Inclui @vitorcesavc nos autores (README e docs/authors.md)

Co-Authored-By: Claude Sonnet 4.6 <noreply@anthropic.com>
Documenta historico v1/v2/v3 no README com fases, limitacoes e nomenclatura
2026-06-17 18:03:31 -03:00 · 2026-06-16 11:14:57 -03:00 · 2026-06-16 11:11:23 -03:00 · 2026-06-16 11:09:24 -03:00 · 2026-06-16 09:39:30 -03:00 · 2026-06-16 09:34:14 -03:00
19 changed files with 6468 additions and 39 deletions
--- a/.gitignore
+++ b/.gitignore
@@ -9,6 +9,7 @@ Desktop.ini
 # Local editor folders
 .vscode/
 .idea/
 .claude/
 # Python cache
 __pycache__/
--- a/HANDOFF_arara_oamrp.md
+++ b/HANDOFF_arara_oamrp.md
@@ -0,0 +1,119 @@
 # HANDOFF — ARARA OAMRP (Aircraft Routing C-105 / FAB)
 > Documento de transferência para o **Claude Code**.
 > Projeto local: `arara_oamrp/`. Cole/abra este arquivo no Claude Code e siga as instruções de leitura antes de validar a formulação e gerar código.
 ---
 ## 0. Enquadramento do problema
 Modelo de **Aircraft Routing** para o Esquadrão ARARA (C-105), no estilo **OAMRP** (Al-Thani et al., 2016): sequenciamento **compacto** em **rede espaço-tempo**.
 **NÃO** é Set Partitioning + Column Generation (modelo civil Bazargan). Desvios deliberados em relação ao caso civil:
 1. **Cobertura ≤ 1** (seleção de missões), não particionamento `= 1`.
 2. **Objetivo de maximização** de cobertura ponderada por prioridade, não minimização de custo.
 3. Possibilidade de subconjunto de missões **obrigatórias (hard)**.
 **Stack:** Python + PuLP (CBC para começar) → HiGHS como evolução.
 ---
 ## 1. Calibração confirmada (respostas do Vitor)
 | Item | Decisão |
 |---|---|
 | Frota | **4 aeronaves**, homogêneas (mesmo LRT, mesma performance) |
 | Horizonte | **1 mês** |
 | Discretização | **Estilo OAMRP** — eventos de voo com horários explícitos |
 | TAT (turnaround) | **01h30** |
 | Base de inspeção | Apenas **SBMN** (somente níveis **Base** e **Orgânico**; **Parque desconsiderado**) |
 | Bases de operação | **10 bases da FAB** (derivar/confirmar a partir do CSV) |
 | Traslado (ferry) | **Permitido** e **consome horas de célula** |
 | Reset de horas | Inspeção **zera apenas aquela inspeção**; inspeções **não simultâneas** na mesma aeronave (podem ser sequenciais se requisitos cumpridos) |
 | Prioridade | Escala **1 a 5** |
 | Missões por dia | Uma cauda pode encadear **várias missões no mesmo dia** |
 | Horas iniciais (f_k) | Criar **campos editáveis**; permitir **default aleatório** |
 ### Objetivo (lexicográfico)
 - **L1 — Primário:** maximizar Σ (prioridade × missões cumpridas).
 - **L2 — Secundário:** "entregar aeronave com menor LRT" *(ver Q3 — pendente de definição)*.
 - **Restrição dura derivada do 6.1:** **no máximo 1 aeronave em inspeção ao mesmo tempo** → modelada como restrição de recurso (C11), não como objetivo.
 ---
 ## 2. Formulação matemática proposta (validar antes de codar)
 ### Conjuntos
 - `K` — aeronaves (caudas), |K| = 4.
 - `B` — bases (10). `B_insp ⊆ B = {SBMN}`.
 - `M` — missões candidatas. `M_obr ⊆ M` — obrigatórias *(Q2)*.
 - `T` — tipos de inspeção válidos *(Q1)*.
 ### Parâmetros
 - `f⁰_{k,i}` — horas acumuladas iniciais da cauda `k` no relógio da inspeção `i` (editável / aleatório).
 - `LRT_i` — intervalo (horas de célula) da inspeção `i`.
 - `CAL_i` — limite calendárico (dias) da inspeção `i`.
 - `DT_i` — tempo indisponível (downtime) da inspeção `i`.
 - `h_m` — horas de voo da missão `m` (do CSV, por par O-D).
 - `o_m, d_m` — origem/destino de `m`.
 - `[e_m, l_m]` — janela de decolagem de `m`.
 - `p_m ∈ {1..5}` — prioridade de `m`.
 - `hferry_{b,b'}` — horas de traslado entre bases (do CSV/distância).
 - `home_k` — base inicial da cauda `k`.
 - `TAT = 1.5 h`.
