El desafío
por Thomas Talafuse, Lance Champagne, Erika Gilts
Según lo presentado en la Conferencia de Simulación de Invierno 2019
El aumento del uso de vehículos aéreos no tripulados (UAV) por parte de la Fuerza Aérea de los Estados Unidos (USAF) ha puesto a prueba a las unidades de entrenamiento de vuelo responsables de producir tripulaciones aéreas. El aumento de los cupos de alumnos, unido a los nuevos requisitos de formación derivados de la transición al fuselaje MQ-9, repercute en los recursos necesarios para alcanzar el nivel deseado de rendimiento de los alumnos. Esta investigación utiliza datos históricos de una unidad de entrenamiento de vuelo de UAV para desarrollar un modelo de simulación de las operaciones diarias dentro de un escuadrón de entrenamiento. Los requisitos actuales, las operaciones y los niveles de dotación de instructores se utilizan para proporcionar una evaluación de referencia de la relación entre la dotación de la unidad y la producción de tripulaciones aéreas. El análisis posterior investiga los efectos de la frecuencia de los cursos, el tamaño de las clases y la cantidad de instructores en el rendimiento de los alumnos. Los resultados de esta investigación recomiendan nuevos enfoques en la ejecución de los cursos para utilizar más plenamente la capacidad de los instructores e informar a las unidades de entrenamiento de vuelo de UAV sobre los niveles adecuados de dotación necesarios para satisfacer las necesidades de la USAF.
Introducción
El 9º Escuadrón de Ataque (9 ATKS), situado en la Base Holloman de la Fuerza Aérea, Nuevo México, es responsable de la formación de la tripulación del MQ-9 Reaper, un avión pilotado a distancia operado por dos tripulaciones con diferentes funciones. Un piloto y un operador de sensores forman la tripulación de lanzamiento y recuperación que realiza los despegues y aterrizajes, y una tripulación de vuelo, formada por un operador de sensores y un piloto, lleva a cabo las operaciones en vuelo. El MQ-9 desempeña una multitud de funciones operativas que van desde la interdicción aérea hasta la búsqueda en combate y la ayuda al rescate. El 9 ATKS imparte cinco cursos de formación diferentes para preparar a los operadores en todos los aspectos de las operaciones del MQ-9.
Los niveles de dotación han puesto a prueba la capacidad del 9 ATKS para proporcionar el apoyo adecuado para mantener la competencia de vuelo de la tripulación permanente, apoyar las tareas administrativas requeridas y proporcionar el descanso adecuado a la tripulación, satisfaciendo al mismo tiempo las demandas del número actual de estudiantes en formación. Con una afluencia prevista de alumnos adicionales para el programa de formación de cualificación inicial (IQT) en los próximos años, el 9 ATKS deseaba determinar el número de pilotos instructores necesarios para mantener el flujo de trabajo del curso y garantizar que los alumnos se gradúen de acuerdo con los plazos de planificación. Además de los problemas de dotación, hay muchos otros factores de naturaleza estocástica que afectan a la capacidad de cumplir los requisitos de formación, como las condiciones meteorológicas, los despliegues de grupos permanentes, las asignaciones de servicio temporal (TDY), el mantenimiento, el estado de vuelo y los permisos.
Este trabajo de investigación pretendía determinar el número de operadores que el 9 ATKS puede formar anualmente optimizando la dotación actual, así como determinar el número de instructores necesarios para el aumento previsto de alumnos. Utilizando la modelización y la simulación, un análisis exhaustivo de la dotación pretendía determinar si la dotación actual permitía satisfacer las necesidades de producción de alumnos sin sobrecargar a los instructores, identificar los aspectos de la formación que generan retrasos y el número previsto de instructores necesarios para satisfacer los cambios futuros en las demandas de las Fuerzas Aéreas.
Antecedentes y bibliografía pertinente
Antecedentes
El adiestramiento del MQ-9 consta de varios cursos. El más importante es el Curso Básico de Cualificación Inicial, también denominado Pista de Recualificación/Transición 1 (IQT). El IQT entrena a pilotos y operadores de sensores nuevos en el MQ-9, y consta de 93 días de entrenamiento, con 61 días académicos y 32 días de vuelo. La Pista de Recalificación/Transición 2 (TX-2) es un entrenamiento obligatorio para pilotos y operadores de sensores que han estado sin calificar en el MQ-9 por más de 39 meses y consiste en 71 días de entrenamiento, con 49 días académicos y 22 días de vuelo. La Pista de Recualificación/Transición 3 (TX-3) es obligatoria para pilotos y operadores de sensores no cualificados durante menos de 39 meses, y consta de 43 días académicos y 16 días de vuelo para un total de 59 días de entrenamiento. La Pista de Transición 4 (TX-4) forma a pilotos u operadores de sensores cualificados para que adquieran la cualificación en el sistema principal de armas MQ-9. La pista TX-4 tiene 44 días de formación con 28 días académicos y 16 días de vuelo. La última vía de entrenamiento ofrecida por el 9 ATKS es el curso de Formación de Ascenso de Instructores (FIUT) de la Unidad de Entrenamiento Formal (FTU), utilizado para ascender a instructores a los miembros de la tripulación. El curso tiene una duración de 22 días, de los cuales siete son lectivos y 15 de vuelo. El 9 ATKS imparte los cinco itinerarios de formación simultáneamente y durante todo el año, excepto los días festivos y los fines de semana.
