Post on 15-Dec-2018
SIMULAÇÃO DA DINÂMICA
OPERACIONAL DE UM PEQUENO
RESTAURANTE UNIVERSITÁRIO: UM
ESTUDO DE CASO
Roberta Alves (UTFPR )
robertalvess@hotmail.com
Jose Airton Azevedo dos Santos (UTFPR )
airton@utfpr.edu.br
Edna Possan (UNILA )
epossan@gmail.com
Carla Adriana Pizarro Schmidt (UTFPR )
cs910@yahoo.com.br
Este trabalho teve como objetivo desenvolver um modelo
computacional para simular a dinâmica operacional de um pequeno
restaurante universitário do tipo self-service. O sistema real modelado
está localizado no Campus Medianeira da Universiddade Tecnológica
Federal do Paraná. O modelo do tipo dinâmico, discreto e estocástico
foi desenvolvido utilizando o software Arena®. Como parâmetro de
comparação entre os dados obtidos a partir do sistema e gerados pelo
modelo foi selecionado a variável tempo de espera na fila da balança.
Para a validação do modelo foi utilizado análise de variância com 1%
de significância. Não foram detectadas diferenças estatísticas entre os
valores obtidos do sistema real e os gerados pelo modelo.
Considerando-se esta e outras análises, foi concluído que o modelo
aplica-se à finalidade para o qual foi desenvolvido.
Palavras-chaves: (simulação computacional; Arena®; sistemas de
serviço; restaurante universitário)
XXXIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO A Gestão dos Processos de Produção e as Parcerias Globais para o Desenvolvimento Sustentável dos Sistemas Produtivos
Salvador, BA, Brasil, 08 a 11 de outubro de 2013.
XXXIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO A Gestão dos Processos de Produção e as Parcerias Globais para o Desenvolvimento Sustentável dos Sistemas Produtivos
Salvador, BA, Brasil, 08 a 11 de outubro de 2013.
2
1. Introdução
A busca constante do homem por conforto e comodidade é um dos fatores que tem promovido
o crescimento do setor de serviços que atualmente é a área de maior crescimento econômico
no mundo. No mercado brasileiro um serviço que ocupa grande espaço é o setor de
alimentação, uma vez que é primordial para o desenvolvimento de todos os seres humanos,
fornecendo todas as substâncias necessárias para a manutenção da vida.
O restaurante self-service é um dos empreendimentos alimentícios característicos do mundo
moderno, bastante comum no Brasil. Vivendo a correria diária dos grandes centros urbanos,
os consumidores exigem comida pronta, variada, nutritiva, bem elaborada, na quantidade
escolhida, servida em ambiente confortável e com preço acessível. Essas características vêm
ao encontro do oferecidos por esse tipo de restaurante.
De origem inglesa, a palavra self-service significa , e é um tipo de restaurante predominante
em centros universitários do país. Entretanto, na maioria das vezes, esses empreendimentos
tendem a apresentar filas, uma vez que a chegada dos clientes ocorre em grupos e em um
curto espaço de tempo.
O fenômeno de formação de filas já é rotineiro na vida atual, ocorre em diversas aplicações,
como uma peça esperando para ser lixado ou polido (na indústria), um avião esperando para
decolar (em um aeroporto), e é claro uma fila de seres humanos esperando um serviço (como
em bancos, lotéricas,etc.) (BARBOSA et al., 2009).
De acordo com Arenales et al. (2007) as filas se formam em decorrência do aumento dos
consumidores e da incapacidade do sistema em atender a essa demanda. Assim, através de
técnicas de simulação, busca-se encontrar um ponto de equilíbrio que satisfaça os clientes e
seja viável economicamente para o provedor do serviço.
A simulação é uma técnica de solução de um problema pela análise de um modelo que
descreve o comportamento de um sistema usando um computador digital (BANKS, 2000). A
simulação de um modelo permite entender a dinâmica de um sistema assim como analisar e
prever o efeito de mudanças que se introduzam no mesmo. (FERNANDES, 2006)
Diante do exposto, este trabalho teve por objetivo implementar um modelo computacional
para simular a dinâmica operacional de um pequeno restaurante universitário do tipo self-
service.
XXXIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO A Gestão dos Processos de Produção e as Parcerias Globais para o Desenvolvimento Sustentável dos Sistemas Produtivos
Salvador, BA, Brasil, 08 a 11 de outubro de 2013.
3
2. Fundamentação
A simulação tem sido cada vez mais aceita e empregada como uma técnica que permite aos
analistas dos mais diversos seguimentos verificarem ou encaminharem soluções com a
profundidade desejada, aos problemas com os quais lidam diariamente. A simulação
computacional permite que estudos sejam realizados sobre sistemas que ainda não existem,
levando ao desenvolvimento de projetos eficientes antes que qualquer mudança física tenha
sido iniciada (RYAN, 2006).
Prado (2009) revela que existem duas etapas para o estudo de simulação de sistemas. Na
primeira o analista deve construir um modelo, fornecer alguns dados e obter outros que sejam
idênticos ao sistema que está sendo estudado. A segunda consiste na mudança do modelo,
para que com base nos resultados obtidos, realizem-se análises, gerando recomendações e
conclusões.
O uso da simulação deve ser considerado quando uma ou mais das condições abaixo existirem
(FREITAS FILHO, 2008):
− Não há formulação matemática completa para o problema;
− Não há solução analítica para o problema;
− A obtenção de resultados é mais fácil de alcançar com a simulação do que com o
modelo analítico;
− Não existe habilidade pessoal para a resolução do modelo matemático por técnicas
analíticas ou numéricas;
− É necessário observar o processo desde o início até os resultados finais, mas não
necessariamente detalhes específicos;
− A experimentação no sistema real é difícil ou até mesmo impossível;
− É interessante observar longos períodos de tempo ou alternativas que os sistemas reais
ainda não possuem.
Segundo Law e Kelton (2000) as principais vantagens da simulação advém do fato que um
modelo criado pode ser utilizado inúmeras vezes, o qual não depende da disponibilidade do
sistema real para a realização de ensaios, nem incorre em custos para executar os
experimentos. Também pode conter simplificações com relação aos sistemas reais para que
XXXIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO A Gestão dos Processos de Produção e as Parcerias Globais para o Desenvolvimento Sustentável dos Sistemas Produtivos
Salvador, BA, Brasil, 08 a 11 de outubro de 2013.
4
facilitem a modelagem e torne mais fácil a compreensão dos parâmetros abordados, desde que
os elementos desprezados não interajam com os parâmetros estudados com relação aos
resultados a serem avaliados. A simulação é mais fácil de aplicar que os modelos analíticos,
que por sua vez devem ainda ser muito simplificados para tornarem-se viáveis
matematicamente. Por fim, podem ser quase tão detalhados como os sistemas reais,
permitindo realizar ensaios num cenário muito similar ao real sem o ônus e o desgaste de ter
de interferir na rotina dos sistemas reais. Permite também um estudo detalhado de todas as
operações e características do sistema.
A construção de modelos exige treinamento e experiência prévia e nem sempre a
variabilidade de um sistema é bem captada e modelada, podendo levar a resultados
equivocados (LAW E KELTON; 2000). Entretanto, algumas soluções, tais como introdução
de geradores de números aleatórios, podem ajustar o modelo de forma a representar bem a
variabilidade. Ainda, destacam que a construção de modelos consome muito tempo. E busca
por tentar simplificar esse modelo para reduzir tempo pode levar a resultados insatisfatórios.
As linguagens de simulação foram criadas inicialmente objetivando a simulação de
equipamentos militares, nos anos de 1940 para testes de aviões e submarinos. Todavia em
1960, iniciou o uso dessas linguagens de simulação para o uso especifico como o caso do
Simula, SIMSCRIPT®, GPSS®, etc. E a maioria dos simuladores atuais foram desenvolvidos
de acordo com a plataforma dessas linguagens, como exemplo disso tem-se o software
Arena®, implementado na linguagem Siman (SILVA, 2007).
