O desafio
por Thomas Talafuse, Lance Champagne, Erika Gilts
Conforme apresentado na Conferência de Simulação de Inverno de 2019
O uso cada vez maior de veículos aéreos não tripulados (UAV) pela Força Aérea dos Estados Unidos (USAF) colocou uma pressão sobre as unidades de treinamento de voo responsáveis pela produção de tripulações aéreas. Um aumento nas cotas de alunos, aliado a novos requisitos de treinamento decorrentes da transição para a fuselagem do MQ-9, afeta os recursos necessários para atender ao nível desejado de rendimento dos alunos. Esta pesquisa utiliza dados históricos de uma unidade de treinamento de voo de UAV para desenvolver um modelo de simulação de operações diárias em um esquadrão de treinamento. Os requisitos atuais, as operações e os níveis de lotação dos instrutores são usados para fornecer uma avaliação básica da relação entre a lotação da unidade e a produção da tripulação aérea. A análise subsequente investiga os efeitos da frequência dos cursos, do tamanho das turmas e da quantidade de instrutores sobre o rendimento dos alunos. Os resultados dessa pesquisa recomendam novas abordagens na execução do curso para utilizar melhor a capacidade do instrutor e informar as unidades de treinamento de voo de VANT sobre os níveis adequados de tripulação necessários para atender às necessidades da USAF.
Introdução
O 9º Esquadrão de Ataque (9 ATKS), localizado na Base Aérea de Holloman, Novo México, é responsável pelo treinamento da tripulação do MQ-9 Reaper, uma aeronave pilotada remotamente e operada por duas tripulações com funções diferentes. Um piloto e um operador de sensores atuam como a equipe de lançamento e recuperação que realiza decolagens e pousos, e uma equipe de bordo, composta por um operador de sensores e um piloto, realiza operações em voo. O MQ-9 atende a uma grande variedade de funções operacionais, desde interdição aérea até busca de combate e assistência de resgate. O 9 ATKS implementa cinco cursos de treinamento diferentes para preparar os operadores para todos os aspectos das operações do MQ-9.
Os níveis de lotação desafiaram a capacidade do 9 ATKS de fornecer o suporte adequado para manter a proficiência de voo da tripulação permanente, apoiar as tarefas administrativas necessárias e fornecer o descanso adequado à tripulação, ao mesmo tempo em que atende às demandas do número atual de alunos em treinamento. Com a previsão de um fluxo adicional de alunos para o programa de treinamento de qualificação inicial (IQT) nos próximos anos, o 9 ATKS desejava determinar o número de pilotos instrutores necessários para manter o fluxo do curso e garantir que os alunos se formassem de acordo com os cronogramas de planejamento. Além das preocupações com a lotação, muitos outros fatores de natureza estocástica afetam a capacidade de atender aos requisitos de treinamento, incluindo condições meteorológicas, destacamentos permanentes, atribuições de serviço temporário (TDY), manutenção, status de voo e licenças.
Esse esforço de pesquisa buscou determinar o número de operadores que o 9 ATKS pode treinar anualmente por meio da otimização da lotação atual, bem como determinar o número de instrutores necessários para o aumento previsto de alunos. Utilizando modelagem e simulação, uma análise abrangente da lotação procurou determinar se a lotação atual permitia atender às necessidades de produção dos alunos sem sobrecarregar os instrutores, identificar os aspectos do treinamento que geram atrasos e o número projetado de instrutores necessários para atender às futuras mudanças nas demandas da Força Aérea.
Histórico e literatura relevante
Histórico
Há vários cursos envolvidos no treinamento do MQ-9. O maior deles é o Curso Básico de Qualificação Inicial, também chamado de Requalificação/Trilha de Transição 1 (IQT). O IQT treina pilotos e operadores de sensores novos para o MQ-9 e consiste em 93 dias de treinamento, sendo 61 dias acadêmicos e 32 dias de voo. A Trilha de Requalificação/Transição 2 (TX-2) é um treinamento obrigatório para pilotos e operadores de sensores que não foram qualificados no MQ-9 por mais de 39 meses e consiste em 71 dias de treinamento, com 49 dias acadêmicos e 22 dias de voo. A trilha de requalificação/transição 3 (TX-3) é obrigatória para pilotos e operadores de sensores não qualificados há menos de 39 meses e consiste em 43 dias acadêmicos e 16 dias de voo, totalizando 59 dias de treinamento. A trilha de transição 4 (TX-4) treina pilotos ou operadores de sensores qualificados para se qualificarem no sistema de armas principal do MQ-9. A trilha TX-4 tem 44 dias de treinamento, com 28 dias acadêmicos e 16 dias de voo. A última faixa de treinamento oferecida pelo 9 ATKS é o curso de Treinamento de Atualização de Instrutor (FIUT) da Unidade de Treinamento Formal (FTU), usado para atualizar membros da tripulação para instrutores. O curso tem duração de 22 dias, consistindo em sete dias acadêmicos e 15 dias de voo. O 9 ATKS executa todas as cinco trilhas de treinamento ao mesmo tempo e durante todo o ano, exceto feriados e fins de semana.
Como visto nos níveis de lotação na Tabela 1, há várias classes de pessoal no 9 ATKS. O número de eventos de voo que cada piloto pode instruir por semana é determinado pela disponibilidade de sua posição. Se um piloto não tiver requisitos adicionais do esquadrão, ele poderá instruir cinco eventos de voo por semana, mantendo o descanso adequado da tripulação. Além dos conjuntos de habilidades associados a cada classe de pessoal, os conjuntos de habilidades entre os pilotos são variados, limitando a parte de cada curso que um indivíduo está qualificado para instruir.