Como se ve en los niveles de dotación de la Tabla 1, hay varias clases de personal dentro del 9 ATKS. El número de eventos de vuelo que cada piloto puede instruir por semana viene determinado por la disponibilidad de su puesto. Si un piloto no tiene requisitos adicionales de escuadrón, puede instruir cinco eventos de vuelo por semana manteniendo el descanso apropiado de la tripulación. Además de los conjuntos de aptitudes asociados a cada clase de personal, los conjuntos de aptitudes entre los pilotos son variados, lo que limita la parte de cada curso que un individuo está cualificado para instruir.
Los pilotos del 9 ATKS también son responsables de la dotación diaria de un supervisor de operaciones, el supervisor de vuelo y una tripulación de lanzamiento y recuperación. Estos puestos adicionales requieren habilidades específicas que limitan el número de pilotos que pueden ocupar cada uno de ellos. Aunque los pilotos vuelan con frecuencia en calidad de instructores, también deben mantener el nivel del MQ-9 volando una vez al mes como piloto principal. Del mismo modo, los operadores de sensores están limitados en cuanto a lo que pueden instruir en función de su posición y disponibilidad.
La equivalencia básica de tripulación (BCE) es una medida utilizada por el 9 ATKS para determinar la producción anual de tripulaciones. Se espera que el 9 ATKS produzca al menos 120 BCE al año en operaciones normales. El factor BCE se pondera por tipo de programa, siendo el programa IQT el más ponderado. La ponderación del BCE para la finalización de la tripulación, por syllabus, se ve en la Tabla 2.
Literatura relevante
Los trabajos históricos para abordar la dotación y la programación han utilizado programación lineal (Winston 2004) y entera (Billionnet 1999), y se han aplicado a problemas de programación del mundo real (Ryan y Foster 1981; Ghalwash et al. 2016). Si bien estos métodos se han utilizado con éxito, la naturaleza compleja, dinámica y estocástica de este problema requirió que se hicieran muchas suposiciones inaceptables para estos enfoques.
La simulación se ha utilizado ampliamente en aplicaciones para la optimización de la programación, lo que permite que los factores se representen con distribuciones que se asemejan más al problema del mundo real en oposición a un valor constante. Banks et al. (2010) destacan que a menudo puede desarrollarse un modelo de sistema que puede resolverse con métodos matemáticos, pero la complejidad del sistema del mundo real no se capta tan bien como con una simulación por ordenador. La simulación de un sistema permite estudiar y analizar aspectos que pueden cambiar con el tiempo, con múltiples ejecuciones que proporcionan información sobre los resultados esperados y sus distribuciones. Una vez construido un modelo de simulación, el usuario puede alterar múltiples factores y predecir el rendimiento del sistema con esos cambios. El análisis de los resultados de una simulación en función de los cambios en los datos de entrada proporciona información valiosa sobre el impacto de las distintas variables. La información obtenida de una simulación puede ayudar a identificar áreas que pueden mejorarse en el sistema del mundo real.
Una revisión exhaustiva de la literatura descubrió técnicas de investigación de simulación aplicables a la situación a la que se enfrentan los 9 ATKS. Sepúlveda et al. (1999) utilizaron la simulación para mejorar los procesos de los centros de tratamiento del cáncer, en los que diferentes tipos de pacientes acudían a varias ubicaciones para ser tratados por personal hospitalario con distintas habilidades, lo que permitió aumentar en un 30% el número de pacientes atendidos sin modificar la dotación de personal. Kumar y Kapur (1989) simularon la programación de un servicio de urgencias para evaluar el efecto de la dotación de personal según la duración del turno en la calidad del servicio, minimizando al mismo tiempo el tiempo de espera del paciente y los costes. De forma similar a los 9 ATKS que impartían cursos simultáneos, el personal del hospital era responsable de prestar servicio en cinco niveles diferentes de urgencias, mientras estaba limitado por la duración de sus turnos. Seguin y Hunter (2013) utilizaron una herramienta de planificación de asignación de recursos para simular las operaciones de formación de la Escuela de Formación de Vuelo de las Fuerzas Canadienses con el fin de analizar el programa de formación, identificar las causas de los retrasos y minimizar el tiempo de finalización de los cursos. La simulación tuvo en cuenta las condiciones meteorológicas, las aeronaves, los simuladores, los diferentes tipos de instructores, así como el rendimiento de los alumnos. La simulación descubrió que la disponibilidad del simulador de vuelo era el factor que más contribuía a los retrasos e identificó un formato de programación por bloques como la mejor alternativa para acelerar la finalización del curso.
Jun et al. (1999) ilustran las ventajas de utilizar simultáneamente técnicas de simulación y optimización para una función objetivo multicriterio. April et al. (2003) afirman que casi todos los paquetes modernos de software de simulación ofrecen una búsqueda de valores óptimos de los parámetros de entrada en contraposición a una estimación estadística, y utilizan enfoques evolutivos para buscar el espacio de soluciones y hacer evolucionar una población de soluciones. El software de optimización OptQuest utilizado por Simio utiliza este enfoque evolutivo, evaluando las entradas y salidas de la simulación, en combinación con un punto de partida, un nivel de precisión, unos criterios de parada y una función objetivo proporcionados por el usuario, para explorar los valores candidatos (April et al. 2003). Kleijnen y Wan (2007) utilizaron OptQuest para minimizar el coste de inventario de un sistema de gestión de inventarios, concluyendo que OptQuest proporcionaba una salida que era la mejor estimación del verdadero óptimo cuando se comparaba con una metodología de superficie de respuesta modificada.
