1. Introdução
Este documento descreve o sistema de modelagem Simio, que oferece uma estrutura de modelagem de simulação baseada em objetos inteligentes para otimizar o projeto e a operação de sistemas complexos. Historicamente, as ferramentas de simulação têm se concentrado no projeto do sistema; no entanto, o Simio foi projetado desde o início com foco no projeto e na operação do sistema. Isso exigiu uma mudança de paradigma na forma como os modelos são projetados e usados e foi a força motriz por trás da arquitetura de modelagem exclusiva do Simio.
Nos últimos anos, o termo "Digital Twin" tornou-se popular para descrever o uso de um modelo de simulação conectado a dados em tempo real e empregado em um ambiente operacional. Embora muitas ferramentas se posicionem como um gêmeo digital de processo, há desafios significativos na implementação, e as ferramentas de simulação legadas não foram projetadas para enfrentar esses desafios. Neste documento, o foco será nos recursos exclusivos do Simio que abordam esses desafios para apoiar a criação de um gêmeo digital de processo adaptativo inteligente, conforme mostrado no gráfico abaixo.
Figura 1: O gêmeo digital de processo adaptativo inteligente do Simio
A figura a seguir resume a distinção entre uma sombra digital, um modelo virtual e um gêmeo digital. No caso de um Digital Shadow, não há modelo de simulação do sistema, mas a coleta automatizada de dados está em vigor e a análise, como regressão estatística ou IA, pode ser aplicada para identificar padrões e prever eventos, como a quebra de uma máquina, permitindo que os problemas sejam resolvidos antes que ocorram. Isso só funciona quando não há mudanças fundamentais no sistema, pois os dados históricos estão sendo usados para prever o futuro. No caso de um Modelo Virtual, é criado um modelo de simulação do sistema que pode ser alimentado manualmente com dados representativos e executado off-line. Isso facilita a análise de decisões de projeto, como a compra de novos equipamentos ou a introdução de um novo produto. Diferentemente da Sombra Digital, o Modelo Virtual é voltado para o futuro e permite a análise do impacto das mudanças no sistema. Esse tem sido o uso tradicional da modelagem de simulação ao longo das décadas. No caso do Digital Twin, o modelo de simulação é estendido às operações diárias, conectando diretamente o modelo ao status do sistema em tempo real. Isso permite que a simulação se antecipe no tempo para visualizar e corrigir problemas operacionais no sistema real, como pedidos atrasados, antes que eles ocorram.
Figura 2: Cenários de transformação digital
Com o Simio, o foco está no uso de um modelo de simulação como Modelo Virtual para o projeto do sistema, bem como na extensão desse modelo para fornecer um processo Digital Twin. Muitas organizações estão conduzindo uma agenda de transformação digital que inclui aplicativos de projeto tradicionais usando um Modelo Virtual, bem como o uso operacional do modelo no planejamento e na programação. Dependendo da maturidade digital da organização, os usuários podem estar em diferentes pontos ao longo da jornada de transformação digital, conforme ilustrado abaixo.
Muitas organizações estão fazendo uso eficaz de um Modelo Virtual para prever o desempenho e otimizar o projeto do sistema; no entanto, poucas organizações dominaram totalmente a transição para um Gêmeo Digital operacional que otimiza automaticamente as operações diárias. Mesmo que o foco intermediário seja o uso de um modelo virtual para aplicativos tradicionais de simulação de projeto, o Simio oferece uma plataforma avançada para criar e experimentar modelos de projeto e, ao mesmo tempo, posiciona os usuários para a expansão para um gêmeo digital totalmente conectado no futuro. O Simio foi projetado para dar suporte a todo o continuum design-operação.
Figura 3: O continuum digital
À medida que os usuários passam do Modelo Virtual para projeto para o Gêmeo Digital totalmente conectado para uso operacional, há vários desafios importantes que devem ser enfrentados:
- Os modelos operacionais geralmente exigem uma modelagem complexa de recursos, materiais e lógica comercial que restringe os fluxos de processos - caso contrário, os cronogramas resultantes não são acionáveis no sistema real. Isso impõe demandas adicionais à lógica e à flexibilidade da modelagem em comparação com os aplicativos de projeto tradicionais.
- O modelo deve ser centrado nos dados, em que tanto a estrutura do modelo quanto os dados do modelo são definidos em fontes de dados externas. Os dados devem ser facilmente acessados com conexões diretas com o ERP, MES, IoT, serviços da Web etc. Os dados do modelo também devem ser mantidos na memória para uma execução rápida.
