Aplicação de machine learning na resolução do problema de cortes unidimensional com sobras aproveitáveis e predição de demanda

Abstract

This work proposes an approach aimed at optimizing industrial production by combining advanced artificial intelligence techniques for demand forecasting in cutting problems with usable leftovers. The goal is to improve production planning and minimize losses throughout the process, making it more sustainable and reducing operational costs. Among the approaches adopted, the use of recurrent neural networks of the LSTM (Long Short-Term Memory) type stands out, capable of identifying complex temporal patterns in historical sales data, seasonality, and external variables such as raw material prices. This predictive model provides more accurate estimates of future demand, aiding strategic decision-making focused on loss minimization. These computational techniques were implemented to find solutions for the Stock Cutting Problem with Usable Leftovers (PCESA), which is an extension of the classic cutting problem centered on utilizing leftovers generated during the production process. For conducting the experiments, an artificial database was developed to simulate realistic market conditions. This database considers multiple rules to reflect customer behavior, specific demands, and daily fluctuations in commodity prices, more faithfully representing the challenges faced by the industry. The evaluation of results focused on minimizing total losses over a planning horizon, enabling an analysis applicable to the business context, with an emphasis on decision-making by planning and business teams. Additionally, quantitative analyses were conducted based on training and generalization results, demonstrating the effectiveness of integrating demand forecasting with cutting process optimization in reducing waste and improving efficiency.

Este trabalho propõe uma abordagem que visa a otimização da produção industrial, combinando técnicas avançadas de inteligência artificial para previsão de demanda em problemas de corte com sobras aproveitáveis. A proposta visa aprimorar o planejamento produtivo e minimizar perdas ao longo do processo, tornando-o mais sustentável e reduzindo custos operacionais. Dentre as abordagens adotadas, destaca-se o uso de redes neurais recorrentes do tipo LSTM (Long Short-Term-Memory), capazes de identificar padrões temporais complexos em séries históricas de vendas, sazonalidades e variáveis externas, como o preço da matéria-prima. Esse modelo preditivo fornece estimativas mais precisas de demanda futura, auxiliando a tomada de decisões estratégicas voltadas à minimização de perdas. Essas técnicas computacionais foram implementadas para a obtenção de soluções para o Problema de Corte de Estoque com Sobras Aproveitáveis (PCESA), que é uma extensão do problema clássico de corte cujo foco está no aproveitamento das sobras geradas durante o processo produtivo. Para a condução dos experimentos, foi desenvolvida uma base de dados artificial com o objetivo de simular condições realistas de mercado. Essa base considera múltiplas regras para refletir o comportamento de clientes, suas demandas específicas e as oscilações diárias no preço de commodities, representando com maior fidelidade os desafios enfrentados na indústria. A avaliação dos resultados concentrou-se na minimização das perdas totais ao longo de um horizonte de planejamento, permitindo uma análise aplicada ao contexto empresarial, com foco na tomada de decisão por equipes de planejamento e negócios. Adicionalmente, foram conduzidas análises quantitativas com base nos resultados de treinamento e generalização, demonstrando a efetividade da integração entre a previsão de demanda e a otimização de processos de corte, na redução de desperdícios e no aprimoramento da produção industrial.