Dada la complejidad de la programación del entrenamiento de vuelo para la comunidad MQ-9, se utilizó una combinación de simulación y optimización a través de Simio y su función OptQuest. El paquete de software permite realizar experimentos, generar múltiples tipos de datos de salida y realizar análisis intuitivos para evaluar las opciones de programación óptimas para el problema de programación de los 9 ATKS (Prochaska y Thiesing 2008).
La solución
Metodología
Formulación del modelo
Para abordar mejor los objetivos de la investigación y representar las operaciones reales del 9 ATKS, se construyó una simulación utilizando el software de simulación orientado a objetos Simio. Se consideraron otros enfoques, pero el basado en la simulación se consideró el más adecuado para comprender los niveles actuales de dotación, el impacto en el rendimiento y la previsión de la dotación óptima para futuras incertidumbres. El modelo representa aspectos clave de las operaciones cotidianas de los 9 ATKS. Cada instructor asignado, adscrito, reservista o contratista se representa en la simulación como un recurso. El número de pilotos y operadores de sensores asociados al 9 ATKS en octubre de 2018 se utilizó como dotación representativa. No hay dos instructores en los 9 ATKS que tengan el mismo conjunto de habilidades o requisitos de trabajo.
Con un total de 132 instructores, modelar horarios individualizados era poco práctico. Sobre la base de medios históricos, se aplicó a cada tipo de instructor una capacidad media semanal de tareas de vuelo, lo que permitió a los instructores asignados, adscritos, de reserva y contratistas completar cinco, dos, cuatro y cinco eventos por semana, respectivamente. Los pilotos de reserva tradicionales que volaban un evento al mes se eliminaron por completo del modelo.
En operaciones normales, los requisitos previos, posteriores, administrativos y de descanso de la tripulación limitan a los instructores a un evento de vuelo al día. Por lo tanto, un instructor es incautado por la totalidad de la jornada de ocho horas para un evento de vuelo. Los instructores también pueden ser incautados para misiones especializadas no de vuelo. Una entidad llega cada día y se incauta de los recursos de instructor apropiados necesarios para tareas adicionales. Además, los datos históricos mostraron que el 12% de los instructores no están disponibles en un servicio determinado debido a TDY, permisos, enfermedad y otros deberes militares, capturados por una entidad adicional que se apodera aleatoriamente de 16 instructores diarios.
Los instructores poseen combinaciones de 14 conjuntos de aptitudes diferentes que determinan qué vuelos o cursos académicos pueden instruir. El modelo de selección de instructores refleja la priorización de aprovisionamiento de 9 ATKS, capturada por el orden de la lista de recursos.
Tanto los aviones MQ-9 como los simuladores se utilizan con fines de formación, con cuatro de cada uno a mano para uso diario. El modelo los trata como recursos, de los que se apoderan los alumnos cuando comienzan cada tarea de formación. Un día típico consiste en que cada aeronave realice cuatro vuelos y cada simulador cinco vuelos, sirviendo éstos como capacidad de cada recurso de equipo. Las condiciones meteorológicas y el mantenimiento de las aeronaves limitan la disponibilidad de éstas, mientras que la disponibilidad de los simuladores está limitada por las paradas de mantenimiento y las actualizaciones de software. La media histórica de tiempo operativo perdido debido a las condiciones meteorológicas y al mantenimiento es del 23,6% y del 3,5%, respectivamente. Los simuladores no se ven afectados por las condiciones meteorológicas, pero están parados un 0,3% del tiempo para mantenimiento y actualizaciones de software.
Los efectos meteorológicos se modelizan mediante una entidad que se apodera de todas las aeronaves en los días en que las condiciones meteorológicas impiden el vuelo, capturados mediante un sorteo aleatorio. El mantenimiento de cada tipo de aeronave es un factor de fiabilidad individual asociado a cada recurso de equipo. Los fallos se basan en un recuento de uso y el recuento entre fallos sigue una distribución uniforme tanto para las aeronaves como para los simuladores. El tiempo de inactividad se modelizó como un día completo, con lo que el equipo queda inoperativo durante cuatro y cinco vuelos, respectivamente, para aviones y simuladores. Para simular el tiempo de inactividad del 3,5% en la aeronave como cuatro vuelos, el tiempo de actividad por aeronave fue de 114 vuelos, y se modeló como una distribución uniforme con un mínimo de 104 y un máximo de 124. El tiempo de inactividad del simulador del 0,3% se modeló como una distribución uniforme con un máximo de 1.800 y un mínimo de 1.400 vuelos para capturar los cinco vuelos de tiempo de inactividad.
Los planes de estudios de los programas de formación desglosan los eventos con el tiempo (horas) necesario para cada evento. Los eventos consisten en cursos académicos, vuelos de simulación y vuelos en la aeronave, y la documentación enumera los eventos que deben completarse en cada día de entrenamiento (Departamento de la Fuerza Aérea 2018). Los cinco cursos diferentes se representan como servidores que procesan entidades. Dentro de cada servidor hay una tabla de tareas que enumera todos los eventos y la progresión necesaria para ese programa de estudios, basado en el Manual de Entrenamiento del MQ-9, como se ilustra en la Figura 1. Cada tabla de tareas que representa un syllabus contiene los diferentes aspectos para cada evento de entrenamiento, incluyendo el nombre de la tarea, tiempo de procesamiento, tareas predecesoras, probabilidad de fracaso del estudiante, requerimiento de recursos del piloto, requerimiento de recursos del operador del sensor, requerimiento de equipamiento, proceso de tarea inicial y proceso de tarea final. Las probabilidades de fracaso del alumno para cada evento se basan en datos históricos. Todos los tiempos de procesamiento de tareas se establecen en ocho horas, ya que normalmente tardan un día entero en completarse.