 ### Variáveis de decisão
 - `x_{k,m} ∈ {0,1}` — cauda `k` cumpre missão `m`.
 - `y` — arcos de sequenciamento na rede espaço-tempo (missão→missão, ferry, inspeção) por cauda.
 - `t_dep_{k,m}`, `t_arr_{k,m}` — tempos (contínuos).
 - `z_{k,i}` (+ início `s_{k,i}`) — cauda `k` executa inspeção `i`.
 - `F_{k,i}(·)` — estado de horas acumuladas no relógio `i` ao longo da rota (contínuo, zera na inspeção `i`).
 ### Restrições
 - **C1 Cobertura:** Σ_k x_{k,m} ≤ 1 ∀m; **= 1** ∀m ∈ M_obr.
 - **C2 Continuidade (fluxo):** cada cauda forma um caminho único ordenado no tempo, iniciando em `home_k`; grau de entrada = grau de saída nos nós.
 - **C3 Continuidade espacial:** encadear `m→m'` exige `d_m = o_{m'}`, senão exige arco de **ferry**.
 - **C4 Continuidade temporal + TAT:** `t_dep(próx) ≥ t_arr(ant) + TAT` (+ tempo de ferry, se houver reposicionamento).
 - **C5 Janela:** `e_m ≤ t_dep_{k,m} ≤ l_m`.
 - **C6 Orçamento de horas com reset:** ao longo da rota, horas acumuladas no relógio `i` ≤ `LRT_i`; voo/ferry somam horas; inspeção `i` zera o relógio `i`.
 - **C7 Limite calendárico:** dias desde o último reset de `i` ≤ `CAL_i`.
 - **C8 Local de inspeção:** inspeção `i` só ocorre com a cauda em `B_insp` (SBMN); a cauda precisa rotear até lá.
 - **C9 Downtime:** durante `DT_i` a cauda fica indisponível; atividades seguintes começam após.
 - **C10 Não-simultaneidade na mesma cauda:** duas inspeções da mesma cauda não se sobrepõem (podem ser back-to-back).
 - **C11 Slot único de inspeção (recurso):** em qualquer instante, Σ_k [cauda em inspeção] ≤ 1.
 ### Função objetivo (lexicográfica)
 1. **max** Σ_m p_m · (Σ_k x_{k,m})
 2. **então** otimizar L2 *(Q3)*.
 ---
 ## 3. Plano incremental de construção
 1. **Modelo base** — cobertura ponderada + orçamento de horas (C1–C6).
 2. **Inspeção com reset** em SBMN — C7–C11 + downtime/calendário.
 3. **Realismo militar** — prioridade hard (M_obr), voos de posicionamento, janelas.
 4. **Replanejamento + visualização** — re-otimização e dashboard.
 ---
 ## 4. Instruções para o Claude Code (executar na pasta `arara_oamrp/`)
 1. **Ler contexto:** abrir o arquivo de CONTEXTO/LOG e tudo em `docs/` para entender o estado atual.
 2. **Auditar e podar:** o ChatGPT inseriu **acréscimos desnecessários** — revisar e remover o que fugir do OAMRP compacto, mas antes pergunte. Confirmar que **não** há resquício de Set Partitioning + Column Generation.
 3. **Ler inspeções:** `relatorio_ciclo_inspecoes_c105_2805_2026-06-15` (JSON) → extrair, para cada inspeção válida *(Q1: seq 2,3,4,6,7,18,19,20,22,23)*, os campos `LRT_i` (horas), `CAL_i` (limite calendárico) e `DT_i` (tempo indisponível).
 4. **Ler voos:** `db/processed/registro_voo_2025_consolidado.csv` → derivar as **10 bases**, as **horas de voo por par O-D** (`h_m`) e os tempos de **ferry**.
 5. **Horas iniciais:** criar campos editáveis para `f⁰_{k,i}`, com opção de **default aleatório**.
 6. **Validar a formulação** da Seção 2 com o Vitor antes de gerar PuLP. Construção **incremental**, confirmando cada etapa.
 ---
 ## 5. Pendências a resolver (perguntar ao Vitor no Claude Code)
 - **Q1 — Inspeções válidas:** confirmar a lista de seq **{2, 3, 4, 6, 7, 18, 19, 20, 22, 23}**.
 - **Q2 — Obrigatórias:** SAR/EVAM entram como **hard** (M_obr, cobertura = 1) ou apenas como prioridade 5? *(o dataset hoje só traz prioridade 1–5)*
 - **Q3 — Objetivo secundário "entregar aeronave com menor LRT":** definir o sentido exato. Duas leituras possíveis:
  - **(a)** minimizar a **folga de horas ao fim do horizonte** (usar bem as horas disponíveis: não deixar cauda ociosa com muita célula sobrando que poderia ter voado);
  - **(b)** **priorizar o emprego** das caudas mais próximas da inspeção primeiro (consumir antes quem está mais perto do limite).
