ESTUDO DO CUSTO DE OPORTUNIDADE (TRADE-OFF) NAS ESTRATÉGIAS DE MANUTENÇÃO EM TRILHOS FERROVIÁRIOS NA REGIÃO AMAZÔNICA
estratégias de manutenção; trilhos; custo de oportunidade; machine learning; scikit-learn; ferrovias.
No transporte ferroviário de commodity na Região Amazônica foram identificadas frequentes paradas operacionais, gerando custos significativos com manutenções emergenciais em trilhos. O escopo principal deste estudo foi identificar o custo de oportunidade para a tomada de decisão mais adequada frente as estratégias de manutenção corretiva e preventiva. Assim, os objetivos específicos são: 1) desenvolver uma abordagem de predição dos custos das estratégias de manutenção e 2) investigar o custo de oportunidade nas decisões de manutenção. Neste trabalho, tomando como ponto de partida a abordagem de aprendizado de máquina na modelagem de variáveis quantitativas por Machine Learning por meio do Gradient Boosting Regression utilizando scikit-learn, e hibridizando-a com o estudo do custo de oportunidade para a tomada de decisão trade off, foram modelados os custos de manutenção corretiva e preventiva para o ano operacional de 2022. O estudo é referente a uma Estrada de Ferro, no sudeste do estado do Pará, localizado na Amazônia Oriental Brasileira, maior reserva mineral do mundo. Os resultados demonstraram que o modelo baseado em Gradient Boosting Regression foi capaz de prever 8 grupos quantitativos para a construção de 4 cenários de previsão qualitativos para cada custo de manutenção. Esses cenários de previsão foram qualificados segundo conceitos contábeis como caracterizador do custo de oportunidade, onde foram construídas alternativas de trade-off para as estratégias de manutenção para curto prazo. O estudo do custo de oportunidade a partir de uma análise trade off baseada em predições do custo das estratégias de manutenção através da modelagem por Machine Learning - Gradient Boosting Regression é um objetivo inédito na literatura.