Dentre os pacotes de simuladores pesquisados, para realizar a simulação do sistema de
atendimento do restaurante universitário, optou-se por utilizar, neste trabalho, o software
Arena®, da Rockwell Software Corporation, por ser um dos softwares, de simulação discreta,
mais utilizado no mundo empresarial e acadêmico.
O Arena® é um ambiente gráfico integrado de simulação, que contém inúmeros recursos para
modelagem, animação, análise estatística e análise de resultados. A plataforma de simulação
Arena® possui as seguintes ferramentas (PRADO, 2010).
a) Analisador de dados de entrada (Input Analyzer);
b) Analisador de resultados (Output Analyzer);
c) Analisador de processos (Process Analyzer).
XXXIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO A Gestão dos Processos de Produção e as Parcerias Globais para o Desenvolvimento Sustentável dos Sistemas Produtivos
Salvador, BA, Brasil, 08 a 11 de outubro de 2013.
5
Na Figura 1 apresenta-se o layout da animação do modelo, do restaurante universitário,
desenvolvido, neste trabalho, utilizando-se os recursos do software Arena®.
Figura 1 - Layout da animação do modelo
O Arena® de acordo com Kelton et al. (1998), é um software de simulação, que contém um
conjunto de blocos (ou módulos) capazes de descrever uma aplicação real através de
comandos de uma linguagem de programação. A modelagem neste é composta por elementos
básicos que definem quem, o quê, quando, onde e o como ocorre o processamento da entidade
na simulação. As entidades representam as pessoas, objetos, transações, etc, que se movem ao
longo do sistema.
3. Material e métodos
O presente trabalho realizado no restaurante universitário da Universidade Tecnológica
Federal do Paraná - Campus Medianeira trata-se de uma pesquisa aplicada que objetiva gerar
conhecimentos para aplicação prática dirigida à solução de problemas específicos.
Desenvolvido por meio de uma pesquisa exploratória, que visa proporcionar maior
familiaridade com o problema com vistas a torná-lo explícito ou a construir hipóteses. No que
tange os procedimentos técnicos de pesquisa os adotados nesta, são de um estudo de caso
único nos quais todos os resultados são validos para a situação em estudo (TURRIONI E
MELLO, 2011).
XXXIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO A Gestão dos Processos de Produção e as Parcerias Globais para o Desenvolvimento Sustentável dos Sistemas Produtivos
Salvador, BA, Brasil, 08 a 11 de outubro de 2013.
6
O método de modelagem e simulação foi adotado para o desenvolvimento dessa pesquisa. Um
estudo de modelagem e simulação exige um planejamento e o seguimento de uma
metodologia a fim de evitar o desperdício de tempo, dinheiro e resultados frustrantes, por isso
adotou-se uma metodologia para o desenvolvimento do estudo de acordo com o que propõem
Banks (2000) as etapas desta metodologia se encontra no anexo 1.
3.1. Coleta de dados
No planejamento, da coleta de dados, concluiu-se que seria necessário determinar as seguintes
variáveis:
− Tempos entre chegadas dos clientes;
− Tempos que os clientes levam, para servirem-se, na mesa de buffet;
− Tempos de atendimento na balança.
Segundo Chwif e Medina (2007) o tamanho da amostra deve estar entre 100 e 200
observações. O que esta de acordo com que foi coletado neste trabalho, em que durante o
horário de almoço foi coletado, mais de 150 amostras de cada uma das três variáveis em
estudo.
Estes dados foram analisados com a ferramenta Input analyzer (analisador de dados de
entrada) do software Arena®. Segundo Prado (2010) esta ferramenta permite analisar dados
reais do funcionamento do processo e escolher a melhor distribuição estatística que se aplica a
eles.
A simulação da dinâmica operacional do restaurante foi realizada com o software Arena®, e
os resultados analisados nas ferramentas Output Analyzer e Process Analyzer.