Algunas tareas pueden completarse en distinto orden, dependiendo de sus requisitos previos. El componente predecesor permite a los estudiantes completar las tareas en una variedad de patrones, dependiendo de la disponibilidad del instructor y del equipo. Los requisitos de piloto, operador de sensor y equipo contienen la lista de instructores o equipos (aeronave o simulador) aplicables para ese evento en particular. Para algunos eventos, sólo se requiere un instructor en clase, y se utiliza un recurso ficticio como relleno para el otro requisito de instructor. Asimismo, algunas jornadas académicas se basan estrictamente en el ordenador y no dependen de ningún recurso.
La tarea inicial para cada evento de formación es un proceso individual completado por cada estudiante, un evento completado como un conjunto de dos estudiantes (super-sortie), o un curso académico que se completa como una clase entera de estudiantes. El proceso individual comprueba que los recursos están disponibles para ese estudiante, y que el estudiante no está completando otras tareas en ese momento. Si se cumplen ambos criterios, el alumno se apodera de los recursos apropiados mientras dure la tarea. Para las tareas de super-sorties y clases académicas, el proceso de inicio de tarea hace que las entidades de estudiantes esperen hasta que el número apropiado de estudiantes esté disponible. Una vez transcurrido el tiempo de procesamiento en la simulación, se implementa el proceso de tarea final. El proceso de tarea final es similar para todos los eventos; el estudiante libera los recursos incautados para la tarea.
Se utiliza un sorteo de números aleatorios para determinar si un alumno ha suspendido el evento. Si el alumno suspende, no ha cumplido el requisito de predecesor para la siguiente tarea y repetirá la tarea hasta superarla.
Las entidades representan una tripulación, compuesta por un estudiante piloto y un estudiante operador de sensor, que fluye a través de los eventos de cada curso. Las llegadas de estudiantes se determinaron por el número medio histórico de clases y el tamaño. Para IQT, los estudiantes llegan cada 41 días, cada 365 días para el curso TX-2, cada 219 días para el curso TX-3, cada 183 días para el curso TX-4, y cada 37 días para la pista FIUT. La media histórica de alumnos por clase en el curso IQT fue de diez, en el curso TX-4 de seis y en el resto de los cursos la media de alumnos por clase fue de dos.
Supuestos
Los supuestos del modelo son necesarios para captar adecuadamente los aspectos del mundo real de los 9 ATKS que no pueden recrearse en la simulación. Los datos proporcionan la indisponibilidad de los instructores, pero no se descomponen por motivo. Por lo tanto, el porcentaje de instructores no disponibles se implementó como una proporción determinista por día de todo el banco de instructores.
El clima también inhibe la capacidad de completar la formación. Durante la temporada de lluvias (de julio a septiembre) muchos vuelos programados se completan como simulacro o se cancelan. En lugar de aplicar el efecto estacional de la meteorología, el modelo aplica una tasa media global de cancelación de vuelos debido a la meteorología. Esta probabilidad se aplica simultáneamente a todos los aviones.
El mantenimiento de las aeronaves y los simuladores también provoca retrasos en la formación. El tiempo de inactividad de ambos se captura con un factor de fiabilidad independiente incorporado a cada recurso de equipo. El tiempo de actividad entre fallos se captura con una distribución uniforme con un tiempo de inactividad supuesto de un día.
El curso FIUT se utiliza para formar a los alumnos que se convertirán en instructores de los otros cuatro cursos impartidos. Todos los vuelos necesarios para el curso dependen del flujo del programa de estudios del IQT, ya que los alumnos del FIUT instruyen a los alumnos del IQT como parte de los requisitos de su curso. Este aspecto de la formación FIUT no se modeló debido a la complejidad de la situación de la formación en el mundo real. Los retrasos experimentados debido a esta dependencia se han incorporado a la tabla de tareas del curso FIUT para representar el tiempo de retraso.
Fuente de datos, entradas del modelo y métricas
Todos los datos utilizados para la entrada del modelo fueron proporcionados por el 9 ATKS y el 16º Escuadrón de Entrenamiento (16 TRS). El subdirector de operaciones del 16 TRS supervisa las operaciones del 9 ATKS y mantiene datos históricos sobre el número de alumnos que pasan por los cursos y las tasas de disponibilidad de los instructores. El 16 TRS también proporcionó los índices de cancelación de vuelos debido a problemas meteorológicos y de mantenimiento. El Director de Personal del 9 ATKS proporcionó información sobre el número de instructores y sus aptitudes, lo que orientó la creación de las listas de recursos y el número de recursos representativos de las operaciones actuales. Las preferencias de selección de instructores fueron facilitadas por el programador del 9 ATKS, que también proporcionó orientación sobre la utilización media de instructores para tareas adicionales, ayudando a crear un modelo más realista. El programador también proporcionó el número medio de vuelos semanales de cada tipo de instructor y la frecuencia con la que los miembros deben realizar vuelos de recertificación.
El objetivo del estudio era proporcionar información sobre el número de instructores necesarios para alcanzar el número deseado de alumnos que completan la formación en un tiempo determinado. Para la validación del modelo y el análisis de las operaciones, se registraron la utilización de las aeronaves, la utilización del simulador y la utilización de los instructores. Con el fin de proporcionar orientación sobre dónde se podrían mejorar potencialmente los programas de estudios, se registró el tiempo de espera para completar cada tarea con el fin de identificar qué eventos de cada programa de estudios estaban causando retrasos.