 - **Q4 — Bases:** validar as 10 bases que o Claude Code propuser a partir do CSV.
--- a/LOG.md
+++ b/LOG.md
@@ -26,3 +26,25 @@ Legenda de autores:
 | 2026-06-15 | 19:56 | VTO | Consolidou transicoes `ROTA` do registro de voo 2025 | `db/pre_process/registro_voo_2025/preprocess_planilha_2025.py`; `db/processed/registro_voo_2025_consolidado.csv` | `ROTA` tratado como marcador de transicao; 1421 linhas originais viraram 1268 trechos consolidados; 135 trechos com `ROTA` foram convertidos para origem/destino reais. |
 | 2026-06-15 | 19:56 | VTO | Validou o registro de voo 2025 consolidado | `db/pre_process/registro_voo_2025/validacao_registro_voo_2025.md`; `db/processed/registro_voo_2025_consolidado.csv` | Sem duplicidades, sem divergencias de duracao e sem sobreposicoes temporais; pendentes 1 registro sem OM, 1 trecho com pousos zero e 3 quebras de continuidade espacial. |
 | 2026-06-15 | 19:56 | VTO | Removeu registro isolado da aeronave 2806 | `db/pre_process/registro_voo_2025/preprocess_planilha_2025.py`; `db/processed/registro_voo_2025.csv`; `db/processed/registro_voo_2025_consolidado.csv` | Linha original 793 excluida dos artefatos processados; registro final passou para 1420 linhas e consolidado para 1267 trechos; nao ha mais registro sem OM. |
 | 2026-06-15 | 19:56 | VTO | Criou modelo OAMRP v2 com dados reais de 2025 | `software/oamrp_v2.py`; `db/processed/resultado_oamrp_jan_2025.csv`; `README.md`; `docs/about.md`; `docs/changelog.md` | Rodada inicial de janeiro/2025 resolvida como otima pelo CBC; prioridade uniforme 1; base de manutencao SBMN; 50 de 61 missoes cumpridas. |
 | 2026-06-15 | 21:00 | VTO | Criou modelo OAMRP v3 — Fase 1: rede espaço-tempo | `software/oamrp_v3.py`; `db/processed/resultado_oamrp_v3.csv` | Reescrita do zero com abstrações No/Arco e variável unificada y[k,arco]; C1–C6; TAT=1,5h; f0_{k,i} editável; top-10 bases por frequência; missões EVAM hard; 50/50 missões cobertas em jan/2025. |
 | 2026-06-15 | 22:00 | VTO | Calibrou inspeções válidas (Q1) e respondeu Q2–Q4 | `software/oamrp_v3.py` | Removidas seq 18 e 23 do catálogo; EVAM marcado como M_obr (cobertura=1); L2 definido como minimizar folga de horas ao fim do horizonte; 10 bases por frequência. |
 | 2026-06-15 | 22:30 | VTO | Implementou Fase 2: inspeções na rede espaço-tempo | `software/oamrp_v3.py` | Adicionados nós INSP_{k}_{seq} e arcos missao_insp/insp_missao; variáveis H_{k,i,nid} para rastreamento de horas com reset; C9 downtime; C11 slot único via disjuntivas. |
 | 2026-06-15 | 23:00 | VTO | Substituiu dados reais por missões sintéticas cross-base | `software/oamrp_v3.py`; `db/processed/resultado_oamrp_sintetico.csv` | Dados reais de jan/2025 eram todos SBMN→SBMN (voos locais), não exercitando roteamento; gerador sintético cria 50 missões cross-base entre 10 bases com distâncias reais (haversine) e velocidade C-105; flag --sintetico na CLI. |
 | 2026-06-15 | 23:30 | VTO | Implementou Fase 3: arcos de ferry (C3 relaxado) | `software/oamrp_v3.py` | Arcos inicio/missao_missao/missao_insp/insp_missao agora permitem bases diferentes com tempo de ferry (haversine/430 km/h); ferry consome horas de célula no relógio de inspeção (C6); relatório imprime segmentos de ferry na linha do tempo. |
 | 2026-06-16 | 10:00 | VTO | Corrigiu bug de conservação de fluxo em nós de inspeção | `software/oamrp_v3.py` | Nós INSP_{k}_{seq} não tinham restrição entrada_k==saida_k; solver criava/destruía unidades de fluxo nesses nós, inflando cobertura para 50/50 no relatório com apenas 16 missões reais nas rotas; corrigido adicionando C2 para nós de inspeção. |
 | 2026-06-16 | 10:05 | VTO | Removeu restrição C6 Fase 1 simplificada | `software/oamrp_v3.py` | Restrição somava horas totais sem respeitar resets de inspeção, tornando EVAMs 2809/2811 artificialmente ociosas; variáveis H[k,seq,nid] já cobrem isso corretamente com reset nos nós de inspeção. |
 | 2026-06-16 | 10:10 | VTO | Adicionou horas iniciais aleatórias e prioridades via OFRAG | `software/oamrp_v3.py`; `software/gerar_ofrag.py`; `db/processed/ofrag.csv` | Flag --aleatorio sorteia f0 entre 10%–90% de F_max por aeronave; gerar_ofrag.py cria tabela com id_ofrag, missao_id, prioridade (1–5), tipo_missao; --ofrag na CLI carrega prioridades ao gerar missões sintéticas. |