3.2. Definição do número de Replicações
Segundo Freitas Filho (2008), de uma maneira geral, a coleta de dados para a composição de
uma amostra a partir da simulação de um modelo pode ser realizada de duas formas:
a) Fazer uso das observações individuais dentro de cada replicação. Por exemplo, pode-se
simular o modelo do restaurante e utilizar o tempo que cada cliente esperou na fila da
XXXIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO A Gestão dos Processos de Produção e as Parcerias Globais para o Desenvolvimento Sustentável dos Sistemas Produtivos
Salvador, BA, Brasil, 08 a 11 de outubro de 2013.
7
mesa do buffet para realizar uma estimativa do tempo médio de espera na fila. Neste
caso, o tamanho da amostra será igual à quantidade de clientes que passaram pela fila
ao longo do período simulado.
b) A segunda maneira de gerar a amostra é realizar n simulações (replicações). Assim,
cada replicação gera um elemento para a amostra. Uma vez que estamos lidando com
um sistema terminal no qual as condições iniciais e o período de simulação são fixos, a
melhor maneira de garantir que os valores da amostra sejam estatisticamente
independentes é obtê-los a partir de replicações independentes.
Neste trabalho, o número de replicações (n*) foi obtido através da Equação 01:
(01)
Onde:
n = número de replicações já realizadas;
h = semi-intervalo de confiança já obtido;
h* = semi-intervalo de confiança desejado.
3.3. Validação do Modelo
A validação tem por objetivo proceder à comparação de valores de variáveis geradas pelo
modelo com os obtidos do sistema real (RYAN, 2006). Para assegurar que os resultados deste
estudo tenham um efeito significativo na execução do procedimento de validação, para o
sistema em estudo, foi: (i) realizada uma comparação de médias por meio de análise de
variância (ANOVA); (ii) calculado o erro médio estimado pela equação 02
(MENNER, 1995).
(02)
Onde:
SE = erro médio estimado;
SR = valor obtido a partir do sistema real;
MD = média dos valores gerados pelo modelo;
XXXIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO A Gestão dos Processos de Produção e as Parcerias Globais para o Desenvolvimento Sustentável dos Sistemas Produtivos
Salvador, BA, Brasil, 08 a 11 de outubro de 2013.
8
GLR = grau de liberdade considerando o número de replicações do modelo.
A análise de variância é um teste estatístico amplamente difundido entre os analistas, e visa
fundamentalmente verificar se existe uma diferença significativa entre as médias de dois ou
mais grupos (MONTGOMERY, 2005).
4. Resultados e discussões
4.1. Estudo de caso
O Restaurante Universitário, da UTFPR do Câmpus Medianeira, oferece almoço e jantar aos
seus clientes (discentes, docentes e técnicos administrativos da Instituição). Neste trabalho
estudou-se apenas o funcionamento do almoço, pois é o período de maior demanda do
restaurante.
Na Figura 2 apresenta-se o layout do restaurante, em que no espaço número 1 estão dispostas
as mesas (M). Este espaço conta com 33 mesas com 10 lugares cada, totalizando 330 lugares.
No espaço número 2 estão localizados os buffets. O buffet 01 está representado, na Figura 2,
como o conjunto A-B e o buffet 02 como o conjunto C-D-E-F.
Figura 2 – Layout
XXXIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO A Gestão dos Processos de Produção e as Parcerias Globais para o Desenvolvimento Sustentável dos Sistemas Produtivos
Salvador, BA, Brasil, 08 a 11 de outubro de 2013.
9
Onde: A: Mesa talheres; B:Buffet; C: Mesa Talheres; D-E Buffet; F:Temperos; G:Caixa; H: Freezer; I: Balança;
J: Freezer; K: Balção; M: Mesas;
O fluxograma geral de todo o funcionamento do restaurante se encontra no anexo 02. E neste
pode-se verificar que para atender a demanda o restaurante conta com dois sistemas de buffet
self-service: o por quilo (representado no anexo 02 como buffet 02) e o buffet com preço fixo
subsidiado pelo governo, para os alunos carentes, pelo programa do bolsa permanência
(representado no anexo 02 como buffet 01).