Verificación y validación
A lo largo de la construcción del modelo, se consultó a los miembros de los 9 ATKS más familiarizados con las funciones del escuadrón para confirmar que las representaciones en el modelo eran exactas. El recuento de alumnos se controló con una pantalla visual durante las pruebas de funcionamiento, que mostraba el número de alumnos que se encontraban en el curso y el número de alumnos que lo habían completado. Esto permitió verificar que las clases empezaban y terminaban juntas y que los estudiantes completaban con éxito todo el programa de estudios. Además, para establecer una base de referencia, se registró el número de días necesarios para completar el plan de estudios en condiciones perfectas, sin cancelaciones por mal tiempo o mantenimiento y con todos los instructores disponibles. El tiempo necesario para completar el plan de estudios de cada clase de alumnos se ajustó directamente a la proyección del plan de estudios del curso de formación de cualificación inicial y recalificación del MQ-9.
El modelo se validó comparando el tiempo necesario para completar cada programa con los resultados históricos proporcionados. La simulación se ejecutó con el mismo número de alumnos que históricamente habían pasado por los diferentes cursos de formación. La simulación se ejecutó en veinte ocasiones durante 730 días. El promedio histórico de días necesarios para completar cada programa se comparó con el promedio de días necesarios para que los alumnos simulados completaran cada programa. Un intervalo de confianza-t de dos muestras modificado no indicó diferencias significativas entre el tiempo medio de finalización simulado y el histórico.
Además, el número histórico de estudiantes que completaron cada plan de estudios en 2017-2018 se comparó con el número simulado de estudiantes que completaron cada plan de estudios. Con un rendimiento casi idéntico en el mundo real y los datos simulados en todos los planes de estudio, se validó que el modelo capturaba con precisión las operaciones actuales.
Experimentos
El 9 ATKS prevé un aumento de la demanda de tripulaciones de MQ-9 entrenadas y, por tanto, un mayor tamaño de las clases de IQT. Para captar el impacto del aumento del tamaño de las clases en el escuadrón, se realizaron experimentos con un rango de diez a 18 alumnos por clase. Además, el 9 ATKS estaba interesado en conocer el impacto en el flujo de alumnos con un aumento de instructores, lo que llevó a realizar un experimento aumentando los instructores actuales hasta el 100% de los niveles autorizados, un aumento de hasta 18 tanto para pilotos como para operadores de sensores. Otra alternativa investigada fue el aumento de la frecuencia de las clases. Se realizó un experimento en el que los intervalos entre clases disminuyeron de cada 50 días a 40 y 30 días, los niveles de los instructores se mantuvieron constantes y el tamaño de las clases varió de 10 a 18 alumnos. Se utilizaron los resultados de los experimentos.
Análisis
Análisis de referencia
Tras la validación, las entradas del modelo se actualizaron para reflejar el tamaño típico de las clases de IQT, con siete clases impartidas anualmente. Se ejecutaron 20 réplicas del modelo actualizado que reflejaban el funcionamiento normal durante 730 días, con los parámetros de entrada indicados en la Tabla 3. Los datos de salida se analizaron para determinar las tasas de utilización de recursos. Los datos de salida se analizaron para determinar las tasas de utilización de los recursos. La tasa de utilización global por tipo de equipo, indica que las aeronaves y los simuladores tienen tasas de utilización del 50,2% y el 57,9%, respectivamente. Esto indica que la disponibilidad de estos recursos en condiciones normales de funcionamiento no es un factor limitante para el rendimiento de los alumnos.
Los índices medios de utilización de los instructores, por conjunto de habilidades, incluyen el 12% del tiempo que se les dedica a tareas ajenas a la instrucción y son notablemente superiores a los recursos de aeronaves y simuladores. Los pilotos instructores cualificados como Supervisor de Operaciones (TOP 3), Evaluador de Vuelo de Servicio Adicional/Evaluador de Vuelo (ADFE/FE) , Lanzamiento y Recuperación (LR) y todas las habilidades avanzadas se utilizan más del 90% del tiempo. Los instructores designados (DI), que son los más utilizados para los cursos FIUT, tienen una tasa de utilización de casi el 86%. Los instructores cualificados sólo para simuladores se utilizan en un 77%. Los índices de utilización de los operadores de sensores son inferiores a los de los pilotos debido al menor número de tareas adicionales que tienen que cumplir. Muchos de los instructores poseen múltiples cualificaciones, por lo que los índices de utilización no son mutuamente excluyentes.
El efecto de los instructores adicionales en el rendimiento de los estudiantes de IQT se analizó incrementando tres pilotos y operadores de sensores adicionales de diversos conjuntos de habilidades por aumento. Como era de esperar, los incrementos de instructores proporcionaron un mayor número medio de estudiantes que completaron el curso por año y disminuyeron el tiempo medio para completarlo. Se utilizó un intervalo de confianza emparejado-t para identificar diferencias significativas en el número medio de estudiantes que completan el programa IQT en un año y el tiempo medio de finalización. Se analizó el modelo de referencia frente a cada incremento de instructor, así como cada comparación por pares entre incrementos de instructor. Se observan diferencias significativas con respecto a la línea de base cuando se añaden seis o más instructores, como se ve en la Tabla 4. Los incrementos superiores a seis instructores no muestran diferencias significativas con respecto a la línea de base. Los aumentos superiores a seis instructores no dan como resultado un número significativamente mayor de estudiantes que completan el programa de estudios en un año, pero reducen el tiempo de finalización del programa de estudios, mientras que la adición superior a nueve no produce ninguna mejora adicional del tiempo. Es razonable suponer que la disminución de la mejora puede atribuirse a que los instructores ya no son el factor que limita el rendimiento de los estudiantes.