Os pilotos da 9 ATKS também são responsáveis pela tripulação diária de um supervisor de operações, o supervisor de voo e uma equipe de lançamento e recuperação. Esses cargos adicionais exigem conjuntos de habilidades específicas que limitam o número de pilotos capazes de atuar em cada cargo. Embora os pilotos estejam voando frequentemente como instrutores, eles também precisam manter o domínio do MQ-9 voando uma vez por mês como piloto principal. Da mesma forma, os operadores de sensores são limitados no que podem instruir com base em sua posição e disponibilidade.
A equivalência de tripulação básica (BCE) é uma medida usada pelo 9 ATKS para capturar a produção anual de tripulação. Espera-se que o 9 ATKS produza pelo menos 120 BCE por ano em operações normais. O fator BCE é ponderado por tipo de programa de estudos, sendo o programa IQT o mais ponderado. O peso do BCE para a conclusão da tripulação, por programa de estudos, pode ser visto na Tabela 2.
Literatura relevante
Os trabalhos históricos para abordar a tripulação e a programação usaram programação linear (Winston 2004) e inteira (Billionnet 1999) e foram aplicados a problemas de programação do mundo real (Ryan e Foster 1981; Ghalwash et al. 2016). Embora esses métodos tenham sido usados com sucesso, a natureza complexa, dinâmica e estocástica desse problema exigiu que muitas suposições inaceitáveis fossem feitas para essas abordagens.
A simulação tem sido amplamente usada em aplicativos para otimização de agendamento, permitindo que os fatores sejam representados com distribuições mais parecidas com o problema do mundo real, em vez de um valor constante. Banks et al. (2010) destacam que, muitas vezes, é possível desenvolver um modelo de sistema que pode ser resolvido com métodos matemáticos, mas a complexidade do sistema do mundo real não é capturada tão bem quanto em uma simulação baseada em computador. A simulação de um sistema permite o estudo e a análise de aspectos que podem mudar ao longo do tempo, com várias execuções que fornecem informações sobre os resultados esperados e suas distribuições. Depois que um modelo de simulação é construído, o usuário pode alterar vários fatores e prever o desempenho do sistema com essas alterações. A análise do resultado de uma simulação com base em alterações na entrada fornece informações valiosas sobre o impacto das diferentes variáveis. As percepções obtidas em uma simulação podem ajudar a identificar áreas que podem ser aprimoradas no sistema do mundo real.
Uma análise minuciosa da literatura revelou técnicas de pesquisa de simulação aplicáveis à situação enfrentada pelo 9 ATKS. Sepulveda et al. (1999) usaram a simulação para melhorar os processos em centros de tratamento de câncer, onde diferentes tipos de pacientes visitavam vários locais para tratamento de suas condições por funcionários do hospital com diferentes conjuntos de habilidades, o que levou a um aumento de 30% nos pacientes atendidos sem alterar os níveis de pessoal. Kumar e Kapur (1989) simularam a programação do pronto-socorro para avaliar o efeito do nível de pessoal por turno na qualidade do serviço, minimizando o tempo de espera do paciente e os custos. De forma semelhante aos 9 ATKS que instruíam cursos simultâneos, a equipe do hospital era responsável pela prestação de serviços em cinco níveis diferentes de emergência, enquanto era limitada pela duração de seus turnos. Seguin e Hunter (2013) usaram uma ferramenta de planejamento de alocação de recursos para simular as operações de treinamento da Escola de Treinamento de Voo das Forças Canadenses para analisar o programa de treinamento, identificar as causas de atraso e minimizar o tempo de conclusão do curso. A simulação levou em conta o clima, as aeronaves, os simuladores, os diferentes tipos de instrutores, bem como o desempenho dos alunos. A simulação descobriu que a disponibilidade do simulador de voo era o maior contribuinte para os atrasos e identificou um formato de programação em blocos como a melhor alternativa para acelerar a conclusão do curso.
Jun et al. (1999) ilustram os benefícios do uso simultâneo de técnicas de simulação e otimização para uma função de objetivo multicritério. April et al. (2003) afirmam que quase todos os pacotes modernos de simulação de software oferecem uma busca por valores ótimos de parâmetros de entrada, em oposição a uma estimativa estatística, e usam abordagens evolutivas para pesquisar o espaço da solução e desenvolver uma população de soluções. O software de otimização OptQuest usado pelo Simio utiliza essa abordagem evolutiva, avaliando as entradas e saídas da simulação, combinadas com um ponto de partida fornecido pelo usuário, nível de precisão, critérios de parada e função objetiva, para explorar valores candidatos (April et al. 2003). Kleijnen e Wan (2007) utilizaram o OptQuest para minimizar o custo do inventário de um sistema de gerenciamento de inventário, concluindo que o OptQuest forneceu um resultado que era a melhor estimativa do verdadeiro ótimo quando comparado a uma metodologia de superfície de resposta modificada.
Com a complexidade da programação de treinamento de voo para a comunidade MQ-9, foi usada uma combinação de simulação e otimização por meio do Simio e seu recurso OptQuest. O conjunto de software ofereceu a capacidade de executar experimentos, gerar vários tipos de dados de saída e permitir análises intuitivas para avaliar as opções ideais de programação para o problema de programação do 9 ATKS (Prochaska e Thiesing 2008).
