Pesquisa sobre otimização de escalonamento em oficina de processamento de chapas de navios baseada em algoritmo NSGA-II melhorado

Por que estaleiros precisam de cronogramas mais inteligentes

Estaleiros modernos lidam com milhares de pesadas chapas de aço que precisam ser marcadas, cortadas e movimentadas na ordem correta. Qualquer pequena interrupção — como uma máquina de corte quebrada ou um pedido urgente — pode repercutir por toda a oficina, desperdiçando energia, sobrecarregando algumas máquinas e ameaçando prazos de entrega. Este artigo apresenta uma nova forma de reorganizar automaticamente o trabalho em uma oficina de processamento de chapas quando ocorrem tais perturbações, usando um algoritmo evolutivo refinado para manter a produção rápida, confiável e eficiente.

Manter a produção estável quando algo dá errado

A construção naval é um tipo de manufatura complexa, com paradas e reinícios frequentes. As chapas variam em tamanho e forma, e diferentes máquinas dividem a carga de trabalho. Hoje, quando algo inesperado acontece, muitos estaleiros ainda dependem de pessoal experiente para reorganizar o plano manualmente. Isso leva tempo e frequentemente resulta em uso desigual das máquinas e custos maiores. Os autores focam em uma questão central: quando o piso de fábrica é atingido por eventos como falhas de máquina, retrabalhos ou atraso de materiais, como um computador pode gerar rapidamente um novo plano que termine no prazo, mantenha baixo consumo de energia e evite sobrecarregar alguma máquina?

Transformando a oficina em um gêmeo digital

Para enfrentar isso, os pesquisadores primeiro transformam a oficina de chapas em um modelo digital detalhado. Eles constroem um layout tridimensional de máquinas e fluxos de material usando software de engenharia, e o vinculam a uma plataforma de dados da Internet das Coisas (IoT) que coleta informações em tempo real de mesas de corte, guindastes e outros equipamentos. Isso cria uma espécie de gêmeo digital da oficina: um ambiente virtual que espelha o que acontece no chão de fábrica. Dados de produção fluem para um sistema de escalonamento, que usa algoritmos de otimização para propor um plano de trabalho inicial. Esse plano é então testado em simulação para verificar se respeita os prazos de entrega e usa as máquinas de forma razoável antes de ser devolvido para controlar a oficina real.

Equilibrando tempo, custo e carga das máquinas

O cerne do estudo é uma descrição matemática de como as chapas se movimentam pela oficina. Cada chapa passa por várias etapas em diferentes máquinas, e o plano deve respeitar a ordem das operações, a capacidade de cada máquina e um prazo de entrega acordado. Os autores definem três objetivos simultâneos: reduzir o tempo total de conclusão, diminuir a energia total usada durante processamento e espera, e evitar longos períodos em que as máquinas fiquem ociosas ou sobrecarregadas. Esse tipo de problema multobjetivo não tem uma única resposta perfeita. Em vez disso, produz um conjunto de trade-offs — por exemplo, terminar um pouco mais cedo ao custo de maior consumo de energia. O objetivo do algoritmo é mapear esses trade-offs para que os planejadores possam escolher um cronograma que melhor corresponda às suas prioridades.

Ensinando um algoritmo a se adaptar como um especialista

Para explorar o enorme espaço de possíveis cronogramas, os autores melhoram um método evolutivo popular chamado NSGA-II, que funciona evoluindo uma população de planos candidatos ao longo de muitas gerações. Versões tradicionais usam configurações fixas para a frequência com que planos são combinados e alterados aleatoriamente, e preservam os melhores planos de uma forma simples. Isso pode fazer a busca "emperrar" cedo demais. Aqui, as probabilidades de crossover e mutação se adaptam automaticamente conforme a busca avança, incentivando ampla exploração no início e refinamento mais cuidadoso depois. Ao mesmo tempo, uma nova regra de seleção de elite, inspirada em recozimento simulado, controla quantos dos melhores planos são mantidos de cada geração. Isso ajuda a manter variedade entre cronogramas promissores para que o algoritmo não convirja rápido demais para uma solução subótima.

Comprovando o método em testes e em um estaleiro real

A abordagem melhorada é testada de duas maneiras. Primeiro, é executada em um conjunto de benchmarks de escalonamento amplamente usados por pesquisadores. Na maioria desses testes, encontra soluções de trade-off mais diversas e de maior qualidade do que tanto o NSGA-II original quanto uma variante mais recente chamada NSGA-III. Em segundo lugar, a equipe aplica o método a um pedido real de produção envolvendo 16 chapas e sete máquinas em um estaleiro, e então introduz perturbações realistas: trabalhos de retrabalho urgentes e uma grande quebra de máquina. Em cada caso, o sistema primeiro tenta um simples deslocamento à direita das tarefas afetadas; se isso comprometer a data de entrega, aciona um reescalonamento completo usando o algoritmo melhorado. Em comparação com estratégias tradicionais, o novo método entrega tempos de conclusão menores, consumo de energia igual ou inferior e cargas de máquina mais equilibradas, ao mesmo tempo em que calcula planos com rapidez suficiente para uso prático.

O que isso significa para a construção naval

Para não especialistas, a mensagem principal é que oficinas de chapas podem agora responder a surpresas de forma mais automática e confiável. Ao combinar um fluxo de dados ao vivo da fábrica, um modelo digital realista e um algoritmo evolutivo mais inteligente, o método mantém a produção no cronograma com menos intervenções manuais de emergência. A longo prazo, esse escalonamento dinâmico pode ajudar estaleiros a reduzir atrasos, economizar energia e aproveitar melhor equipamentos caros — um passo concreto rumo a uma manufatura mais inteligente e resiliente.

Citação: Dong, L., Liu, J., Gu, S. et al. Research on scheduling optimization of ship plate processing workshop based on improved NSGA-II algorithm. Sci Rep 16, 5549 (2026). https://doi.org/10.1038/s41598-026-35278-y

Palavras-chave: construção naval, escalonamento de produção, algoritmo genético, fabricação inteligente, otimização dinâmica