- As ferramentas de simulação tradicionais fornecem estatísticas resumidas; no entanto, os modelos operacionais exigem relatórios detalhados que rastreiam trabalhos individuais, recursos, materiais etc. e exibem os resultados em gráficos de Gantt e painéis habilitados para a Web, projetados e adaptados a diferentes partes interessadas.
- Muitas ferramentas tradicionais de design de simulação são projetadas para uso no desktop, enquanto um processo Digital Twin pode ser implantado em toda a empresa em uma nuvem privada ou pública.
- A lógica de decisão incorporada ao modelo de simulação impulsiona o desempenho do sistema. É fundamental que a ferramenta de modelagem ofereça suporte à lógica de decisão avançada, que pode incluir algoritmos de aprendizado de máquina para gerenciar o fluxo de trabalho e otimizar o cronograma.
- Uma programação de produção gerada pelo Digital Twin deve usar tempos de processamento determinísticos e eliminar eventos aleatórios, como falhas. No entanto, isso resulta em um cronograma excessivamente otimista que geralmente se degrada à medida que ocorrem eventos inesperados no sistema real. Portanto, é necessário um mecanismo para avaliar o risco de um cronograma determinístico gerado por um gêmeo digital usando a aleatoriedade na avaliação de risco.
Embora muitos desses requisitos funcionais sejam essenciais para os aplicativos do Digital Twin, eles também são muito úteis em aplicativos de projeto tradicionais. Nas seções a seguir, é descrita a abordagem exclusiva do Simio para lidar com esses desafios importantes.
2. Estrutura de objetos para modelagem complexa
O Simio é uma estrutura de modelagem de simulação baseada em bibliotecas de objetos inteligentes. Um modelador iniciante pode preferir usar objetos pré-construídos das bibliotecas do Simio; no entanto, o sistema foi projetado para facilitar até mesmo aos modeladores iniciantes a criação de seus próprios objetos inteligentes para uso na criação de modelos hierárquicos. Os objetos inteligentes personalizados podem ser criados pelos modeladores e reutilizados em vários projetos de modelagem. Esses objetos podem ser armazenados em bibliotecas e facilmente compartilhados. A flexibilidade e a facilidade de criar objetos personalizados são essenciais para a criação de modelos de gêmeos digitais que podem ser rapidamente adaptados a aplicativos complexos e são uma das principais vantagens do Simio em relação aos produtos de simulação legados.
Um objeto do Simio pode representar uma máquina, um robô, um avião, um cliente, um médico, um tanque, um ônibus, um navio ou qualquer outro item que possa ser encontrado em um sistema. Um modelo é criado pela combinação de objetos que representam os componentes físicos do sistema. Um objeto é animado em 3D para refletir o estado de mudança do objeto. Por exemplo, uma empilhadeira levanta e abaixa sua plataforma, um trabalhador caminha até um local ou carrega itens entre locais, e um robô abre e fecha sua garra. O modelo 3D animado fornece uma imagem em movimento do sistema em operação. Os recursos detalhados de 3D, GIS e VR do Simio (usando o fone de ouvido Oculus) proporcionam uma visualização poderosa do processo para validar o comportamento do modelo e demonstrar a capacidade.
Figura 4: Visualização da animação do gêmeo digital do Simio
Os objetos no Simio são criados usando conceitos orientados a objetos. No entanto, diferentemente de outros sistemas de simulação orientados a objetos, o processo de construção de um objeto no Simio é simples e totalmente gráfico. Não há necessidade de escrever código de programação para criar novos objetos. A atividade de construção de um objeto no Simio é idêntica à atividade de construção de um modelo - na verdade, não há diferença entre um objeto e um modelo. Esse conceito é chamado de princípio de equivalência e é fundamental para o design do Simio. Sempre que um usuário constrói um modelo, ele é um objeto que pode ser instanciado em outro modelo. Por exemplo, se duas máquinas e um robô forem combinados em um modelo de uma célula de trabalho, o modelo da célula de trabalho é um objeto que pode ser colocado inúmeras vezes em outros modelos. A célula de trabalho é um objeto, assim como as máquinas e os robôs são objetos. Todo modelo criado no Simio é automaticamente um bloco de construção que pode ser usado na criação de modelos de nível superior.