A solução
Metodologia
Formulação do modelo
Para melhor atender aos objetivos da pesquisa e representar as operações reais do 9 ATKS, foi criada uma simulação usando o software de simulação orientado a objetos Simio. Outras abordagens foram consideradas, mas uma abordagem baseada em simulação foi considerada a mais adequada para entender os níveis atuais de tripulação, o impacto sobre o rendimento e a previsão de tripulação ideal para incertezas futuras. O modelo representa os principais aspectos das operações cotidianas dos 9 ATKS. Cada instrutor designado, vinculado, reservista ou contratado é representado na simulação como um recurso. O número de pilotos e operadores de sensores associados ao 9 ATKS em outubro de 2018 foi usado como tripulação representativa. Não há dois instrutores no 9 ATKS com o mesmo conjunto de habilidades ou requisitos de trabalho.
Com um total de 132 instrutores, a modelagem de cronogramas individualizados era impraticável. Com base nos meios históricos, um número médio semanal de capacidade de tarefas de voo foi aplicado a cada tipo de instrutor, permitindo que os instrutores designados, vinculados, da reserva e contratados realizassem cinco, dois, quatro e cinco eventos por semana, respectivamente. Os pilotos da reserva tradicional que voam em um evento por mês foram totalmente excluídos do modelo.
Em operações normais, os requisitos pré-brief, pós-brief, administrativos e de descanso da tripulação limitam os instrutores a um evento de voo por dia. Assim, um instrutor é apreendido durante todo o dia de oito horas para um evento de voo. Os instrutores também podem ser apreendidos para atribuições de especialidade que não sejam de voo. Uma entidade chega todos os dias e apreende os recursos apropriados de instrutor necessários para tarefas adicionais. Além disso, os dados históricos mostraram que 12% dos instrutores não estão disponíveis em um determinado serviço devido a TDY, licença, doença e outros deveres militares, capturados por uma entidade adicional que apreende aleatoriamente 16 instrutores diariamente.
Os instrutores possuem combinações de 14 conjuntos de habilidades diferentes que determinam quais voos ou cursos acadêmicos eles podem instruir. A seleção de modelos de instrutores reflete a priorização de 9 fontes ATKS, capturada pela ordem da lista de recursos.
Tanto as aeronaves MQ-9 quanto os simuladores são usados para fins de treinamento, com quatro de cada à disposição para uso diário. O modelo trata essas aeronaves como recursos, que os alunos utilizam ao iniciarem cada tarefa de treinamento. Em um dia típico, cada aeronave realiza quatro voos e cada simulador, cinco voos, o que serve como capacidade de cada recurso de equipamento. As condições climáticas e a manutenção da aeronave limitam a disponibilidade da aeronave, enquanto a disponibilidade do simulador é limitada pelo tempo de inatividade da manutenção e pelas atualizações de software. O tempo operacional médio histórico perdido devido ao clima e à manutenção é de 23,6% e 3,5%, respectivamente. Os simuladores não são afetados pelo clima, mas ficam parados 0,3% do tempo para manutenção e atualizações de software.
Os efeitos do clima são modelados por uma entidade que confisca todas as aeronaves nos dias em que o clima impede o voo, capturado por um sorteio aleatório. A manutenção de cada tipo de aeronave é um fator de confiabilidade individual associado a cada recurso de equipamento. A falha é baseada em uma contagem de uso e a contagem entre falhas segue uma distribuição uniforme para aeronaves e simuladores. O tempo de inatividade foi modelado como um dia inteiro, tornando o equipamento inoperante por quatro e cinco voos, respectivamente, para aeronaves e simuladores. Para simular o tempo de inatividade de 3,5% na aeronave como quatro voos, o tempo de atividade por aeronave foi de 114 voos e foi modelado como uma distribuição uniforme com um mínimo de 104 e um máximo de 124. O tempo de inatividade do simulador de 0,3% foi modelado como uma distribuição uniforme com um máximo de 1.800 e um mínimo de 1.400 voos para capturar os cinco voos de tempo de inatividade.
Os planos de estudos dos programas de treinamento dividem os eventos com o tempo (horas) necessário para cada evento. Os eventos consistem em cursos acadêmicos, voos de simulação e voos na aeronave, e a documentação lista os eventos a serem concluídos em cada dia de treinamento (Department of the Air Force 2018). Os cinco cursos diferentes são representados como servidores que processam entidades. Em cada servidor, há uma tabela de tarefas que lista todos os eventos e a progressão necessária para esse programa de estudos, com base no Manual de Treinamento do MQ-9, conforme ilustrado na Figura 1. Cada tabela de tarefas que representa um programa de estudos contém os diferentes aspectos de cada evento de treinamento, incluindo o nome da tarefa, o tempo de processamento, as tarefas predecessoras, a probabilidade de falha do aluno, o requisito de recursos do piloto, o requisito de recursos do operador do sensor, o requisito de equipamentos, o processo de início da tarefa e o processo de conclusão da tarefa. As probabilidades de falha do aluno para cada evento são baseadas em dados históricos. Todos os tempos de processamento de tarefas são definidos para oito horas, pois normalmente levam um dia inteiro para serem concluídos.