 | 2026-06-16 | 10:20 | VTO | Alinhou nomenclatura com Al-Thani (2016) | `software/oamrp_v3.py` | lrt_h→f_max (batente fixo F); horas_iniciais→f0 (acumulado inicial f_k); orcamento_h()→lrt_inicial() (LRT=F_max−f0); horas_iniciais_aleatorias()→gerar_f0_aleatorio(); carregar_horas_iniciais()→carregar_f0(); CLI --horas-iniciais→--f0. |
 | 2026-06-16 | 10:30 | VTO | Criou visualização interativa de rotas | `software/visualizar_resultado.py`; `db/processed/mapa_rotas.html` | Mapa Folium com rotas por aeronave (cor distinta), missões não cumpridas tracejadas em cinza, popup com detalhes, legenda de prioridades. |
 | 2026-06-16 | 10:35 | VTO | Rodada sintética validada: 50/50 missões cumpridas | `db/processed/resultado_oamrp_sintetico.csv` | Comando: --sintetico --seed 42 --aleatorio --ofrag; solver CBC retornou Optimal; todas as 4 EVAMs voaram com ferry; commit f0d72f8 enviado ao remote. |
 | 2026-06-16 | 14:00 | VTO | Criou visualização combinada (Gantt + mapa + tabela) | `software/visualizar_resultado.py`; `db/processed/planejamento_cenario_esquadrao.html` | HTML único com título "Planejamento de Diagonal de Manutenção"; Gantt via go.Scatter lines (renderização garantida); mapa Folium em iframe; tabela de voos com filtros JS; commit 3756f96. |
 | 2026-06-16 | 15:00 | VTO | Criou cenários JSON de f0 para testes com inspeções | `db/processed/f0_cenario_esquadrao.json`; `db/processed/f0_cenario_insp_grande.json` | f0_cenario_esquadrao simula dados reais do esquadrão (LRT 32h/215h/12h/28h); f0_cenario_insp_grande força aeronaves próximas ao limite. |
 | 2026-06-16 | 20:00 | VTO | Migrou modelo de Set Covering para Set Partitioning (C1) | `software/oamrp_v3.py` | Restrição C1 alterada de z<=1 para z==1 para todas as missões; eliminada distinção entre missões hard/opcionais; toda missão deve ser coberta por exatamente 1 aeronave. |
 | 2026-06-16 | 20:05 | VTO | Reduziu missões sintéticas padrão de 50 para 20 | `software/oamrp_v3.py` | Set Partitioning com 50 missões tornava o MIP inviável ou muito lento (travamento do solver); 20 missões garantem factibilidade no envelope de 4 aeronaves em janeiro; n_evam reduzido de 5 para 4. |
 | 2026-06-16 | 20:10 | VTO | Adicionou time limit padrão de 120 s ao solver CBC | `software/oamrp_v3.py` | Solver travava indefinidamente sem time limit ao tentar provar infeasibility; limite de 120 s garante retorno com melhor solução encontrada. |
 | 2026-06-16 | 20:15 | VTO | Corrigiu display do status do solver (Not Solved) | `software/oamrp_v3.py` | PuLP redefine mdl.status para 0 ("Not Solved") ao chamar setObjective() antes de L2; status de L1 agora preservado quando L2 reporta 0. |
 | 2026-06-16 | 20:20 | VTO | Revisou f0_cenario_insp_grande.json | `db/processed/f0_cenario_insp_grande.json` | Apenas 2803 com f0=595h em INSP 2A (F_max=600h, downtime=4 dias, LRT_ini=5h); demais matrículas com f0=0; configuração anterior com 4 aeronaves apertadas simultaneamente tornava o MIP inviável. |
 | 2026-06-16 | 20:30 | VTO | Gerou visualização do cenário inspeção grande (v0.10) | `db/processed/planejamento_insp_grande.html`; `db/processed/resultado_oamrp_v3.csv` | 20/20 missões cobertas; Gantt exibe INSP 2A (4 dias) visivelmente; 2 inspeções no horizonte de janeiro; solver CBC retornou Optimal em < 15 s. |
 | 2026-06-16 | 16:00 | VTO | Corrigiu Gantt: FAB 2800 invisível e barras não renderizavam | `software/visualizar_resultado.py` | yaxis range=[-0.5, n-0.5] para FAB 2800 (y=0) visível; shapes substituídas por go.Scatter mode="lines" width=64 (renderização garantida); largura mínima de 2h por barra. |
 | 2026-06-16 | 16:30 | VTO | Adicionou parser de Escala de Voo Modelo 1 e bases extras | `software/oamrp_v3.py`; `db/raw/ESCALA DE VOO MODELO 1.csv` | Flag --escala carrega missões reais do CSV com separador ";"; coordenadas de 26 bases (era 10); time-limit default alterado para 300s; imports timedelta/date consolidados; commit 83a2dac. |
--- a/README.md
+++ b/README.md
@@ -45,7 +45,7 @@ arara_oarmp/
 Usamos tags curtas para identificar quem fez cada alteração relevante:
- `VTO`: Vitor Cesa.