A estrutura de objetos do Simio foi criada com base nos mesmos princípios básicos das linguagens de programação orientada a objetos (OOP); no entanto, esses princípios são aplicados em uma estrutura de modelagem, e não de programação. O Simio não é simplesmente um conjunto de classes disponíveis em uma linguagem OOP, como Java ou C++, que são úteis para a criação de modelos de simulação. O Simio é uma estrutura de modelagem gráfica sem código, projetada com base em princípios básicos orientados a objetos, para dar suporte à construção de modelos de simulação. Por exemplo, quando um objeto, como uma "máquina", é criado no Simio, o princípio da herança permite a criação de uma nova classe de máquinas que herda o comportamento básico de uma "máquina", mas esse comportamento pode ser modificado (substituído) e estendido. Enquanto em uma linguagem de programação o comportamento pode ser estendido ou substituído pela escrita de métodos em uma linguagem de programação, no Simio o comportamento do objeto é alterado pela adição e/ou modificação de modelos de processos definidos graficamente. Com o Simio, as habilidades necessárias para definir e adicionar novos objetos ao sistema são habilidades de modelagem, não de programação.
A estrutura de modelagem orientada a objetos do Simio facilita a criação de modelos de aplicativos que dão início à criação de modelos. Um modelo é uma biblioteca de objetos personalizados, juntamente com esquemas de dados e relatórios personalizados, que se concentram em uma área de aplicação específica. O Simio fornece modelos para a modelagem de processos e armazéns comuns de manufatura discreta e em lote, e os usuários podem expandir esses objetos e/ou criar seus próprios objetos e modelos para uso em sua empresa.
O conjunto básico de recursos de modelagem do Simio para definir o comportamento do objeto, juntamente com o design gráfico orientado a objetos do Simio, é fundamental para facilitar a criação de objetos personalizados direcionados a aplicativos específicos. O Simio possui recursos avançados de modelagem para capturar recursos complexos, bem como restrições de material e lógica comercial em sistemas típicos de produção, armazenamento e entrega. Por exemplo, qualquer atraso no processamento pode ser modelado diretamente como uma rede de ação de tarefas paralelas e/ou sequenciais, cada uma exigindo seu próprio conjunto de materiais e recursos. Cada tarefa na rede de ação também pode ter um tempo de processamento dependente da sequência com base em vários atributos, como cor, tamanho, etc., e os tempos das tarefas podem ser ajustados com base nas curvas de aprendizado dos trabalhadores designados para a tarefa. Da mesma forma, os movimentos de veículos em um depósito podem empregar os recursos de gerenciamento de frota do Simio para planejar automaticamente as viagens e evitar impasses em caminhos bidirecionais na rede de transporte.
Um novo e importante recurso de modelagem recentemente adicionado ao Simio inclui recursos para a implementação do Demand Driven Material Requirements Planning (DDMRP) para reposição de estoque. Usando os princípios estabelecidos pelo Demand Driven Institute para otimizar a produção, essa metodologia é importante para modelar o posicionamento ideal do estoque dentro da fábrica e em toda a cadeia de suprimentos. O Simio é o único produto de simulação do Digital Twin certificado como software compatível pelo Demand Driven Institute.
3. Projeto centrado em dados
No passado, os modelos de simulação eram construídos arrastando e soltando objetos em um modelo e, em seguida, preenchendo diretamente os objetos com dados. Por exemplo, um modelo simples no Simio pode ser criado colocando-se graficamente uma Fonte, um Servidor e um Sumidouro na visualização Facility do modelo e inserindo-se o tempo de inter-chegada da Fonte e o tempo de processamento do Servidor. Com alguns cliques do mouse e pressionamentos de teclas, é criado um modelo em execução de um sistema de servidor simples. Uma abordagem semelhante é usada por muitos produtos de simulação.
Embora essa abordagem de modelagem seja boa para modelos simples, a estrutura centrada em dados do Simio oferece uma opção superior para modelos grandes. Com modelos mais extensos, a melhor prática é usar tabelas de dados para definir os objetos colocados no modelo. Posteriormente, o Simio pode gerar automaticamente o modelo com base na descrição dos dados fornecidos. As tabelas de dados especificam os objetos a serem incorporados no modelo, juntamente com seus valores de dados associados. Essa abordagem é particularmente útil em aplicativos em que várias instalações semelhantes estão sendo modeladas, permitindo que cada modelo seja definido e gerenciado por meio de tabelas de dados. Observe que isso transforma o problema de uma atividade de construção de modelo em uma atividade de configuração de modelo. Uma nova máquina pode ser adicionada a um modelo simplesmente acrescentando uma nova linha de dados à tabela de dados apropriada.
