ao intervalo de confiança.

Figura 7 – Histograma do custo total para a melhor alocação obtida

5. Conclusão
O método utilizado no trabalho buscou desenvolver um modelo de otimização baseada em
simulação que fornecesse a alocação ótima de mão-de-obra em um projeto de manutenção de
torres eólicas, considerando a variabilidade das durações das atividades. A aplicação do
modelo em um caso utilizando dados reais obteve êxito e os resultados obtidos através do
modelo de otimização baseada em simulação se mostraram uma ferramenta útil para os
tomadores de decisão. O custo para a alocação de mão-de-obra que resultou no menor custo
médio total ficou abaixo do custo inicialmente estipulado pela empresa (R$ 5.000,00), o que
viabilizou a alocação de recursos segundo o modelo otimizado.
Uma sugestão para trabalhos futuros nessa área é o desenvolvimento de um modelo de
otimização baseada em simulação que trabalhe com rearranjo de atividades para minimizar a
duração média total, considerando durações estocásticas. Nesse caso, as variáveis de decisão

8
 XXXII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO
Desenvolvimento Sustentável e Responsabilidade Social: As Contribuições da Engenharia de Produção
Bento Gonçalves, RS, Brasil, 15 a 18 de outubro de 2012.

seriam a data de início de cada atividade, respeitando as relações de precedência. Outra

proposta também seria a construção de um modelo de otimização baseada em simulação que
maximizasse a utilização de recursos, o que combinaria rearranjo de atividades e alocação de
recursos, trabalhando, desse modo, com dois tipos de variáveis de decisão: data de início das
atividades e quantidade de recursos alocada em cada atividade.

Referências
DEMEULEMEESTER, E. L. & HERROELEN, W, S. Project Scheduling: A research handbook. 1 Ed. New
York: Kluwer Academic Publishers, 2002.
FU, M.C. Optimization for Simulation: Theory vs. Practice. INFORMS Journal on Computing Vol. 14, n. 3, p.
192-215, 2002.
FU, M. C.; GLOVER, F. W. & APRIL, J. Simulation Optimization: A Review, New Developments, and
Applications. Winter Simulation Conference, 83-95, 2005.
HANI, Y.; AMODEO, L.; YALAOUI, F., & CHEN, H. Simulation based optimization of a train maintenance
facility. Journal of Intelligent Manufacturing, 19(3), 293–300, 2008.
LEE, L. H.; CHEW, E. P.; TENG, S.; & CHEN, Y. Multi-objective simulation-based evolutionary algorithm
for an aircraft spare parts allocation problem. European Journal of Operational Research, 189(2), 476–491,
2008.
PITOMBEIRA NETO, A.R.; GONÇALVES FILHO, E.V. A simulation-based evolutionary multiobjective
approach to manufacturing cell formation. Computers and Industrial Engineering, v.59, p.64-74, 2010.
SCHWINDT, C. Resource Allocation in Project Management. 1 Ed. Heidelberg: Springer, 2005.
TEKIN, E. & SABUMCUOGLU, I. Simulation Optimization: A Comprehensive Review on Theory and
Applications. IIE Transactions, v. 36, 1067-1081, 2004.

View publication stats