Este trabalho teve como objeto de estudo o buffet 2, porque este buffet apresenta a maior
formação de filas e mais postos de trabalho envolvidos no sistema, por se tratar de um Buffet,
por quilo, conta com o posto de trabalho da balança.
A formulação do modelo partiu da observação direta do sistema, visando caracterizar a
dinâmica de suas operações e a organização de seus recursos. A fronteira do modelo foi
limitada às atividades de front Office, ou seja, apenas as atividades do serviço de atendimento
ao público. Isso implicou em não abranger as atividades de back-office não relacionadas à
entrega de serviços aos clientes presentes, e também ao funcionamento do sistema antes e
depois do horário de atendimento. Na observação realizada in loco identificou-se, que o
gargalo do sistema em estudo, está na capacidade de atendimento da mesa de buffet. Portanto,
o sistema analisado, neste trabalho, restringe-se ao fluxograma do sistema apresentado na
Figura 3.
Figura 3 - Fluxograma do sistema estudado
XXXIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO A Gestão dos Processos de Produção e as Parcerias Globais para o Desenvolvimento Sustentável dos Sistemas Produtivos
Salvador, BA, Brasil, 08 a 11 de outubro de 2013.
10
O processo em estudo inicia no momento em que os clientes chegam ao restaurante
universitário. Em seguida, dirigem-se a mesa de buffet, com capacidade para 10 clientes ao
mesmo tempo, deve-se destacar que todas as operações de pegar bandeja, prato, talheres,
guardanapos e servir-se; foram consideradas com uma única operação (servir o alimento)
tanto na coleta de dados como na modelagem do sistema.
A seguir, os clientes deslocam-se para estação de pesagem. Nesta estação o cliente faz a
escolha da bebida e realiza o pedido da mesma. Simultaneamente é feita a pesagem dos
alimentos, que serão consumidos, através de uma balança eletrônica. Observa-se que as
operações de pesagem e entrega da bebida foram consideradas com uma única operação tanto
na coleta de dados como na modelagem do sistema. Depois de pesar os alimentos, os clientes
se deslocam para as mesas do restaurante. Após o almoço, alguns clientes se dirigem ao caixa
para pagamento, vale ressaltar que a maioria dos clientes possuem um sistema de credito. No
momento da pesagem o valor gasto é anotado pelo funcionário que atende na estação de
pesagem.
4.2. Análise estatística dos dados
Os dados obtidos da coleta de dados foram submetidos a uma análise exploratória. E são
apresentados na Tabela 1.
XXXIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO A Gestão dos Processos de Produção e as Parcerias Globais para o Desenvolvimento Sustentável dos Sistemas Produtivos
Salvador, BA, Brasil, 08 a 11 de outubro de 2013.
11
Tabela 1 - Análise exploratória dos dados coletados no restaurante
Observa-se, nos dados apresentados na Tabela 1, que a variável Tempo na Fila do Buffet
apresentou a maior mediana e a maior média entre os dados coletados no restaurante. Já os
coeficientes de variação (105.86%, 40.27% e 42.41%) para as três variáveis coletadas
apresentam uma dispersão alta, possuindo uma elevada variabilidade em relação à média.
Após a análise exploratória, realizou-se a análise de correlação entre os dados, ou seja,
verificou, se há dependência entre os valores das amostras. No figura 04 apresenta-se, como
exemplo, a dispersão dos tempos entre chegadas dos clientes no restaurante. Neste gráfico
pode-se comprovar que não há correlação entre as observações da amostra. ou seja eles não
possuem qualquer tendência (não formam uma reta, uma curva, por exemplo), o que confirma
a aleatoriedade dos dados.
Figura 04 - Gráfico de dispersão dos tempos entre as chegadas de clientes
XXXIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO A Gestão dos Processos de Produção e as Parcerias Globais para o Desenvolvimento Sustentável dos Sistemas Produtivos
Salvador, BA, Brasil, 08 a 11 de outubro de 2013.
12
4.3. Tratamento estatístico dos dados
Para uma análise preliminar do comportamento das observações, inicialmente optou-se por
plotar os dados em forma de boxplots, como esta apresentado na figura 05.