+- `VTO`: Vitor Cesa ([@vitorcesavc](https://git.ppgao.ita.br/vitorcesavc)).
 - `GNR`: Generoso.
 - `JOM`: João Marcos.
@@ -144,41 +144,107 @@ git push
 - Preferir nomes de arquivo descritivos, com tipo do documento, aeronave, matrícula e data quando possível.
 - Registrar no `LOG.md` qualquer decisão que afete os dados.
-## Estado atual
+## Estado atual (v0.10)
-Já existe um pré-processamento do relatório de ciclo de inspeções da aeronave C-105 matrícula 2805, com data de relatório `2026-06-15`.
+O modelo ativo é `software/oamrp_v3.py`, que implementa o OAMRP sobre uma rede espaço-tempo com arcos de ferry, múltiplos tipos de inspeção e Set Partitioning para cobertura de missões.
-Também existe um primeiro protótipo em `software/oamrp_v1.py`, que formula um modelo MIP compacto em PuLP para atribuir aeronaves a missões de transporte, respeitando continuidade espacial/temporal, turnaround mínimo e limite de horas até inspeção.
+**Última rodada validada (2026-06-16, commit `a34ed6b`):**
 - 20/20 missões sintéticas cobertas, solver CBC Optimal em < 15 s
 - Cenário com INSP 2A (4 dias em solo) visível no Gantt da matrícula 2803
 - Set Partitioning: toda missão coberta por exatamente 1 aeronave
-Arquivos principais:
+### Formulação de cobertura
 O modelo usa **Set Partitioning** (`z[m] = 1` para toda missão `m`): cada missão deve ser atribuída a exatamente uma aeronave. Versões anteriores usavam Set Covering (`z[m] ≤ 1`), que permitia missões descobertas. A transição foi documentada em `docs/changelog.md` (v0.10).
 > **Atenção para contribuidores:** Set Partitioning foi validado apenas para o cenário sintético padrão (20 missões, seed 42, 4 aeronaves, somente 2803 com LRT apertado). Com mais missões ou múltiplas aeronaves com LRT < 5 h simultâneas, o MIP pode ser infeasível ou ultrapassar o time limit. Consulte as limitações detalhadas em `docs/changelog.md`.
 ### Arquivos principais
 ```text
-db/raw/relatorio_ciclo_inspecoes_c105_2805_2026-06-15.pdf
+software/oamrp_v3.py              — modelo MIP principal (Fases 1–3 + Set Partitioning)
-db/pre_process/relatorio_ciclo_inspecoes_c105_2805_2026-06-15/preprocess_pdf.py
+software/gerar_ofrag.py           — gerador da tabela OFRAG
-db/pre_process/relatorio_ciclo_inspecoes_c105_2805_2026-06-15/relatorio_ciclo_inspecoes_c105_2805_2026-06-15_texto.txt
+software/visualizar_resultado.py  — Gantt + mapa + tabela interativa
-db/pre_process/relatorio_ciclo_inspecoes_c105_2805_2026-06-15/relatorio_ciclo_inspecoes_c105_2805_2026-06-15_inspecoes.json
+db/processed/ofrag.csv            — ordens de missão com prioridades 1–5
-db/pre_process/relatorio_ciclo_inspecoes_c105_2805_2026-06-15/relatorio_ciclo_inspecoes_c105_2805_2026-06-15_inspecoes.csv
+db/processed/f0_cenario_insp_grande.json — f0 calibrado para forçar INSP 2A em 2803
-software/oamrp_v1.py
+db/processed/resultado_oamrp_v3.csv     — resultado da última rodada
 db/processed/planejamento_insp_grande.html — Gantt com inspeção de 4 dias visível
 ```
-Esse processamento extraiu 18 inspeções e separou campos como inspeção, referência, vencimento, TSO, letra, nível, duração, intervalo por horas de voo, meses contínuos e pousos.
+### Como rodar
 ## Atualizacao - registro de voo 2025
-A `Planilha 2025.xlsx` foi pre-processada a partir de `db/raw/` sem alterar o arquivo original.