Algumas tarefas podem ser concluídas em ordem diferente, dependendo de seus requisitos de pré-requisito. O componente predecessor permite que os alunos concluam as tarefas em uma variedade de padrões, dependendo da disponibilidade do instrutor e do equipamento. Os requisitos de piloto, operador de sensor e equipamento contêm a lista de instrutores ou equipamentos aplicáveis (aeronave ou simulador) para aquele evento específico. Em alguns eventos, é necessário apenas um instrutor em sala de aula, e um recurso fictício é usado para preencher o requisito do outro instrutor. Além disso, alguns dias acadêmicos são estritamente baseados em computador e não dependem de nenhum recurso.
A tarefa inicial de cada evento de treinamento é um processo individual concluído por cada aluno, um evento concluído como um conjunto de dois alunos (super-sortie) ou um curso acadêmico concluído como uma turma inteira de alunos. O processo individual verifica se os recursos estão disponíveis para esse aluno e se ele não está realizando outras tarefas no momento. Se ambos os critérios forem atendidos, o aluno utiliza os recursos apropriados durante a duração da tarefa. Para as tarefas de super-sorties e de classe acadêmica, o processo de início de tarefa faz com que as entidades de alunos aguardem até que o número apropriado de alunos esteja disponível. Após o tempo de processamento ter passado na simulação, o processo da tarefa de conclusão é implementado. O processo de conclusão de tarefa é semelhante para todos os eventos; o aluno libera os recursos apreendidos para a tarefa.
Um sorteio de números aleatórios é usado para determinar se um aluno falhou no evento. Se o aluno falhar, ele não cumpriu o requisito do predecessor para a próxima tarefa e repetirá a tarefa até ser aprovado.
As entidades representam uma tripulação, composta por um aluno piloto e um aluno operador de sensor, fluindo pelos eventos em cada curso. As chegadas de alunos foram determinadas pelo número médio histórico de turmas e tamanho. Para o IQT, os alunos chegam a cada 41 dias, a cada 365 dias para o curso TX-2, a cada 219 dias para o curso TX-3, a cada 183 dias para o curso TX-4 e a cada 37 dias para a pista FIUT. O tamanho médio histórico das turmas para o curso IQT foi de dez alunos, seis alunos para o curso TX-4 e os demais cursos tiveram um tamanho médio de duas turmas.
Premissas
As suposições do modelo são necessárias para capturar adequadamente os aspectos do mundo real dos 9 ATKS que não podem ser recriados na simulação. Os dados fornecem a indisponibilidade do instrutor, mas não a decompõem por motivo. Portanto, a porcentagem de instrutores indisponíveis foi implementada como uma proporção determinística por dia de todo o banco de instrutores.
O clima também inibe a capacidade de concluir o treinamento. Durante a estação chuvosa (julho a setembro), muitos voos programados são concluídos como uma simulação ou cancelados. Em vez de implementar o efeito sazonal do clima, o modelo implementa uma taxa média geral de cancelamento de voos devido ao clima. Essa probabilidade é aplicada simultaneamente a todas as aeronaves.
A manutenção de aeronaves e simuladores também causa atrasos no treinamento. O tempo de inatividade de ambos é capturado com um fator de confiabilidade independente incorporado a cada recurso de equipamento. O tempo de atividade entre as falhas é capturado com uma distribuição uniforme com um tempo de inatividade presumido de um dia.
O curso FIUT é usado para treinar os alunos a se tornarem instrutores dos outros quatro cursos ministrados. Todos os voos necessários para o curso dependem do fluxo do programa de estudos do IQT, pois os alunos do FIUT instruem os alunos do IQT como parte dos requisitos do curso. Esse aspecto do treinamento do FIUT não foi modelado devido à complexidade da situação de treinamento no mundo real. Os atrasos ocorridos devido a essa dependência foram incorporados à tabela de tarefas do curso FIUT para representar o tempo de atraso.
Fonte de dados, entradas de modelo e métricas
Todos os dados usados para a entrada do modelo foram fornecidos pelo 9 ATKS e pelo 16º Esquadrão de Treinamento (16 TRS). O diretor assistente de operações do 16 TRS supervisiona as operações do 9 ATKS e mantém dados históricos sobre o número de alunos que passam pelos cursos e as taxas de disponibilidade de instrutores. O 16 TRS também forneceu taxas de cancelamento de voos devido a problemas climáticos e de manutenção. As informações sobre o número de instrutores e seus conjuntos de habilidades foram fornecidas pelo Diretor de Equipe da 9 ATKS, que orientou a criação das listas de recursos e o número de recursos representativos das operações atuais. As preferências de seleção de instrutores foram fornecidas pelo planejador da 9 ATKS, que também orientou sobre a utilização média de instrutores para tarefas adicionais, ajudando a criar um modelo mais realista. O programador também forneceu o número médio de voos que cada tipo de instrutor realizou semanalmente e a frequência com que os membros devem realizar voos de recertificação.
O foco do estudo foi fornecer informações sobre o número de instrutores necessários para atingir o número desejado de alunos que concluem o treinamento em um determinado período de tempo. Para validação do modelo e análise das operações, foram registrados a utilização da aeronave, a utilização do simulador e a utilização do instrutor. Para fornecer orientação sobre onde os programas de estudos poderiam ser melhorados, o tempo de espera para concluir cada tarefa foi registrado para identificar quais eventos em cada programa de estudos estavam causando atrasos.
