No abstract

This study defines the best model for a chemical waste plant where the Artificial Neural Network (ANN) and the Integrated Auto Regressive Moving Average Model (ARIMA) were applied as tools for predicting future maintenance cost data. These methods were applied together considering the criteria as follows: plant size, process cost, treatment flexibility, environmental safety and maintenance cost. For this, a decision-making model was developed using the Hierarchical Analysis Method (AHP) with which the company can decide from three alternatives of waste plant models. As a result, the recommendation and solution provide by the multicriteria method was the choice of the alternative 3 of a waste center. This solution indicated the best alternative considering the criteria selected by the company and also the data from RNA and ARIMA In this case, the model presented an index above 70% both in the final aggregation and in the sensitivity analysis.

A previsão de demanda é essencial para a melhoria da performance operacional das organizações, bem como na tomada de decisão nos processos de planejamento e programação da produção. Diante deste contexto, esta pesquisa objetivou aplicar e comparar os resultados de oito métodos quantitativos de previsão de demanda, classificados como sazonais e não sazonais, em um estudo de caso em uma indústria metalmecânica. Desta forma, os métodos foram utilizados na previsão de três produtos fundidos, denominados arbitrariamente como A, Be C, e os dados foram obtidos na empresa fabricante destes produtos. Para tanto, utilizou-se o software Excel para realizar as aplicações e a criação das séries temporais e das métricas de acuracidade. Como conclusões, destaca-se que o Método Multiplicativo de Winters obteve o melhor resultado para os produtos A e C. Por outro lado, para o produto B, o melhor resultado foi encontrado com o Método Aditivo de Winters. Logo, os modelos sazonais apresentaram os melhores resultados para os presentes produtos. Isto posto, com a atuação com os métodos de previsão de demanda nesta pesquisa, foi possível demonstrar a aplicação teórico-prática em um estudo de caso, entender o comportamento dos produtos analisados, e apoiar a organização em questão, no que tange a tomada de decisão e a formulação de estratégias eficientes na área.

Introduction: Breast cancer is the object of thousands of studies worldwide. Nevertheless, few tools are available to corroborate prediction of response to neoadjuvant chemotherapy. Artificial intelligence is being researched for its potential utility in several fields of knowledge, including oncology. The development of a standardized Artificial intelligence-based predictive model for patients with breast cancer may help make clinical management more personalized and effective. We aimed to apply Artificial intelligence models to predict the response to neoadjuvant chemotherapy based solely on clinical and pathological data. Methods: Medical records of 130 patients treated with neoadjuvant chemotherapy were reviewed and divided into two groups: 90 samples to train the network and 40 samples to perform prospective testing and validate the results obtained by the Artificial intelligence method. Results: Using clinicopathologic data alone, the artificial neural network was able to correctly predict pathologic complete response in 83.3% of the cases. It also correctly predicted 95.6% of locoregional recurrence, as well as correctly determined whether patients were alive or dead at a given time point in 90% of the time. To date, no published research has used clinicopathologic data to predict the response to neoadjuvant chemotherapy in patients with breast cancer, thus highlighting the importance of the present study. Conclusions: Artificial neural network may become an interesting tool for predicting response to neoadjuvant chemotherapy, locoregional recurrence, systemic disease progression, and survival in patients with breast cancer.

Frequentemente, máquinas estão localizadas em locais não planejados, criando fluxos de materiais com baixa eficiência de distribuição. Este artigo apresenta um estudo de caso de programação dinâmica determinística aplicada à análise de modificação de layout de uma planta industrial, a fim de aperfeiçoar o deslocamento interno para reduzir os custos de movimentação. Para isso, foram identificados os possíveis posicionamentos para as três máquinas consideradas neste trabalho e as distâncias de deslocamento. Como resultado, obteve-se um layout otimizado em relação aos cenários possíveis, com redução de deslocamento em 10%. Sendo assim, torna-se evidente a contribuição da programação dinâmica como ferramenta de suporte para processos de modificação de layout.