También se recogieron los tiempos de espera de los estudiantes para cada tarea. De las 72 tareas del programa IQT, 33 tenían un tiempo medio de espera superior a un día, siendo 19 de ellas cursos académicos que requerían que toda la clase las completara conjuntamente. La tarea 39 tiene el tiempo medio de espera más largo y sigue una serie de siete vuelos, de los cuales dos tienen la tasa de fallos 2509 más alta del programa de estudios. La mayoría de los retrasos en la formación se producen en los cursos académicos que requieren que la clase los complete simultáneamente, representando los cursos académicos el 55,1% de las esperas experimentadas, mientras que los vuelos en avión y los simuladores supusieron el 24,2% y el 20,7% del tiempo de espera, respectivamente. El cuadro 5 presenta la espera media y la más larga observada para las tareas que superan una espera media de dos días.
Con un nivel de esfuerzo normal, se espera que los 9 ATKS produzcan 120 BCE anuales. El rendimiento anual de BCE, por programa de estudios, en la simulación de referencia se indica en la Tabla 6. En condiciones normales de funcionamiento, con los niveles actuales de dotación de personal, el tamaño histórico de las clases y la frecuencia, el objetivo de 120 BCE es alcanzable.
El 9 ATKS también estaba interesado en estimar el rendimiento si el apoyo de los contratistas se sustituía por personal militar. La dotación actual incluía 15 pilotos contratistas y 18 operadores de sensores contratistas, de los cuales ocho y siete, respectivamente, estaban certificados para instruir únicamente en los simuladores. La simulación se llevó a cabo durante 730 días con 20 réplicas de cada escenario utilizando únicamente a los instructores no contratistas. En cada escenario se aumentó en tres el número de instructores pilotos y operadores de sensores, hasta un total de 24 instructores de cada tipo añadidos al modelo. A partir de este análisis, se hizo evidente que la fuerza de contratistas tiene un impacto en el rendimiento de los estudiantes. Un intervalo de confianza emparejado identificó que serían necesarios entre 12 y 15 instructores adicionales, tanto de pilotos militares como de operadores de sensores, para lograr un rendimiento y unos tiempos de finalización similares a los actuales si se eliminara la fuerza de contratistas, como se observa en la Tabla 7.
Experimentos
Con el interés centrado en aumentar el rendimiento de los estudiantes en el programa IQT, los dos factores de respuesta que mejor indican el rendimiento de los estudiantes son el número de estudiantes que completan el programa en un año y el tiempo de finalización del curso. Dos factores controlables que influyen en el rendimiento de los estudiantes son los cambios en el número de instructores y el tamaño de la clase. Se implementó un diseño experimental para identificar los niveles de aumento del número de instructores y del tamaño de las clases que tendrían el mayor impacto en el rendimiento de los estudiantes.
El rango de tamaño de las clases a considerar se basó en datos históricos y en el tamaño previsto de las clases en el futuro. El rango de dotación de instructores se basó en los niveles de dotación permitidos y autorizados, y osciló entre ninguno y un aumento de 18 tanto para pilotos como para operadores de sensores. Los niveles seleccionados para cada factor figuran en el cuadro 8. Se utilizó un diseño compuesto central con puntos axiales en la cara y un punto central adicional para analizar los diferentes niveles de tamaño de la clase de instructores y estudiantes.
Se analizaron diez escenarios con un modelo completo de segundo orden utilizando JMP. Para satisfacer los supuestos de la superficie de respuesta, se aplicó una transformación Box-Cox a la respuesta, que abordó adecuadamente las preocupaciones sobre la validez del modelo. Las ecuaciones (1) y (2) proporcionan el modelo reducido de superficie de respuesta en espacio codificado para el número anual de estudiantes completados y el tiempo medio para completar el programa de estudios IQT.
Se crearon mapas de calor con una serie de combinaciones posibles para cada ecuación de predicción. La figura 2 ilustra que los tiempos de finalización más cortos se consiguen cuando el tamaño de las clases es menor y se añaden más instructores. El rendimiento de los estudiantes se maximiza cuando el tamaño de las clases es mayor, pero no se ve afectado drásticamente por el aumento de instructores, como se muestra en la figura (3).
Para analizar con más detalle la relación entre el tamaño de la clase, los instructores, el rendimiento de los estudiantes y el tiempo necesario para completar el programa IQT, se utilizó el complemento OptQuest. El tamaño de la clase se incrementó de dos en dos, mientras que el número de instructores se fijó en incrementos de tres. Cada escenario desarrollado por OptQuest se ejecutó un mínimo de diez veces para obtener el rendimiento medio de los estudiantes y el tiempo de finalización. Cada objetivo se optimizó individualmente. Cuando se maximizó, el rendimiento de los estudiantes fue de 125 en 186,7 días con 18 instructores adicionales y clases de 18 alumnos. Minimizando el tiempo de finalización se obtuvieron 140,6 días, con 68 estudiantes que completaron el curso IQT en un año. Esto se consiguió con clases de 10 alumnos y 12 instructores adicionales. Estos resultados se compararon con el modelo de referencia de 16 alumnos por clase y ningún instructor adicional, y ambas respuestas fueron significativamente diferentes.