Verificação e validação
Durante a construção do modelo, os membros dos 9 ATKS mais familiarizados com as funções do esquadrão foram consultados para confirmar que as representações no modelo eram precisas. A contagem de alunos foi monitorada com uma tela visual durante as execuções de teste, mostrando o número de alunos atualmente no curso e o número de alunos que o concluíram. Isso permitiu verificar se as aulas estavam começando e terminando juntas e se os alunos estavam concluindo com êxito todo o programa de estudos. Além disso, para estabelecer uma linha de base, o número de dias para concluir o programa de estudos foi registrado em condições perfeitas, sem cancelamentos por condições climáticas ou de manutenção e com todos os instrutores disponíveis. O tempo para concluir o programa de estudos para cada turma de alunos correspondeu diretamente à projeção do programa de estudos do Curso de Treinamento de Qualificação e Requalificação Inicial do MQ-9.
O modelo foi validado pela comparação do tempo para concluir cada programa de estudos com os resultados históricos fornecidos. A simulação foi executada com o mesmo número de alunos que historicamente passaram pelos diferentes cursos de treinamento. A simulação completou vinte execuções durante 730 dias. O número médio histórico de dias para concluir cada programa de estudos foi comparado com o número médio de dias necessários para que os alunos simulados concluíssem cada programa de estudos. Um intervalo de confiança modificado de duas amostras-t não indicou diferença significativa entre o tempo médio de conclusão simulado e o tempo histórico de conclusão.
Além disso, o número histórico de alunos que concluíram cada programa de estudos em 2017-2018 foi comparado com o número simulado de alunos que concluíram cada programa de estudos. Com rendimento quase idêntico nos dados simulados e do mundo real em todos os programas de estudo, o modelo foi validado como capturando com precisão as operações atuais.
Experimentos
O 9 ATKS prevê um aumento na demanda por tripulações treinadas de MQ-9 e, portanto, turmas maiores de IQT. Para captar o impacto do aumento do tamanho das turmas no esquadrão, foram realizados experimentos com um intervalo de dez a 18 alunos por turma. Além disso, o 9 ATKS estava interessado em conhecer o impacto no fluxo de alunos com o aumento do número de instrutores, o que levou a um experimento que aumentou os instrutores atuais para 100% dos níveis autorizados, um aumento de até 18 para pilotos e operadores de sensores. Outra alternativa investigada foi o aumento da frequência das aulas. Foi realizado um experimento com a diminuição do intervalo entre as aulas de 50 em 50 dias para 40 e 30 dias. Os níveis dos instrutores foram mantidos constantes e o tamanho das turmas variou de 10 a 18 alunos. Os resultados dos experimentos foram usados.
Análise
Análise de linha de base
Após a validação, as entradas do modelo foram atualizadas para refletir o tamanho típico das turmas da IQT, com sete turmas sendo ministradas anualmente. Vinte réplicas do modelo atualizado, refletindo as operações normais, foram executadas por 730 dias, com os parâmetros de entrada listados na Tabela 3. Os dados de saída foram analisados para determinar as taxas de utilização de recursos. A taxa de utilização geral por tipo de equipamento indica que as aeronaves e os simuladores têm taxas de utilização de 50,2% e 57,9%, respectivamente. Isso indica que a disponibilidade desses recursos em operações normais não é um fator limitante do rendimento dos alunos.
As taxas médias de utilização dos instrutores, por conjunto de habilidades, incluem os 12% do tempo em que eles estão sendo utilizados para tarefas fora da instrução e são visivelmente mais altas do que os recursos da aeronave e do simulador. Os pilotos instrutores qualificados como Supervisor de Operações (TOP 3), Avaliador de Voo de Serviço Adicional/Avaliador de Voo (ADFE/FE), Lançamento e Recuperação (LR) e todas as habilidades avançadas são utilizados mais de 90% do tempo. Os instrutores designados (DI), que são os mais utilizados nos cursos FIUT, têm uma taxa de utilização de quase 86%. Os instrutores qualificados apenas para simuladores são utilizados em 77%. As taxas de utilização dos operadores de sensores são menores do que as taxas de utilização dos pilotos devido ao menor número de tarefas adicionais que eles têm de cumprir. Muitos dos instrutores têm várias qualificações e, portanto, as taxas de utilização não são mutuamente exclusivas.
O efeito de instrutores adicionais sobre o rendimento dos alunos do IQT foi analisado com o incremento de três pilotos e operadores de sensores adicionais de vários conjuntos de habilidades por aumento. Como esperado, o aumento de instrutores proporcionou um número médio maior de alunos concluintes por ano e diminuiu o tempo médio de conclusão do curso. Um intervalo de confiança t pareado foi usado para identificar diferenças significativas no número médio de alunos que concluíram o programa de estudos IQT em um ano e o tempo médio de conclusão. O modelo de linha de base foi analisado em relação a cada aumento de instrutor, bem como a cada comparação em pares entre aumentos de instrutor. Diferenças significativas em relação à linha de base são observadas quando seis ou mais instrutores são adicionados, como mostra a Tabela 4. Os aumentos além de seis instrutores não resultam em um número significativamente maior de alunos que concluem o programa de estudos em um ano, mas reduzem o tempo de conclusão do programa de estudos, enquanto que a adição além de nove não produz nenhuma melhoria adicional no tempo. É razoável supor que a diminuição da melhoria possa ser atribuída ao fato de os instrutores não serem mais o fator limitante do rendimento dos alunos.
