Seleção de fornecedores por meio de simulação e machine learning com as ferramentas KNN e LR

Detalhes bibliográficos
Autor(a) principal: Cavalcante, Ian Moreira
Data de Publicação: 2019
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Institucional da UFSC
Texto Completo: https://repositorio.ufsc.br/handle/123456789/211702
Resumo: Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Engenharia Mecânica, Florianópolis, 2019.
id UFSC_5ae714f7004f72006c118bb657e21ebb
oai_identifier_str oai:repositorio.ufsc.br:123456789/211702
network_acronym_str UFSC
network_name_str Repositório Institucional da UFSC
repository_id_str 2373
spelling Seleção de fornecedores por meio de simulação e machine learning com as ferramentas KNN e LREngenharia mecânicaIndústria 4.0Aprendizado do computadorFornecedoresSimulação (Computadores)Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Engenharia Mecânica, Florianópolis, 2019.Esta pesquisa discute e aplica conceitos e ferramentas da Indu´stria 4.0 para resol- ver um problema cla´ssico da manufatura ? a selec¸a~o de fornecedores. Para tal, sa~o utilizadas de maneira integrada ferramentas de simulac¸a~o e machine learning, com o objetivo de desenvolver um portfo´lio de fornecedores com desempenho superior em func¸a~o da performance de entregas no prazo. Sa~o teorizados os potenciais benefi´cios desta nova abordagem e as conseque^ncias que novos servic¸os orientados a dados podem promover na manufatura. Os algoritmos de machine learning utilizados foram a regressa~o logi´stica e k-vizinhos mais pro´ximos. Ale´m disso, e´ proposto um me´todo para integrac¸a~o dos modelos de simulac¸a~o e de machine learning. Tambe´m foram apresentadas duas abordagens que combinam ambos algoritmos por meio de um sis- tema baseado em regras, as quais apresentaram performance superior a` utilizac¸a~o dos algoritmos de maneira isolada. Portanto, esta pesquisa contribuiu com o conheci- mento em manufatura digital pelo fato de investigar quantitativamente ferramentas que te^m sido utilizadas no novo paradigma da manufatura, o qual e´ fortemente influenciado por deciso~es orientadas a dados.<br>Abstract: This research applies Industry 4.0 concepts to solve a classic manufacturing problem ? the supplier selection. Simulation and machine learning tools are used in an integrated manner, aiming to develop a portfolio of suppliers with superior performance in relation to the on-time delivery key performance indicator. The potential benefits of this novel approach and the consequences that new data-driven services can have on manufac- turing are theorized. The machine learning algorithms used were logistic regression and k-nearest neighbors. It is also presented two approaches that combine both algo- rithms by means of a rule-based system, which presented superior performance to the individual use of the algorithms. Therefore, this research has contributed to digital man- ufacturing knowledge, which is strongly influenced by data-driven decisions, by quan- titatively investigating tools that have been used in the new manufacturing paradigm ? simulation and machine learning.Forcellini, Fernando AntonioFrazzon, Enzo MorosiniUniversidade Federal de Santa CatarinaCavalcante, Ian Moreira2020-08-20T06:01:27Z2020-08-20T06:01:27Z2019info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesis98 p.| il., gráfs.application/pdf368416https://repositorio.ufsc.br/handle/123456789/211702porreponame:Repositório Institucional da UFSCinstname:Universidade Federal de Santa Catarina (UFSC)instacron:UFSCinfo:eu-repo/semantics/openAccess2020-08-20T06:01:27Zoai:repositorio.ufsc.br:123456789/211702Repositório InstitucionalPUBhttp://150.162.242.35/oai/requestopendoar:23732020-08-20T06:01:27Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)false
dc.title.none.fl_str_mv Seleção de fornecedores por meio de simulação e machine learning com as ferramentas KNN e LR
title Seleção de fornecedores por meio de simulação e machine learning com as ferramentas KNN e LR
spellingShingle Seleção de fornecedores por meio de simulação e machine learning com as ferramentas KNN e LR
Cavalcante, Ian Moreira
Engenharia mecânica
Indústria 4.0
Aprendizado do computador
Fornecedores
Simulação (Computadores)
title_short Seleção de fornecedores por meio de simulação e machine learning com as ferramentas KNN e LR
title_full Seleção de fornecedores por meio de simulação e machine learning com as ferramentas KNN e LR
title_fullStr Seleção de fornecedores por meio de simulação e machine learning com as ferramentas KNN e LR
title_full_unstemmed Seleção de fornecedores por meio de simulação e machine learning com as ferramentas KNN e LR
title_sort Seleção de fornecedores por meio de simulação e machine learning com as ferramentas KNN e LR
author Cavalcante, Ian Moreira
author_facet Cavalcante, Ian Moreira
author_role author
dc.contributor.none.fl_str_mv Forcellini, Fernando Antonio
Frazzon, Enzo Morosini
Universidade Federal de Santa Catarina
dc.contributor.author.fl_str_mv Cavalcante, Ian Moreira
dc.subject.por.fl_str_mv Engenharia mecânica
Indústria 4.0
Aprendizado do computador
Fornecedores
Simulação (Computadores)
topic Engenharia mecânica
Indústria 4.0
Aprendizado do computador
Fornecedores
Simulação (Computadores)
description Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Engenharia Mecânica, Florianópolis, 2019.
publishDate 2019
dc.date.none.fl_str_mv 2019
2020-08-20T06:01:27Z
2020-08-20T06:01:27Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv 368416
https://repositorio.ufsc.br/handle/123456789/211702
identifier_str_mv 368416
url https://repositorio.ufsc.br/handle/123456789/211702
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv 98 p.| il., gráfs.
application/pdf
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFSC
instname:Universidade Federal de Santa Catarina (UFSC)
instacron:UFSC
instname_str Universidade Federal de Santa Catarina (UFSC)
instacron_str UFSC
institution UFSC
reponame_str Repositório Institucional da UFSC
collection Repositório Institucional da UFSC
repository.name.fl_str_mv Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)
repository.mail.fl_str_mv
_version_ 1808652356485644288

Registros relacionados