Este trabajo presenta la aplicación de un diseño factorial completo de experimentos como método de análisis de los resultados de simulación de operaciones portuarias en un puerto especializado en offshore. Tal como lo propone Montgomery (1991), este enfoque permite identificar las variables de entrada más representativas del modelo y sus respectivas interacciones.
El desarrollo de modelos de simulación ha crecido proporcionalmente con la disponibilidad de software de simulación y con el aumento del rendimiento de las computadoras. En este contexto, se observa que una porción representativa de los estudios en el área de la simulación consumen la mayor parte de su tiempo con trabajo computacional, es decir, con la programación de modelos. Con ello, se deja de lado el análisis de los resultados, limitándose en algunos casos a una sola corrida que es responsable de la “respuesta” del modelo.
El diseño de experimentos es un método que permite una mejor comprensión de las variables de entrada (factores) del modelo. Su aplicación auxilia en la construcción de una adecuada estructura de análisis que permita identificar los principales factores, así como la interacción entre ellos.
MODELIZACIÓN Y DISEÑO DE EXPERIMENTOS FACTORIALES
El modelo se desarrolló con el software ARENA y se acercó a un puerto especializado en alta mar. La modelación se centró en las operaciones portuarias, donde es fundamental un adecuado dimensionamiento de los recursos existentes. Se abordaron cuestiones estratégicas, tácticas y operativas. La complejidad del modelo se puede traducir por la gran cantidad de variables de entrada. Esto hizo que se eligiera el diseño de experimentos factoriales completos para la estructura de análisis de los resultados.
En el diseño de un experimento factorial completo se consideraron 5 factores y se establecieron 2 niveles para cada uno (uno alto y otro bajo). Así, el número de experimentos fue de 32 (25). Además, se eligieron las variables de salida que serían parte del análisis.
En el pasado, este tipo de experimento no era atractivo, ya que el tiempo de procesamiento de las computadoras era limitado para tal enfoque. Sin embargo, en la actualidad, además de la evolución de las computadoras, existen paquetes de simulación que cuentan con mecanismos facilitadores en la ejecución de este tipo de experimentos. El administrador de escenarios de ARENA permite preparar todos los experimentos en carpetas (subdirectorios) y ejecutar el programa, que de forma compacta logra ser ágil y eficiente.
RESULTADOS
La realización del diseño factorial completo de experimentos permitió identificar las variables que más impactan en la principal variable de respuesta del modelo (tiempo de permanencia de los buques de abastecimiento), como se puede apreciar en la figura 1. Además de las variables, también se posible identificar las interacciones más representativas (efectos secundarios). El uso del análisis de varianza (ANOVA) ayudó a resaltar factores e interacciones que eran estadísticamente significativas.
 |
CONCLUSIÓN
Este enfoque es extremadamente aplicable para modelos de simulación que tienen una gran cantidad de variables de entrada. Sin embargo, es importante señalar que para modelos de colas, que a menudo se caracterizan por una alta variabilidad, este tipo de método debe usarse con cuidado, ya que la autocorrelación entre las entidades del modelo puede invalidar las respuestas obtenidas.
Referencias
Guía del usuario de ARENA, versión 0, Systems Modeling Corporation, 2.0.
BANKS, J., CARSON II, JS, BARRY, LN, Simulación de sistemas de eventos discretos. 2ª ed. Nueva Jersey, Prentice Hall, 1996.
FLEURY, PF, Estructura de producción y desempeño operativo: identificación de variables clave mediante simulación,
Informe COPEAD No. 261, Río de Janeiro, junio de 1992.
LAW, AM, KELTON, WD, Modelado y análisis de simulación. 2ª ed. Singapur, McGraw-Hill; 1991.
MONTGOMERY, DC, Diseño y Análisis de Experimentos.3ra ed. Singapur, Wiley & Sons, 1991.