Os tempos de espera dos alunos para cada tarefa também foram coletados. Das 72 tarefas do programa de estudos do IQT, 33 tiveram um tempo médio de espera superior a um dia, sendo que 19 são cursos acadêmicos que exigem que toda a turma conclua em conjunto. A tarefa 39 tem o tempo médio de espera mais longo e segue uma série de sete voos, dos quais dois têm a maior taxa de falhas do programa de estudos. A maioria dos atrasos de treinamento ocorre em cursos acadêmicos que exigem que a turma conclua simultaneamente, sendo que os cursos acadêmicos representam 55,1% das esperas experimentadas, enquanto os voos em aeronaves e simuladores representam 24,2% e 20,7% do tempo de espera, respectivamente. A Tabela 5 apresenta a espera média e a mais longa observada para tarefas que excedem a espera média de dois dias.
Em um nível de esforço normal, espera-se que o 9 ATKS produza 120 BCE anualmente. O rendimento anual de BCE, por programa de estudos, na simulação de linha de base está listado na Tabela 6. Em operações normais, com os níveis atuais de mão de obra, o tamanho e a frequência históricos das turmas, a meta de 120 BCE pode ser alcançada.
A 9 ATKS também estava interessada em estimar o rendimento se o apoio da empresa contratada fosse substituído pela tripulação militar. A tripulação atual incluía 15 pilotos contratados e 18 operadores de sensores contratados, dos quais oito e sete, respectivamente, eram certificados apenas para dar instruções nos simuladores. A simulação foi executada por 730 dias com 20 replicações de cada cenário usando apenas os instrutores não contratados. Cada cenário aumentou o número de instrutores pilotos e operadores de sensores em três, até um acréscimo de 24 de cada tipo de instrutor adicionado ao modelo. A partir dessa análise, ficou evidente que a força da contratada tem um impacto sobre o rendimento dos alunos. Um intervalo de confiança de t pareado identificou que seriam necessários de 12 a 15 pilotos militares e operadores de sensores adicionais para atingir um rendimento e tempos de conclusão semelhantes aos atuais, caso a força contratada fosse removida, conforme mostra a Tabela 7.
Experimentos
Com o interesse concentrado em aumentar o rendimento dos alunos no programa de estudos IQT, os dois fatores de resposta que melhor indicam o rendimento dos alunos são o número de alunos que concluem o programa de estudos em um ano e o tempo de conclusão do curso. Dois fatores controláveis que afetam o rendimento dos alunos são as alterações no número de instrutores e no tamanho das turmas. Foi implementado um projeto experimental para identificar os níveis de aumento de instrutores e de tamanho das turmas que teriam o maior impacto sobre o rendimento dos alunos.
A faixa de tamanho das turmas a ser considerada baseou-se em dados históricos e na previsão de tamanho das turmas no futuro. O intervalo para a lotação de instrutores baseou-se nos níveis de lotação permitidos autorizados e variou de nenhum a um aumento de 18 para pilotos e operadores de sensores. Os níveis selecionados para cada fator estão listados abaixo na Tabela 8. Um projeto composto central com pontos axiais na face e um ponto central adicional foi usado para analisar os diferentes níveis de tamanho das turmas de instrutores e alunos.
Dez cenários foram analisados com um modelo completo de segunda ordem usando o JMP. Para satisfazer as pressuposições da superfície de resposta, uma transformação Box-Cox foi aplicada à resposta, o que abordou adequadamente as questões de validade do modelo. As equações (1) e (2) fornecem o modelo de superfície de resposta reduzida em espaço codificado para o número anual de alunos concluintes e o tempo médio para concluir o programa de estudos IQT.
Foram criados mapas de calor com uma série de combinações possíveis para cada equação de previsão. A Figura 2 ilustra que os tempos de conclusão mais curtos são alcançados quando as turmas são menores e mais instrutores são adicionados. O rendimento do aluno é maximizado quando as turmas são maiores, mas não são afetadas drasticamente pelo aumento de instrutores, como mostra a Figura (3).
Para analisar melhor a relação entre o tamanho das turmas, os instrutores, o rendimento dos alunos e o tempo para concluir o programa de estudos do IQT, foi utilizado o recurso complementar OptQuest. O tamanho da turma aumentou em dois, enquanto o aumento de instrutores foi definido em incrementos de três. Cada cenário desenvolvido pelo OptQuest foi executado no mínimo dez vezes para produzir um rendimento médio dos alunos e um tempo de conclusão. Cada objetivo foi otimizado individualmente. Quando maximizado, o rendimento dos alunos foi de 125 em 186,7 dias com 18 instrutores adicionais e turmas de 18 alunos. A minimização do tempo de conclusão produziu 140,6 dias, com 68 alunos concluindo o curso de IQT em um ano. Isso foi obtido com turmas de 10 alunos e 12 instrutores adicionais. Esses resultados foram comparados com o modelo de linha de base de turmas de 16 alunos e nenhum instrutor adicional, com ambas as respostas significativamente diferentes.
Os dois objetivos foram normalizados e igualmente ponderados para o recurso multiobjetivo do OptQuest. Todos os cenários experimentais considerados foram executados e encerrados com um tamanho de classe de 16 alunos e um aumento de 15 instrutores como a solução ideal. Esses valores variáveis produziram um rendimento médio de 116 alunos e um tempo médio de conclusão de 167,3 dias. Nessa solução ideal, o desvio no número de alunos concluintes é de dez alunos em relação à melhor taxa de transferência de 126, enquanto o tempo de conclusão mostra um desvio de 26 dias em relação ao melhor tempo de conclusão de 141,3 dias. As soluções encontradas usando as equações de previsão de superfície de resposta foram semelhantes ao avaliar os objetivos individualmente. No entanto, ao usar o OptQuest, apenas os cenários que podem ser processados pelo modelo são executados, o que limita o espaço de solução a incluir apenas turmas de tamanho igual e a adição de instrutores em incrementos de três.