Figura 5 - Gráfico de dispersão dos tempos entre as chegadas de clientes
Na sequência aplicou-se a técnica de identificação de outliers (valores fora da normalidade)
apresentada na Tabela 2 (CHWIF; MEDINA, 2007). As razões mais comuns para o
surgimento desses valores são os erros na coleta de dados ou eventos raros e inesperados. Os
outliers considerados como extremos só foram descartados, das amostras, depois de uma
análise criteriosa de suas causas. Os valores julgados como possíveis de ocorrer foram
mantidos nas amostras.
Tabela 2 - Identificação de outliers
Na Tabela 2 Q1 e Q
3 são, respectivamente, os valores do primeiro e terceiro quartis, assim a
amplitude entre inter-quartil “A” é calculada pela diferença: A=Q3-Q
1.
Após a utilização da técnica de identificação dos outliers, o passo seguinte foi determinar as
curvas de distribuição teórica de probabilidades que melhor representem o comportamento
estocástico do sistema em estudo, através da ferramenta Input Analyzer do Arena®. Como os
XXXIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO A Gestão dos Processos de Produção e as Parcerias Globais para o Desenvolvimento Sustentável dos Sistemas Produtivos
Salvador, BA, Brasil, 08 a 11 de outubro de 2013.
13
p-values dos testes de aderência: teste Qui-quadrado e do teste Kolmogorov-Smirnof são
maiores que o nível de significância adotado (0,1), concluiu-se que as distribuições,
apresentadas na Tabela 3, são as expressões que melhor se adaptaram aos dados coletados no
sistema.
Tabela 3 - Distribuição de probabilidade
4.4. Validação do Modelo Implementado
A comparação entre os valores obtidos do sistema real com as médias geradas pelo modelo
para a variável Tempo na Fila da Balança (TFBL) são apresentados na Tabela 4. Nesta tabela
apresenta-se, também, o erro médio estimado.
Tabela 4 - Dados do sistema real e do modelo
Ao ser aplicado a análise de variância, através da ferramenta de análise de dados do Microsoft
Excel (Tabela 5), a 1% de significância, na comparação das médias obtidas a partir do sistema
real e as geradas pelo modelo de simulação, para a variável Tempo na Fila da Balança, não
foram constatadas diferenças estatísticas. Pode-se observar, através dos dados apresentados na
Tabela 5, que F0 é menor que Fcrítico (F0=0,00497 enquanto Fcrítico= 7,011399).
Tabela 5 - Análise de variância
XXXIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO A Gestão dos Processos de Produção e as Parcerias Globais para o Desenvolvimento Sustentável dos Sistemas Produtivos
Salvador, BA, Brasil, 08 a 11 de outubro de 2013.
14
Considerando as discussões apresentadas, pode-se afirmar que o modelo computacional
presta-se para os objetivos propostos neste trabalho.
4.5. Simulação de cenários
Para analisar o sistema, em estudo, foram construídos quatro cenários:
a) Cenário 1: Mesa de buffet para 8 Lugares;
b) Cenário 2: Mesa de buffet para 10 Lugares (Sistema Atual);
c) Cenário 3: Mesa de buffet para 12 Lugares;
d) Cenário 4: Mesa de buffet para 14 Lugares.
Nas Tabelas 6 e 7 e nos Figuras 6 e 7 apresentam-se os resultados obtidos, da simulação do
sistema em estudo, para os quatro cenários. Observa-se que os resultados foram obtidos após
40 replicações. Este número de replicações foi definido, com nível de confiança de 95%,
utilizando a ferramenta Output Analyzer do Arena®.
A Tabela 6 apresenta os valores máximos (Max) obtidos de simulação da Fila do Buffet.
Tabela 6 - Resultados da simulação para a fila do Buffet
Através dos resultados, apresentados na Tabela 6, conclui-se, inicialmente, que o cenário 4 é o
que gera melhores indicadores. Pode-se, também, observar que o tempo máximo de espera na
fila e o número máximo de clientes na fila do buffet (Figuras 06), para o cenário 2 (Cenário
atual), são considerados altos, para o intervalo de almoço.
