Resumo O fornecimento de água potável às populações urbanas sofre com perdas derivadas tanto de vazamentos como de uso não autorizado. Esse subproduto da urbanização é desproporcionalmente maior em cidades grandes, o que sugere sua origem em mecanismos sociotécnicos complexos cujo comportamento se torna aparentemente imprevisível à medida que aumenta a atividade social. Com o objetivo de verificar essa hipótese e encontrar regularidades quantitativas entre o tamanho das cidades, o tamanho dos sistemas de distribuição e as perdas, analisamos a rede de municípios do sul do Brasil a partir da “Nova Ciência das Cidades”. Encontramos distribuições estatísticas altamente hierárquicas típicas de sistemas complexos naturais, bem como regimes de escala não lineares entre a população e os indicadores selecionados: expoente < 1para o tamanho da rede (extensão, no de ligações, volume produzido) e > 1 para o volume de perdas. As perdas, coerentemente, apresentaram maior volume per capita conforme aumentou a população, com “retornos crescentes” comparáveis a produtos da atividade social como diplomas universitários ou depósitos bancários. O estudo traz uma visão complementar ao problema das perdas, sugerindo certo grau de previsibilidade em nível regional, podendo assim contribuir para o planejamento e a gestão do fornecimento de água nas cidades brasileiras.
A manufatura de produtos personalizados em larga escala, chamada customização em massa, implica o aumento da variedade de modelos e redução no tamanho dos lotes de produção. Tarefas que dependem da habilidade humana são especialmente afetadas nesse contexto, visto que os trabalhadores precisam se adaptar às características do novo modelo. Esse processo de adaptação pode ocorrer de forma distinta dentro do grupo de trabalhadores, justificando o desenvolvimento de sistemáticas com vistas ao agrupamento de indivíduos com características de aprendizado semelhantes. Este artigo propõe um método para formação de grupos homogêneos de trabalhadores de acordo com seus perfis de aprendizado pela integração de curvas de aprendizado e clusterização. Para tanto, dados de desempenho são coletados e modelados por meio de curvas de aprendizado; os parâmetros oriundos da modelagem quantificam o processo de adaptação dos trabalhadores às tarefas, servindo de base para o agrupamento dos trabalhadores. Na primeira proposição deste artigo, os dados originais (parâmetros) são clusterizados pelo método K-Means, e a qualidade do agrupamento formado, avaliada por intermédio do Silhouette Index (SI). Em uma proposição alternativa, a Análise de Componentes Principais (ACP) é aplicada sobre os dados originais e as variáveis latentes geradas (escores) são clusterizados por meio do K-Means. Quando aplicado em um processo da indústria calçadista, a clusterização apoiada nos escores apresentou um incremento na qualidade dos agrupamentos medida por SI de 147% (de SI=0,392 para SI=0,968) quando comparado à clusterização aplicada às variáveis originais. Os dois grupos de trabalhadores gerados pelo método foram corroborados com base na separação em um gráfico relacionando os componentes principais obtidos. Por fim, um estudo de simulação foi realizado para corroborar a eficácia do método proposto, o qual se mostrou robusto quando submetido a diferentes níveis de ruído, correlação e proporções de variáveis e observações. Por meio da análise de variâncias (ANOVA), verificou-se que os fatores variância do ruído e proporção de observações por variáveis interferiram significativamente na qualidade da clusterização; por sua vez, a correlação entre as variáveis não apresentou variância significativa nos agrupamentos.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.
hi@scite.ai
10624 S. Eastern Ave., Ste. A-614
Henderson, NV 89052, USA
Copyright © 2024 scite LLC. All rights reserved.
Made with 💙 for researchers
Part of the Research Solutions Family.