Modelagem probabilística para rastreabilidade em cadeias produtivas

Abstract

RESUMO: Este estudo investiga o uso de modelos probabilísticos para aprimorar a rastreabilidade em cadeias produtivas complexas, com foco na modelagem de incertezas e no suporte à tomada de decisão em cenários de eventos adversos, como contaminações. Inicialmente, é proposta e aplicada uma abordagem baseada no Teorema de Bayes e em Cadeias de Markov para realizar rastreabilidade direta e reversa em uma cadeia produtiva alimentícia real, permitindo a reconstrução probabilística dos fluxos de materiais e a identificação de fontes potenciais de contaminação. Os resultados demonstram que a abordagem probabilística é capaz de representar adequadamente a dinâmica de mistura e recombinação de lotes, fornecendo não apenas a identificação de fontes prováveis, mas também a quantificação explícita da incerteza associada à inferência. Em seguida, o estudo avança ao propor uma extensão metodológica para cenários com múltiplas fontes simultâneas de contaminação, incorporando a modelagem probabilística da propagação por meio de funções dose-resposta não lineares, simulação Monte Carlo e algoritmos de inferência baseados na detecção de padrões estruturais e similaridade entre cenários observados e simulados. Os resultados indicam elevada capacidade de detecção de contaminação, boa performance na distinção entre cenários de fonte única e duas fontes e alta eficiência na identificação das origens, reduzindo significativamente o número de hipóteses a serem investigadas na prática. Do ponto de vista teórico, o trabalho contribui ao integrar probabilidade condicional, cadeias de Markov e modelagem de mistura multiperíodo em um único arcabouço, posicionando o problema de rastreabilidade como um problema inverso estocástico em redes produtivas. Sob a ótica prática, a abordagem proposta oferece suporte à tomada de decisão em contextos industriais, permitindo priorização de investigações, redução de custos e maior eficiência em processos de rastreabilidade e recall.

ABSTRACT: This study investigates the use of probabilistic models to enhance traceability in complex production chains, with a focus on uncertainty modeling and decision support in adverse event scenarios such as contamination. Initially, a methodology based on Bayes' Theorem and Markov Chains is proposed and applied to perform forward and backward traceability in a real food production chain, enabling the probabilistic reconstruction of material flows and the identification of potential contamination sources. The results show that the probabilistic approach effectively captures the dynamics of mixing and recombination of batches, providing not only the identification of likely sources but also an explicit quantification of the uncertainty associated with the inference. Subsequently, the study advances by proposing a methodological extension for scenarios involving multiple simultaneous contamination sources, incorporating probabilistic propagation modeling through nonlinear dose-response functions, Monte Carlo simulation, and inference algorithms based on structural pattern detection and similarity between observed and simulated scenarios. The results indicate high contamination detection capability, good performance in distinguishing between single-source and multiple-source scenarios, and high efficiency in identifying contamination origins, significantly reducing the number of hypotheses to be investigated in practice. From a theoretical perspective, the work contributes by integrating Bayesian inference, Markov Chains, and multi-period mixing modeling into a unified framework, positioning traceability as an inverse stochastic problem in production networks. From a practical standpoint, the proposed approach supports industrial decision-making by enabling prioritization of investigations, cost reduction, and improved efficiency in traceability and recall processes.