+Cenário padrão (inspeção grande visível no Gantt):
-Arquivos gerados:
+```powershell
 python software/oamrp_v3.py --sintetico --seed 42 --f0 db/processed/f0_cenario_insp_grande.json --time-limit 60
 python software/visualizar_resultado.py --resultado db/processed/resultado_oamrp_v3.csv --saida db/processed/planejamento_insp_grande.html
 ```
 Parâmetros relevantes do modelo:
 | Parâmetro | Padrão | Descrição |
 |---|---|---|
 | `--sintetico` | — | Usa missões sintéticas cross-base em vez do CSV real |
 | `--n-missoes` | 20 | Número de missões sintéticas |
 | `--seed` | 42 | Semente aleatória (reprodutibilidade) |
 | `--f0` | — | JSON com horas acumuladas iniciais por aeronave/inspeção |
 | `--time-limit` | 300 | Limite de tempo do solver CBC (segundos) |
 | `--aleatorio` | — | Sorteia f0 aleatório entre 10%–90% de F_max |
 ---
 ## Histórico dos modelos
 ### v1 — Protótipo inicial (`software/oamrp_v1.py`)
 Primeiro protótipo do modelo MIP em PuLP. Estrutura simples de atribuição aeronave-missão sem rede espaço-tempo, sem inspeções e sem ferry. Serviu para validar a configuração do ambiente e a integração com o solver CBC.
 - **Formulação:** atribuição direta, variáveis binárias por (aeronave, missão)
 - **Restrições:** cobertura básica e continuidade de base
 - **Sem:** janelas de tempo, inspeções, ferry, prioridades
 - **Status:** protótipo histórico, não usar em produção
 ---
 ### v2 — Dados reais de 2025 (`software/oamrp_v2.py`)
 Primeira rodada com dados reais do registro de voo de janeiro/2025, pré-processados a partir da planilha original. Introduziu janelas de tempo (decolagem e chegada do CSV), TAT entre missões e prioridade uniforme.
 - **Dados de entrada:** `db/processed/registro_voo_2025_consolidado.csv` (1 267 trechos, 1 420 linhas originais)
 - **Resultado:** 50 de 61 missões cumpridas em janeiro/2025 (`db/processed/resultado_oamrp_jan_2025.csv`)
 - **Limitação identificada:** os dados reais de jan/2025 eram predominantemente voos locais SBMN→SBMN, não exercitando roteamento cross-base nem inspeções
 ```powershell
 python software/oamrp_v2.py
 ```
 ---
 ### v3 — Rede espaço-tempo completa (`software/oamrp_v3.py`) ← **modelo ativo**
 Reescrita completa baseada em Al-Thani, Ben Ahmed & Haouari (2016). Introduziu a formulação por rede espaço-tempo com nós No e arcos Arco, inspeções com relógio de horas acumuladas e reset, arcos de ferry entre bases e missões sintéticas cross-base para validação de roteamento.
 **Fases implementadas:**
 | Fase | Restrições | Descrição |
 |---|---|---|
 | 1 | C1–C6 | Rede espaço-tempo, cobertura (Set Partitioning), conservação de fluxo, TAT |
 | 2 | C7–C11 | Nós de inspeção, relógio H[k,i,n] com reset, downtime, slot único |
 | 3 | Ferry | Arcos de ferry entre quaisquer bases (haversine ÷ 430 km/h), consome horas de célula |
 **Nomenclatura alinhada com Al-Thani (2016):**
 - `F_max` — batente fixo (intervalo máximo legal entre manutenções, ex: 300 h)
 - `f0` — horas acumuladas no início do horizonte (estado inicial da aeronave)
 - `LRT = F_max − f0` — tempo legal restante (decresce com o voo)
 - `H[k, seq, nid]` — acumulado em tempo real, rastreado na rede (equivale a u_j do artigo)
 **Missões sintéticas:** como os dados reais de 2025 não exercitavam roteamento, o modelo usa um gerador sintético cross-base (`--sintetico`) com distâncias reais (haversine) e velocidade de cruzeiro do C-105 (430 km/h).
 **Pré-processamentos disponíveis:**
 ```text
-db/pre_process/registro_voo_2025/preprocess_planilha_2025.py
+db/raw/relatorio_ciclo_inspecoes_c105_2805_2026-06-15.pdf — ciclo de inspeções C-105/2805
-db/pre_process/registro_voo_2025/registro_voo_2025_limpo.csv
+db/processed/registro_voo_2025.csv                        — registro de voo 2025 limpo (1 420 trechos)
-db/pre_process/registro_voo_2025/registro_voo_2025_limpo.xlsx
+db/processed/registro_voo_2025_consolidado.csv            — consolidado para roteamento
 db/pre_process/registro_voo_2025/registro_voo_2025_consolidado.csv
 db/pre_process/registro_voo_2025/missoes_oamrp_2025.csv
 db/pre_process/registro_voo_2025/missoes_oamrp_2025_consolidado.csv
 db/pre_process/registro_voo_2025/resumo_registro_voo_2025.json
 db/pre_process/registro_voo_2025/validacao_registro_voo_2025.md
 db/processed/registro_voo_2025.csv
 db/processed/registro_voo_2025_consolidado.csv
 ```
 O consolidado trata `ROTA` como marcador de transicao, nao como localidade operacional, e remove a linha original 793 da aeronave 2806 dos artefatos processados.