O termo gerado por dados é usado para se referir a modelos que são criados automaticamente a partir de um conjunto de dados. O termo orientado por dados é usado para se referir a modelos que fornecem seus dados aos objetos de modelagem usando um conjunto de dados. Um modelo pode ser orientado por dados, mas construído manualmente usando arrastar e soltar, ou pode ser tanto gerado quanto orientado por dados.
Em muitos casos, os dados que orientam um modelo são relacionais, em que uma linha em uma tabela é mapeada para várias linhas em outras tabelas. Por exemplo, uma tabela de pedidos de vendas pode ser mapeada para várias linhas que definem os produtos que compõem o pedido de vendas. O Simio oferece suporte total a tabelas de dados relacionais com colunas-chave e referências de chave estrangeira. Os conjuntos de dados no Simio têm um esquema totalmente flexível e podem ser totalmente configurados pelo modelador. Os usuários podem adicionar/excluir/editar colunas, chaves e referências de chaves estrangeiras. As colunas em uma tabela são fortemente tipadas e incluem valores numéricos e não numéricos.
A abordagem de modelagem gerada e orientada por dados é particularmente eficaz quando usada em conjunto com uma biblioteca de aplicativos personalizada, que contém tabelas e objetos de dados predefinidos, focados no aplicativo específico, juntamente com mapeamentos de dados para conexão com as colunas apropriadas da tabela que fornecem os dados relevantes para o objeto. Um modelador experiente pode criar um modelo específico de aplicativo que é preenchido por outros para criar e manter automaticamente seus modelos por meio de dados. Esse é um dos motivos pelos quais a abordagem gráfica do Simio para definições de objetos (sem programação) é importante para a implementação bem-sucedida de modelos gerados e orientados por dados.
Outro aspecto importante da estrutura centrada em dados do Simio é o mapeamento de tabelas de dados relacionais para objetos de modelagem do Simio. O Simio fornece um grupo hierárquico repetido de propriedades de objetos que podem ser mapeados diretamente para tabelas de dados relacionais. Esse conceito exclusivo e central do Simio facilita o mapeamento das propriedades do modelo para os dados necessários.
Como os dados usados para gerar ou conduzir um modelo geralmente estão em sistemas de terceiros, como ERP, MES, IoT, Excel, CSV ou serviços da Web, o Simio oferece conectores diretos para importação e exportação para essas fontes de dados comuns. Além disso, o Simio fornece uma estrutura para o desenvolvimento de novos conectores de dados. Esses conectores de dados são usados para extrair dados de várias fontes de dados e para os conjuntos de dados relacionais na memória do Simio para acesso rápido pelo modelo. O uso do conjunto de dados relacionais na memória do Simio é essencial para apoiar a execução e a manutenção rápidas do modelo Digital Twin.
4. Experimentação, otimização e relatórios
O objetivo de um modelo de simulação é prever o desempenho de um sistema novo ou existente. No caso de aplicativos de projeto, geralmente são avaliadas as alterações propostas em um sistema existente ou as opções de projeto para um novo sistema que ainda não existe. No caso de um processo operacional Digital Twin, o usuário pode estar interessado em prever o desempenho operacional ou, no caso de um cronograma de produção, prescrever ou orquestrar ações a serem tomadas no sistema real.
A estrutura do Simio Digital Twin faz distinção entre o conceito de uma execução de simulação com processos aleatórios e eventos aleatórios ativados e uma execução de plano em que as durações de tempo recebem seu valor esperado e todos os eventos aleatórios são desativados. Portanto, uma execução de plano é determinística e repetível, enquanto uma execução de simulação produz resultados diferentes para cada replicação do modelo. Uma simulação ou execução de plano também pode ser executada em tempo real para dar suporte à integração e à orquestração em tempo real de um sistema externo.
Os recursos de experimentação e relatório do Simio permitem a definição de cenários específicos para executar simulações e, em seguida, comparar os resultados entre os cenários. Cada cenário define o valor de uma ou mais entradas alteráveis (como o tamanho do buffer na frente de cada estação de trabalho) e uma ou mais variáveis de resposta (por exemplo, o tempo médio de conclusão de um pedido). O Simio também oferece o otimizador OptQuest, que varia automaticamente as entradas do cenário para minimizar ou maximizar uma função objetiva especificada. A experimentação pode ser feita como parte do projeto do sistema ou off-line como parte das operações do sistema. A seguir, mostramos um experimento que compara cenários usando gráficos SMORE, que representam graficamente a média, o intervalo de confiança para a média, os valores de percentil superior e inferior e o intervalo de cada variável de resposta.