Los dos objetivos se normalizaron y se ponderaron por igual para la función multiobjetivo de OptQuest. Todos los escenarios experimentales considerados se ejecutaron y finalizaron con un tamaño de clase de 16 y un aumento de instructores de 15 como solución óptima. Estos valores variables produjeron un rendimiento medio de los estudiantes de 116 y un tiempo medio de finalización de los estudiantes de 167,3 días. En esta solución óptima, la desviación en el número de estudiantes completados es de diez estudiantes con respecto al mejor rendimiento de 126, mientras que el tiempo de finalización muestra una desviación de 26 días con respecto al mejor tiempo de finalización de 141,3 días. Las soluciones encontradas utilizando las ecuaciones de predicción de superficie de respuesta fueron similares al evaluar los objetivos individualmente. Sin embargo, cuando se utiliza OptQuest, sólo se ejecutan los escenarios que son capaces de ser procesados por el modelo, lo que limita el espacio de soluciones a sólo incluir tamaños de clase pares y la adición de instructores en incrementos de tres.
Durante los esfuerzos de aumento, se espera que el 9 ATKS produzca 140 BCE anuales. Con los otros cuatro cursos mantenidos constantes, esto requiere 125 estudiantes para completar el plan de estudios IQT en el año. Como se ve en la Figura 3, tal requisito requiere un tamaño de clase de 18 y un aumento de instructores de 17 ó 18. Con la dotación actual, un aumento del tamaño de la clase sólo completa una media de 114 alumnos al año y aumenta la utilización de instructores en un 3%. Por ello, se investigó la frecuencia de las clases. Mediante ajustes en la frecuencia y el tamaño de las clases, se completó un diseño de experimentos para identificar los efectos en el rendimiento de los estudiantes. Los niveles de tamaño de las clases se mantuvieron iguales que en la Tabla 8, mientras que los valores codificados para la frecuencia de los cursos oscilaron entre 30 y 50 días. Se utilizó un diseño compuesto central con puntos axiales en la cara y dos puntos centrales para analizar las diferentes tasas de llegada y tamaño de clase de los estudiantes.
Se analizaron modelos de segundo orden que medían los efectos sobre el rendimiento de los estudiantes y el tiempo de finalización. Las ecuaciones (3) y (4) proporcionan las superficies de respuesta reducidas en el espacio codificado para el rendimiento y el tiempo de finalización, respectivamente.
El rendimiento de los estudiantes se maximizó con una frecuencia de clases de 30 días y un tamaño de las clases de 14, lo que produjo 126 estudiantes al año y un tiempo medio de finalización de 272,1 días. El tiempo de finalización se redujo al mínimo con diez estudiantes cada 49 días, lo que dio lugar a 69 estudiantes anuales y un tiempo medio de finalización de 145 días. Las soluciones óptimas para ambos objetivos produjeron un rendimiento medio y un tiempo de finalización significativamente diferentes de la línea de base. Los mapas de calor de las figuras 4 y 5 muestran la gama de combinaciones de rendimiento y tiempo de finalización. Y lo que es más importante, esto demuestra que los cambios en la frecuencia y el tamaño de las clases pueden satisfacer el requisito de 125 alumnos sin necesidad de más personal.
Simulando el rendimiento máximo de 126, conseguido con un tamaño de clase de 14 que llegan cada 30 días, la utilización de pilotos y operadores de sensores fue del 94,1% y el 77,8%, respectivamente, un aumento del 5,5% y el 2,9% de las operaciones de referencia, pero es capaz de producir 18 tripulaciones MQ-9 más al año por término medio.
El impacto empresarial
Conclusiones e investigación futura
El análisis y los resultados del modelo son valiosos para los responsables de la toma de decisiones, ya que pueden necesitar ajustar múltiples factores para satisfacer la demanda de tripulaciones del MQ-9 por parte de la AF. La simulación proporcionó con éxito los medios para analizar las operaciones del 9 ATKS sin interrumpir el entrenamiento en curso. A partir de los escenarios probados en la simulación, se desarrollaron ecuaciones de regresión múltiple que se pueden utilizar para proporcionar predicciones sobre el rendimiento de los estudiantes y el tiempo de finalización del curso. Para comprender mejor el sistema real, se analizaron distintos aspectos de la simulación cuando los ajustes eran representativos de la dotación y las operaciones actuales. Para representar el sistema real en la simulación de eventos discretos fue necesario hacer suposiciones y simplificaciones, por lo que los resultados son fiables, pero no precisos.
Los niveles actuales de dotación son capaces de superar el rendimiento anual de estudiantes deseado. Sin embargo, esto requiere una alta utilización de los pilotos más cualificados. Aunque los estudiantes sufrieron retrasos ocasionales debido a los vuelos del curso en el avión o en el simulador, los académicos causaron los mayores retrasos, en gran parte debido a que se requería que los estudiantes completaran los eventos académicos como clase.
El análisis determinó que el tamaño de la clase influía más en el rendimiento de los alumnos que el número de instructores. Sin cambios en el número de cursos IQT por año, se necesitaría una dotación adicional de 17-18 personas, tanto para instructores pilotos como para operadores de sensores, para alcanzar el objetivo de 125 alumnos IQT que completen el curso anualmente. Este aumento de la dotación al 100% de los niveles autorizados permitiría satisfacer una demanda de 140 BCE. Sin embargo, esto puede lograrse sin aumentos de dotación mediante el ajuste del tamaño de las clases y el aumento de la frecuencia de llegada.
Los esfuerzos futuros se verían reforzados mediante el aumento de la fidelidad del modelo de operaciones diarias a operaciones horarias. Esto proporcionaría una evaluación más precisa de la utilización de los instructores y permitiría a los instructores realizar más de un vuelo al día. Además, esto permitiría modelar cursos académicos individuales utilizando instructores específicos para cada lección. Una mayor y continua recopilación de datos sobre las tasas de fracaso por evento puede proporcionar una mayor precisión en la proyección de la finalización general de los estudiantes. Una recogida de datos más específica sobre la disponibilidad de los instructores podría permitir individualizar los tiempos muertos. Se podría simular el impacto de la variación de la ponderación de los objetivos para proporcionar información sobre la priorización. Además, podría determinarse una distribución de llegadas para su uso en el modelo con el fin de captar con mayor precisión la variación en las llegadas a clase.