--- a/db/processed/f0_cenario_esquadrao.json
+++ b/db/processed/f0_cenario_esquadrao.json
@@ -0,0 +1,6 @@
 {
  "2800": {"2": 268, "3": 268, "4": 568, "6": 142, "7": 142, "19": 1800, "20": 2100, "22": 680},
  "2803": {"2":  85, "3":  85, "4": 285, "6":  85, "7": 185, "19":  800, "20": 1200, "22": 350},
  "2809": {"2": 155, "3": 455, "4": 155, "6": 288, "7": 288, "19": 1200, "20": 1800, "22": 500},
  "2811": {"2": 120, "3": 572, "4": 572, "6": 120, "7": 220, "19": 1500, "20": 2200, "22": 720}
 }
--- a/db/processed/f0_cenario_insp_grande.json
+++ b/db/processed/f0_cenario_insp_grande.json
@@ -0,0 +1,6 @@
 {
  "2800": {"2": 0, "3":   0, "4": 0, "6":   0, "7":   0, "19": 0, "20": 0, "22": 0},
  "2803": {"2": 0, "3": 595, "4": 0, "6":   0, "7":   0, "19": 0, "20": 0, "22": 0},
  "2809": {"2": 0, "3":   0, "4": 0, "6":   0, "7":   0, "19": 0, "20": 0, "22": 0},
  "2811": {"2": 0, "3":   0, "4": 0, "6":   0, "7":   0, "19": 0, "20": 0, "22": 0}
 }
--- a/db/processed/mapa_rotas.html
+++ b/db/processed/mapa_rotas.html
--- a/db/processed/ofrag.csv
+++ b/db/processed/ofrag.csv
@@ -0,0 +1,51 @@
 id_ofrag,missao_id,om,orig,dest,prioridade,tipo_missao,observacao
 OFRAG-2025-001,SIM_001_SBMN_SBMY,1,SBMN,SBMY,1,Reabastecimento,
 OFRAG-2025-002,SIM_002_SBBE_SBTT,2,SBBE,SBTT,1,Pessoal,
 OFRAG-2025-003,SIM_003_SBMN_SBPV,3,SBMN,SBPV,1,Médico,EVAM — execução obrigatória
 OFRAG-2025-004,SIM_004_SBMN_SBUA,4,SBMN,SBUA,1,Logística,EVAM — execução obrigatória
 OFRAG-2025-005,SIM_005_SBSN_SBTS,5,SBSN,SBTS,2,Reabastecimento,
 OFRAG-2025-006,SIM_006_SBSN_SBBE,6,SBSN,SBBE,2,Pessoal,
 OFRAG-2025-007,SIM_007_SBTS_SBMN,7,SBTS,SBMN,2,Reconhecimento,
 OFRAG-2025-008,SIM_008_SBBE_SBTS,8,SBBE,SBTS,4,Reconhecimento,
 OFRAG-2025-009,SIM_009_SBMY_SBTS,9,SBMY,SBTS,2,Logística,
 OFRAG-2025-010,SIM_010_SBTT_SBMN,10,SBTT,SBMN,1,Logística,
 OFRAG-2025-011,SIM_011_SBBE_SBSN,11,SBBE,SBSN,1,Logística,
 OFRAG-2025-012,SIM_012_SWBC_SBSN,12,SWBC,SBSN,3,Logística,
 OFRAG-2025-013,SIM_013_SBMN_SBBV,13,SBMN,SBBV,2,Reconhecimento,
 OFRAG-2025-014,SIM_014_SBMN_SBTS,14,SBMN,SBTS,1,Logística,
 OFRAG-2025-015,SIM_015_SBMN_SBPV,15,SBMN,SBPV,1,Médico,EVAM — execução obrigatória
 OFRAG-2025-016,SIM_016_SBPV_SBMN,16,SBPV,SBMN,1,Logística,
 OFRAG-2025-017,SIM_017_SBSN_SBMN,17,SBSN,SBMN,4,Reabastecimento,
 OFRAG-2025-018,SIM_018_SBSN_SBBV,18,SBSN,SBBV,1,Reconhecimento,
 OFRAG-2025-019,SIM_019_SBBV_SBMN,19,SBBV,SBMN,2,Logística,
 OFRAG-2025-020,SIM_020_SWBC_SBTS,20,SWBC,SBTS,4,Pessoal,
 OFRAG-2025-021,SIM_021_SBMN_SBPV,21,SBMN,SBPV,1,Médico,EVAM — execução obrigatória