Durante os esforços de aumento, espera-se que o 9 ATKS produza 140 BCE anualmente. Com os outros quatro cursos mantidos constantes, isso exige que 125 alunos concluam o programa de estudos do IQT no ano. Como visto na Figura 3, essa exigência requer um tamanho de classe de 18 alunos e um aumento de 17 ou 18 instrutores. Com a lotação atual, um aumento no tamanho da turma só conclui uma média de 114 alunos por ano e aumenta a utilização de instrutores em 3%. Dessa forma, foi investigada a exploração da frequência das aulas. Por meio de ajustes na frequência e no tamanho das turmas, foi concluído um projeto de experimentos para identificar os efeitos sobre o rendimento dos alunos. Os níveis de tamanho da turma permaneceram os mesmos da Tabela 8, enquanto os valores codificados para a frequência do curso variaram de 30 a 50 dias. Um projeto composto central com pontos axiais na face e dois pontos centrais foi usado para analisar as diferentes taxas de chegada e o tamanho das turmas de alunos.
Foram analisados modelos de segunda ordem que medem os efeitos sobre o rendimento do aluno e o tempo de conclusão. As equações (3) e (4) fornecem as superfícies de resposta reduzidas no espaço codificado para o rendimento e o tempo de conclusão, respectivamente.
O rendimento dos alunos foi maximizado com uma frequência de aulas de 30 dias e turmas de 14 alunos, resultando em 126 alunos por ano e tempo médio de conclusão de 272,1 dias. O tempo de conclusão foi minimizado com dez alunos chegando a cada 49 dias, resultando em 69 alunos concluindo anualmente e um tempo médio de conclusão de 145 dias. As soluções ideais para ambos os objetivos produziram rendimento médio e tempo de conclusão significativamente diferentes da linha de base. Os mapas de calor, vistos nas Figuras 4 e 5, demonstram a variedade de combinações para o rendimento e o tempo de conclusão. O mais importante é que isso mostra que as alterações na frequência e no tamanho das turmas podem atender ao requisito de aumento de 125 alunos sem nenhum acréscimo de pessoal.
Simulando o rendimento máximo de 126 alunos, alcançado com uma turma de 14 alunos chegando a cada 30 dias, a utilização do piloto e do operador de sensor foi de 94,1% e 77,8%, respectivamente, um aumento de 5,5% e 2,9% em relação às operações de linha de base, mas é capaz de produzir mais 18 tripulações de MQ-9 por ano, em média.
O impacto nos negócios
Conclusões e pesquisas futuras
A análise e os resultados do modelo são valiosos para os tomadores de decisão, pois eles podem precisar ajustar vários fatores para atender à demanda da AF por tripulações de MQ-9. A simulação forneceu com sucesso os meios para analisar as operações do 9 ATKS sem interromper o treinamento em andamento. Com base nos cenários testados na simulação, foram desenvolvidas equações de regressão múltipla que podem ser usadas para fornecer previsões sobre o rendimento dos alunos e o tempo de conclusão do curso. A percepção do sistema do mundo real foi obtida por meio da análise de diferentes aspectos da simulação quando as configurações eram representativas da lotação e das operações atuais. Foram necessárias suposições e simplificações para representar o sistema do mundo real na simulação de eventos discretos e, portanto, os resultados são confiáveis, mas não precisos.
Os níveis atuais de lotação são capazes de exceder a taxa de transferência anual de alunos desejada. No entanto, isso exige a alta utilização dos pilotos mais qualificados. Embora os alunos tenham sofrido atrasos ocasionais devido aos voos do curso na aeronave ou no simulador, os acadêmicos causaram os maiores atrasos, em grande parte devido à exigência de que os alunos concluíssem os eventos acadêmicos em classe.
A análise determinou que o tamanho da turma influenciava mais o rendimento dos alunos do que o número de instrutores. Sem alterações no número de cursos IQT por ano, seria necessário um adicional de 17 a 18 funcionários, tanto para instrutores de pilotos quanto para operadores de sensores, para atingir a meta de 125 alunos IQT concluindo o curso anualmente. Esse aumento de pessoal para 100% dos níveis autorizados seria capaz de atender a uma demanda de 140 BCE. No entanto, isso pode ser atendido sem aumento de pessoal por meio de ajustes no tamanho das turmas e aumentos na frequência de chegada.
Os esforços futuros seriam aprimorados com o aumento da fidelidade do modelo de operações diárias para operações por hora. Isso proporcionaria uma avaliação mais precisa da utilização dos instrutores e permitiria que eles realizassem mais de um evento de voo por dia. Além disso, isso permitiria que cursos acadêmicos individuais fossem modelados usando instrutores específicos para cada aula. Uma coleta de dados maior e contínua sobre as taxas de falha por evento pode proporcionar maior precisão na projeção da conclusão geral dos alunos. Uma coleta de dados mais específica sobre a disponibilidade do instrutor poderia permitir tempos de inatividade individualizados. O impacto da variação das ponderações objetivas poderia ser simulado para fornecer informações sobre a priorização. Além disso, uma distribuição de chegada poderia ser determinada para uso no modelo, a fim de capturar com mais precisão a variação nas chegadas às aulas.