Descargo de responsabilidad
Las opiniones expresadas en este artículo son las de los autores y no reflejan la política o posición oficial de las Fuerzas Aéreas de los Estados Unidos, el Departamento de Defensa o el Gobierno de los Estados Unidos.
Biografías de los autores
THOMAS TALAFUSE es profesor adjunto de Investigación Operativa en el Departamento de Ciencias Operativas del Instituto Tecnológico de las Fuerzas Aéreas y doctor por la Universidad de Arkansas en Ingeniería Industrial. Sus intereses de investigación incluyen la fiabilidad, el análisis de riesgos y la estadística aplicada. Su dirección de correo electrónico estom.talafuse@gmail.com.
LANCE CHAMPAGNE es licenciado en Ingeniería Biomédica por la Universidad de Tulane, máster en Investigación Operativa y doctor en Investigación Operativa por el Instituto Tecnológico del Ejército del Aire (AFIT). Es profesor adjunto de Investigación Operativa en el Departamento de Ciencias Operativas del Instituto de Tecnología del Ejército del Aire y sus intereses de investigación incluyen la simulación basada en agentes, la modelización de combate y las técnicas de análisis multivariante. Su dirección de correo electrónico eslance.champagne@afit.edu.
ERIKA GILTS es analista de investigación de operaciones en servicio activo en las Fuerzas Aéreas de Estados Unidos, destinada en Ramstein AFB, Alemania. Es licenciada en Educación Matemática por la Universidad Anderson y tiene un máster en Investigación Operativa por el Instituto Tecnológico de las Fuerzas Aéreas. Sus intereses de investigación incluyen el modelado y la simulación, el análisis de operaciones militares, la minería de textos y la estadística aplicada. Su dirección de correo electrónico eserika.gilts@gmail.com.
Referencias
April, J., F. Glover, J. P. Kelly y M. Laguna. 2003. "Introducción práctica a la optimización de la simulación". En Proceedings of the 2003 Winter Simulation Conference, editado por S. Chick, P. Sanchez, D. Ferrin, y D. Morrice, 71 - 78. Piscataway, NJ: Institute of Electrical and Electronics Engineers. Piscataway, NJ: Institute of Electrical and Electronics Engineers, Inc.
Banks, J., J. S. Carson, B. L. Nelson y N. M. David. 2010. Simulación de sistemas de eventos discretos. Fifth ed. Upper Saddle River, Nueva Jersey: Pearson Education, Inc.
Billionnet, A. 1999, 4. "Integer Programming to Schedule a Hierarchical Workforce with Variable Demands". European Journal of Operational Research 114(1):105-114.
Departamento de las Fuerzas Aéreas 2018. Curso de entrenamiento de cualificación inicial y recalificación del MQ-9. Base Conjunta Langley-Eustis, Virginia: Cuartel General del Mando de Combate Aéreo.
Ghalwash, M. F., X. H. Cao, I. Stojkovic, y Z. Obradovic. 2016. "Selección de características estructuradas mediante optimización por descenso de coordenadas". BMC Bioinformatics 1(17):158-172.
Jun, J. B., S. H. Jacobson y J. R. Swisher. 1999. "Application of Discrete-Event Simulation in Health Care Clinics: A Survey". Journal of the Operational Research Society 50:109-123.
Kleijnen, J. P. C., y J. Wan. 2007. "Optimización de sistemas simulados: OptQuest and Alternatives". Simulation Modelling Practice and Theory 15:354-362.
Kumar, A. P., y R. Kapur. 1989. "Discrete Simulation Application - Scheduling Staff for the Emergency Room". En Proceedings of the 1989 Winter Simulation Conference, editado por E. MacNair, K. Musselman y P. Heidelberger, 1112-1120. Nueva York, NY: Association for Computing Machinery.
Prochaska, K., y R. M. Thiesing. 2008. "Introducción a Simio". En Proceedings of the 2008 Winter Simulation Conference, editado por S. Mason, R. Hill, L. Monch, O. Rose, T. Jefferson y J. Fowler, 229-235. Miami, FL. Miami, FL: Instituto de Ingenieros Eléctricos y Electrónicos, Inc.
Ryan, D., y B. Foster. 1981. "An Integer Programming Approach to Scheduling". En Computer Scheduling of Public Transport, editado por A. Wren, 269-280. North-Holland Publishing Company. North-Holland Publishing Company.
Seguin, R., y C. Hunter. 2013. "Herramienta de simulación de asignación de recursos de la 2 Canadian Forces Flying Training School". En Proceedings of the 2013 Winter Simulation Conference, editado por R. Pasupathy, S. Kim, A. Tolk, R. Hill, y M. Kuhl, 2866- 2877. Washington DC: Instituto de Ingenieros Eléctricos y Electrónicos, Inc.
Sepúlveda, J. A., W. J. Thompson, F. F. Baesler y M. I. Álvarez. 1999. "The Use of Simulation for Process Improvement in a Cancer Treatment Center". En Proceedings of the 1999 Winter Simulation Conference, editado por P. Farrington, H. Nembhard, D. Sturrock y G. Evans, 1541-1548. Piscataway, NJ: Institute of Electrical and Electronics Engineers, Inc.
Winston, W. 2004. Operations Research:Applications and Algorithms. Belmont, CA: Brooks/Cole.