Figura 5: Resultados do experimento - Gráficos SMORE
No caso de aplicativos de design, são fornecidas estatísticas resumidas, como a produção média diária ou o tempo de espera médio/máximo para os clientes que visitam uma clínica médica. O Simio oferece um rico conjunto de recursos para registrar e exibir estatísticas resumidas sobre o desempenho do sistema, incluindo intervalos de confiança e procedimentos automatizados de classificação e seleção.
No caso de operações com um processo Digital Twin, os usuários geralmente estão interessados nos resultados detalhados de itens individuais, como uma ordem de produção, uma máquina ou um funcionário. Portanto, além das estatísticas resumidas, o Simio também registra informações detalhadas em logs de dados que podem ser usados na geração de relatórios. Por exemplo, as alterações que ocorrem em cada material e os trabalhos que são processados em cada recurso são registrados e podem ser usados em relatórios e painéis personalizados.
Os resultados do Simio podem ser exibidos em vários formatos internos diferentes e exportados para ferramentas externas de geração de relatórios, como Tableau, Power BI e Excel. Um formato interno poderoso são os painéis personalizáveis do Simio, que podem ser visualizados tanto no desktop quanto em um navegador da Web usando o Portal do Simio. Veja a seguir um exemplo de painel do Simio.
Figura 6: Exemplo de painel de resultados dinâmicos
No caso de aplicativos de planejamento e programação de produção, o Simio oferece duas exibições diferentes do tipo gráfico de Gantt que são particularmente úteis. O primeiro é um Gantt de recursos que exibe o status do recurso ao longo de uma linha do tempo para cada recurso habilitado. Qualquer linha do Gantt de recursos pode ser expandida para mostrar cada entidade/ordem sendo processada nesse recurso. O gráfico de Gantt de Entidades mostra cada entidade/ordem ativa no sistema exibida em cada recurso que ela utiliza durante o processamento.
O gráfico de Gantt de Entidades também mostra medidas de risco para cada trabalho com base em replicações estocásticas do cronograma em termos da probabilidade de o pedido ser enviado no prazo, dada a variabilidade subjacente no sistema. Cada linha no Gantt de Entidades pode ser expandida para exibir graficamente todas as restrições que atrasaram a entidade, por exemplo, operadores ocupados, materiais indisponíveis ou outras restrições, fornecendo uma análise da causa raiz para trabalhos atrasados. A seguir, uma amostra de um Gantt de entidade.
Figura 7: Exemplo de gráfico de Gantt mostrando tarefas detalhadas
O Simio facilita a alternância entre os Gantts de recursos e os Gantts de entidades. Ao clicar com o botão direito do mouse em qualquer entidade/recurso no gráfico de Gantt, é possível correr até esse ponto no tempo simulado na animação 3D do sistema, passando para a animação gráfica do estado do sistema nesse ponto do cronograma.
5. Lógica de decisão inteligente
À medida que os modelos de simulação passam de aplicativos de projeto preditivos para gêmeos digitais operacionais prescritivos, a lógica de decisão precisa no modelo se torna mais importante, pois ela impulsiona o desempenho do modelo e, portanto, do sistema real. Embora a lógica de decisão personalizada possa produzir bons resultados, o uso de redes neurais é o padrão ouro, pois elas podem considerar muito mais entradas e interações complexas para otimizar melhor o desempenho do sistema.
Com o Simio, a lógica de decisão de modelos complexos pode ser substituída por redes neurais autotreinadas. As redes neurais fornecem uma lógica de decisão complexa no modelo e, em troca, o modelo gera os dados sintéticos necessários para treinar as redes neurais. Isso permite que os usuários simplifiquem a lógica de decisão do modelo, o que torna os modelos mais fáceis de criar, entender, depurar e manter. Com as redes neurais, o foco pode ser a modelagem dos componentes do sistema, permitindo que as redes neurais aprendam as relações complexas para otimizar a tomada de decisões dentro do modelo.
O Simio é o primeiro e único software de simulação de eventos discretos a oferecer recursos abrangentes de IA para a criação e o treinamento automático de redes neurais em um modelo, sem a necessidade de programação ou de integração com ferramentas externas de terceiros.