Figura 06 - Gráfico dos resultados da simulação para a fila do buffet
XXXIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO A Gestão dos Processos de Produção e as Parcerias Globais para o Desenvolvimento Sustentável dos Sistemas Produtivos
Salvador, BA, Brasil, 08 a 11 de outubro de 2013.
15
A Tabela 7 e o Figura 07 apresentam os valores médios (Med) e máximos (Max) obtidos de
simulação da Fila da Balança.
Tabela 7 - Resultados da simulação para a fila do Balança
Figura 7 - Gráfico dos resultados da simulação para a fila da balança
Através dos resultados, obtidos de simulação para fila da balança, constata-se que:
a) O número médio de clientes na fila da balança é considerado baixo para os cenários
simulados;
XXXIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO A Gestão dos Processos de Produção e as Parcerias Globais para o Desenvolvimento Sustentável dos Sistemas Produtivos
Salvador, BA, Brasil, 08 a 11 de outubro de 2013.
16
b) Um aumento na capacidade da mesa de buffet para 14 lugares é impraticável, devido:
ao pequeno espaço destinado, no restaurante, para fila da balança e ao tempo máximo
de espera na fila da balança de 1,7 minutos (figura 08);
Figura 8 - Tempos máximos de espera na fila da balança
Considerando a análise dos resultados obtidos, pode-se afirmar que o cenário 3 é o melhor,
pois reduz para mais da metade o tempo máximo de espera da fila do buffet que atualmente é
de 3,6 minutos que passaria pra 1,43 minutos, e mais importante sem causar um grande
aumento (este aumento seria de 0,8810 para 1,36760 pessoas em média) de pessoas na fila da
balança, uma vez que o espaço no qual localiza-se a balança é pequeno um aumento muito
grande da fila seria impraticável.
5. Conclusões
De acordo com os resultados das análises procedidas para a validação do modelo
computacional desenvolvido, foi possível concluir que o mesmo pode ser aplicado para
simular a dinâmica operacional do restaurante.
Concluiu-se, também, por meio dos resultados obtidos de simulação, que a fila da mesa de
buffet é o “gargalo” do sistema em estudo. O tempo máximo de espera e o número de clientes
nesta fila são considerados altos para o tempo de intervalo de almoço. Observou-se, também,
que o cenário 3, em relação ao cenário atual apresenta menos clientes na fila do buffet e um
XXXIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO A Gestão dos Processos de Produção e as Parcerias Globais para o Desenvolvimento Sustentável dos Sistemas Produtivos
Salvador, BA, Brasil, 08 a 11 de outubro de 2013.
17
número maior de clientes atendidos. Neste cenário, pensa-se desnecessária qualquer mudança
relacionada ao atendimento da balança. Portanto, sugere-se, como a melhor alternativa
estudada, a utilização de uma mesa para 12 lugares para atender os clientes do restaurante no
intervalo de almoço.
A aplicação da simulação computacional gerou um conhecimento adicional à cerca do
processo para todos os envolvidos e possibilitou, também, a identificação de oportunidades de
melhora para o sistema de atendimento aos clientes do restaurante.
REFERÊNCIAS
ARENALES, M. N. ARMENTANO,V.A.; MORABITO, R.;YANASSE, H. H. Pesquisa
operacional. 6 ed. Rio de Janeiro, RJ: Elsevier, 2007
BANKS, J. Introduction to simulation. Proceedings of the Winter Simulation Conference.
Atlanta, 2000.
BARBOSA, R. A. A; RODRIGUES, T. L.; ALMEIDA, R. E. P.; ESPINDOLA, J. R. A.;
MOREIRA, D. F. V. Modelagem e Análise do Sistema de Filas de Caixas de Pagamento em
uma Drogaria: Uma Aplicação da Teoria das Filas. In: Encontro Nacional de Engenharia de
Produção (ENEGEP), 29, Salvador: Anais eletrônicos... 2009.