Isenção de responsabilidade
As opiniões expressas neste artigo são de responsabilidade dos autores e não refletem a política ou a posição oficial da Força Aérea dos Estados Unidos, do Departamento de Defesa ou do governo dos EUA.
Biografias dos autores
THOMAS TALAFUSE é professor assistente de Pesquisa Operacional no Departamento de Ciências Operacionais do Instituto de Tecnologia da Força Aérea e tem doutorado em Engenharia Industrial pela Universidade de Arkansas. Seus interesses de pesquisa incluem confiabilidade, análise de risco e estatística aplicada. Seu endereço de e-mail étom.talafuse@gmail.com.
LANCE CHAMPAGNE é bacharel em Engenharia Biomédica pela Tulane University, mestre em Pesquisa Operacional e doutor em Pesquisa Operacional pelo Air Force Institute of Technology (AFIT). É professor assistente de Pesquisa Operacional no Departamento de Ciências Operacionais do Air Force Institute of Technology, com interesses de pesquisa que incluem simulação baseada em agentes, modelagem de combate e técnicas de análise multivariada. Seu endereço de e-mail élance.champagne@afit.edu.
ERIKA GILTS é analista de pesquisa operacional na ativa da Força Aérea dos Estados Unidos, lotada na Base Aérea de Ramstein, Alemanha. Ela é bacharel em Educação Matemática pela Anderson University e mestre em Pesquisa Operacional pelo Air Force Institute of Technology. Seus interesses de pesquisa incluem modelagem e simulação, análise de operações militares, mineração de texto e estatística aplicada. Seu endereço de e-mail éerika.gilts@gmail.com.
Referências
April, J., F. Glover, J. P. Kelly e M. Laguna. 2003. "Practical Introduction to Simulation Optimization" (Introdução prática à otimização de simulação). Em Proceedings of the 2003 Winter Simulation Conference, editado por S. Chick, P. Sanchez, D. Ferrin e D. Morrice, 71 - 78. Piscataway, NJ: Institute of Electrical and Electronics Engineers, Inc.
Banks, J., J. S. Carson, B. L. Nelson e N. M. David. 2010. Discrete-Event System Simulation (Simulação de sistemas de eventos discretos). Quinta edição. Upper Saddle River, Nova Jersey: Pearson Education, Inc.
Billionnet, A. 1999, 4. "Integer Programming to Schedule a Hierarchical Workforce with Variable Demands" (Programação inteira para programar uma força de trabalho hierárquica com demandas variáveis). European Journal of Operational Research 114(1):105-114.
Departamento da Força Aérea 2018. Curso de treinamento de qualificação e requalificação inicial do MQ-9. Base Conjunta Langley-Eustis, Virgínia: Quartel-general do Comando de Combate Aéreo.
Ghalwash, M. F., X. H. Cao, I. Stojkovic e Z. Obradovic. 2016. "Structured Feature Selection Using Coordinate Descent Optimization" (Seleção de características estruturadas usando otimização por descida de coordenadas). BMC Bioinformatics 1(17):158-172.
Jun, J. B., S. H. Jacobson e 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. e J. Wan. 2007. "Optimization of Simulated Systems: OptQuest and Alternatives". Simulation Modelling Practice and Theory 15:354-362.
Kumar, A. P. e R. Kapur. 1989. "Discrete Simulation Application - Scheduling Staff for the Emergency Room" (Aplicativo de simulação discreta - agendamento de equipe para o pronto-socorro). Em Proceedings of the 1989 Winter Simulation Conference, editado por E. MacNair, K. Musselman e P. Heidelberger, 1112-1120. Nova York, NY: Association for Computing Machinery.
Prochaska, K. e R. M. Thiesing. 2008. "Introduction to Simio". Em Proceedings of the 2008 Winter Simulation Conference, editado por S. Mason, R. Hill, L. Monch, O. Rose, T. Jefferson e J. Fowler, 229-235. Miami, FL: Instituto de Engenheiros Elétricos e Eletrônicos, Inc.
Ryan, D. e B. Foster. 1981. "An Integer Programming Approach to Scheduling". Em Computer Scheduling of Public Transport, editado por A. Wren, 269-280. North-Holland Publishing Company.
Seguin, R. e C. Hunter. 2013. "2 Canadian Forces Flying Training School Resource Allocation Simulation Tool". Em Proceedings of the 2013 Winter Simulation Conference, editado por R. Pasupathy, S. Kim, A. Tolk, R. Hill e M. Kuhl, 2866-2877. Washington DC: Instituto de Engenheiros Elétricos e Eletrônicos, Inc.
Sepulveda, J. A., W. J. Thompson, F. F. Baesler e M. I. Alvarez. 1999. "The Use of Simulation for Process Improvement in a Cancer Treatment Center" (O uso da simulação para melhoria de processos em um centro de tratamento de câncer). Em Proceedings of the 1999 Winter Simulation Conference, editado por P. Farrington, H. Nembhard, D. Sturrock e G. Evans, 1541-1548. Piscataway, NJ: Institute of Electrical and Electronics Engineers, Inc.
Winston, W. 2004. Operations Research:Applications and Algorithms [Pesquisa Operacional: Aplicativos e Algoritmos]. Belmont, CA: Brooks/Cole.