Um dos principais desafios da IA é ter os dados de treinamento rotulados necessários e, como resultado, muitos aplicativos de IA falham. Os dados de treinamento rotulados nunca estão disponíveis ao avaliar um novo sistema e, mesmo em casos com instalações existentes, todos os dados registrados tornam-se inválidos quando uma nova peça ou alteração no fluxo é introduzida no sistema. É por isso que o rotulador automático integrado do Simio para criar dados de treinamento sintéticos é fundamental para o sucesso de um aplicativo de modelagem inteligente.
O Simio também oferece algoritmos de treinamento integrados para treinar redes neurais usando dados sintéticos gerados por um modelo. Portanto, o Simio oferece uma solução completa para a incorporação de redes neurais em modelos de simulação.
Os recursos de IA do Simio são particularmente úteis em aplicativos Digital Twin de planejamento de produção, em que a rede neural pode ser treinada para prever KPIs críticos, como o lead time de produção que muda dinamicamente para uma fábrica ou linha de produção dentro de uma fábrica. A rede neural aprende o impacto de trocas, recursos secundários, regras de negócios e outras complexidades de produção que afetam a previsão dos KPIs. O gêmeo digital inteligente pode capturar relações complexas que, de outra forma, seriam impossíveis de incluir em um modelo. As previsões de KPIs da rede neural podem então ser usadas para otimizar melhor as decisões dentro da fábrica e em toda a cadeia de suprimentos. Dentro da cadeia de suprimentos, a rede neural pode ser usada para a decisão crítica de sourcing de fornecedores, prevendo o tempo de produção de cada fornecedor candidato e selecionando o produtor de menor custo que pode concluir o pedido no prazo. O Digital Twin baseado em IA para o sourcing de fábricas dentro da cadeia de suprimentos elimina a necessidade de um software de programação mestre de produção que emprega um modelo de capacidade de corte grosseiro, mas ignora as restrições de produção, como trocas, assume lead times fixos independentemente do carregamento da fábrica e programa em intervalos de tempo artificiais usando um algoritmo heurístico. Isso resulta em programações grosseiras e não acionáveis que levam muitas horas de tempo de computador para serem produzidas e não se alinham com as programações detalhadas da fábrica.
Os recursos de IA incorporados do Simio oferecem suporte à definição, ao treinamento e ao uso da rede neural clássica de regressão feed forward. No entanto, os usuários não estão limitados a esse algoritmo de aprendizado de máquina, pois qualquer modelo de regressão de aprendizado de máquina de mais de 50 terceiros, incluindo Google e Microsoft, que suportam o formato de troca de modelos ONNX, pode ser importado e usado no Simio. Os usuários podem criar e treinar modelos em ferramentas de terceiros e depois importá-los para o Simio para tomar decisões complexas em um modelo.
Figura 8: Uso de modelos ONNX de terceiros
6. Implementação corporativa
Tradicionalmente, os aplicativos de design de simulação são implantados no desktop. Embora o ambiente de desktop ofereça uma interface de usuário geralmente mais rica para a fase de criação de modelos de um projeto, a implantação de aplicativos empresariais com vários usuários simultâneos com diferentes funções e permissões de dados exige um ambiente mais seguro/robusto. Embora o Simio desktop continue sendo a melhor opção para o desenvolvimento de modelos, o Portal do Simio oferece uma solução melhor tanto para a experimentação quanto para a execução e visualização de resultados e planos operacionais.
O Simio Portal democratiza a simulação e o agendamento de resultados pela Web para usuários de toda a empresa. Os modeladores podem gerenciar usuários e atribuir funções que limitam seu acesso a modelos e dados. O Simio Portal pode ser hospedado em um data center local ou no respectivo locatário de nuvem do Azure, AWS ou Google, permitindo que os usuários criem e executem experimentos de simulação e planos de agendamento com velocidade incomparável. Os modelos podem ser criados usando o Simio para desktop e, em seguida, implantados com perfeição no Simio Portal.
Figura 9: Implantação do Simio na nuvem
7. Resumo
O Simio oferece uma estrutura de modelagem de simulação baseada em objetos inteligentes para otimizar o projeto e a operação de sistemas complexos. Os principais recursos do Simio que dão suporte ao design até a operação incluem a arquitetura de modelagem orientada a objetos sem código, a estrutura centrada em dados para dar suporte a modelos orientados por dados e gerados por dados, recursos de relatórios e experimentação de simulação e agendamento, redes neurais para otimizar decisões e opções de implantação corporativa para experimentação e agendamento em nuvens públicas e privadas. O Simio oferece uma plataforma de simulação abrangente para uma jornada completa de transformação digital.