CHWIF, L.; MEDINA, A. C. Modelagem e Simulação de Eventos Discretos: Teoria e
Aplicações, 2. ed. São Paulo, SP: Ed. dos Autores, 2007.
FERNANDES, C. A.; SILVA, L. C. da; PEREIRA, J. O.; YAMAGUCHI, M. M. Simulação
da dinâmica operacional de uma linha industrial de abate de suínos. Ciência & Tecnologia de
Alimentos. v. 26, n.1, p. 166-170, 2006.
FREITAS FILHO, P. J. Introdução à modelagem e simulação de sistemas: com aplicações
em Arena. 2. ed. Florianópolis: Visual Books, 2008.
KELTON, W. D.; SADOWSKI, R.P; SADOWSKI, D. A. Simulation with arena. New
York: McGraw-Hill, 1998.
LAW, A. M.; KELTON, W. D. Simulation modeling and analysis. 3 ed. New York:
McGraw-Hill, 1991.
MENNER, W. A. Introduction to modeling and simulation. New York: JohnsHopkins APL
Technical Digest, 1995.
MONTGOMERY, D. C. Design and Analysis of Experiments. New York: Wiley, 2005.
XXXIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO A Gestão dos Processos de Produção e as Parcerias Globais para o Desenvolvimento Sustentável dos Sistemas Produtivos
Salvador, BA, Brasil, 08 a 11 de outubro de 2013.
18
PRADO, D. S. Teoria das filas e da simulação. 4. ed. Nova Lima, MG: INDG-Tecnologia e
serviços, 2009. 127 p.
PRADO, D. S. Usando o arena em simulação. 4. ed. Belo Horizonte: INDG-Tecnologia e
serviços, 2010.
RYAN, J.; HEAVEY, C. Process modeling for simulation. Computers in Industry. V. 57,
437,450, 2006.
SILVA, L. M. F.; PINTO M. G.; SUBRAMANIAN, A. Utilizando o Software Arena Como
Ferramenta de Apoio ao Ensino em Engenharia de Produção. In: Encontro Nacional de
Engenharia de Produção (ENEGEP), 27, Florianópolis: Anais eletrônicos... 2007.
TURRIONI, J.B; MELLO, H.P. Metodologia de pesquisa em Engenharia de Produção -
Estratégias, Métodos e Técnicas para Condução de Pesquisas Quantitativas e Qualitativas,
UIFEI, 2011
XXXIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO A Gestão dos Processos de Produção e as Parcerias Globais para o Desenvolvimento Sustentável dos Sistemas Produtivos
Salvador, BA, Brasil, 08 a 11 de outubro de 2013.
19
Anexo01: Etapas para um estudo de modelagem e simulação
XXXIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO A Gestão dos Processos de Produção e as Parcerias Globais para o Desenvolvimento Sustentável dos Sistemas Produtivos
Salvador, BA, Brasil, 08 a 11 de outubro de 2013.
20
Fonte: Banks (2000)
XXXIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO A Gestão dos Processos de Produção e as Parcerias Globais para o Desenvolvimento Sustentável dos Sistemas Produtivos
Salvador, BA, Brasil, 08 a 11 de outubro de 2013.
21
Anexo 02 - Fluxograma do funcionamento do RU no horário de almoço
XXXIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO A Gestão dos Processos de Produção e as Parcerias Globais para o Desenvolvimento Sustentável dos Sistemas Produtivos
Salvador, BA, Brasil, 08 a 11 de outubro de 2013.
22
Entra no
sistema
Aguarda vez na
fila
Escolhe Buffe
Aguarda vez na
fila
Aguarda vez na
fila
Buffet 02Buffet 01
Pegar Materiais Pegar Materiais
Servir o Alimento Servir o Alimento
Pesar o Alimento
Localizar uma
Mesa
Consumir o
Almento
Aguardar Vez na
fila
Pagar o Alimento
Sair do
sistema
Localizar uma
Mesa
Consumir o
Almento
Servir
Espera próximo
cliente
Servir
Espera próximo
cliente
Pedir bebida
Não
Sim