 OFRAG-2025-022,SIM_022_SBMN_SBBV,22,SBMN,SBBV,1,Reabastecimento,
 OFRAG-2025-023,SIM_023_SBBV_SWBC,23,SBBV,SWBC,3,Reconhecimento,
 OFRAG-2025-024,SIM_024_SBMY_SBBV,24,SBMY,SBBV,1,Pessoal,
 OFRAG-2025-025,SIM_025_SWBC_SBMN,25,SWBC,SBMN,3,Logística,
 OFRAG-2025-026,SIM_026_SBUA_SBTT,26,SBUA,SBTT,3,Reabastecimento,
 OFRAG-2025-027,SIM_027_SBTS_SBMY,27,SBTS,SBMY,1,Pessoal,
 OFRAG-2025-028,SIM_028_SBMN_SBTT,28,SBMN,SBTT,2,Logística,
 OFRAG-2025-029,SIM_029_SBTT_SBSN,29,SBTT,SBSN,2,Reconhecimento,
 OFRAG-2025-030,SIM_030_SWBC_SBSN,30,SWBC,SBSN,2,Logística,
 OFRAG-2025-031,SIM_031_SBMN_SBTT,31,SBMN,SBTT,2,Reabastecimento,
 OFRAG-2025-032,SIM_032_SBMN_SBBE,32,SBMN,SBBE,5,Reabastecimento,
 OFRAG-2025-033,SIM_033_SBBV_SBSN,33,SBBV,SBSN,1,Reconhecimento,
 OFRAG-2025-034,SIM_034_SBTS_SBMN,34,SBTS,SBMN,2,Logística,
 OFRAG-2025-035,SIM_035_SBTT_SBMN,35,SBTT,SBMN,1,Logística,
 OFRAG-2025-036,SIM_036_SBPV_SWBC,36,SBPV,SWBC,3,Logística,
 OFRAG-2025-037,SIM_037_SBBV_SBMN,37,SBBV,SBMN,3,Logística,
 OFRAG-2025-038,SIM_038_SBBV_SBBE,38,SBBV,SBBE,2,Pessoal,
 OFRAG-2025-039,SIM_039_SBSN_SBMN,39,SBSN,SBMN,1,Logística,
 OFRAG-2025-040,SIM_040_SBSN_SBMN,40,SBSN,SBMN,4,Reconhecimento,
 OFRAG-2025-041,SIM_041_SBBE_SBTS,41,SBBE,SBTS,1,Reabastecimento,
 OFRAG-2025-042,SIM_042_SBBE_SBSN,42,SBBE,SBSN,5,Reconhecimento,
 OFRAG-2025-043,SIM_043_SBMN_SBPV,43,SBMN,SBPV,4,Médico,
 OFRAG-2025-044,SIM_044_SBBE_SBPV,44,SBBE,SBPV,3,Pessoal,
 OFRAG-2025-045,SIM_045_SBTS_SBMN,45,SBTS,SBMN,4,Reabastecimento,
 OFRAG-2025-046,SIM_046_SBMN_SBUA,46,SBMN,SBUA,3,Reconhecimento,
 OFRAG-2025-047,SIM_047_SWBC_SBTS,47,SWBC,SBTS,2,Reabastecimento,
 OFRAG-2025-048,SIM_048_SBSN_SBUA,48,SBSN,SBUA,1,Médico,
 OFRAG-2025-049,SIM_049_SBMN_SBMY,49,SBMN,SBMY,4,Pessoal,
 OFRAG-2025-050,SIM_050_SBTT_SBPV,50,SBTT,SBPV,1,Logística,EVAM — execução obrigatória
--- a/db/processed/planejamento_insp_grande.html
+++ b/db/processed/planejamento_insp_grande.html
--- a/db/processed/resultado_oamrp_jan_2025.csv
+++ b/db/processed/resultado_oamrp_jan_2025.csv
@@ -0,0 +1,62 @@
 status,aeronave_modelo,ordem,id,om,orig,dest,partida_utc,chegada_utc,dur_h,prioridade,periodo,aeronave_real_2025,linhas_origem
 cumprida,2800,1,RV2025_OM1_E1_L4_C4,1,SBMN,SBMY,2025-01-02T11:55:00Z,2025-01-02T13:05:00Z,1.17,1,NOTURNO,2809,4
 cumprida,2800,2,RV2025_OM1_E2_L5_C5,1,SBMY,SBMN,2025-01-02T14:30:00Z,2025-01-02T15:35:00Z,1.08,1,NOTURNO,2809,5
 cumprida,2800,3,RV2025_OM6_E1_L12_C12,6,SBMN,SBBV,2025-01-06T19:30:00Z,2025-01-06T21:25:00Z,1.92,1,DIURNO,2811,12
 cumprida,2800,4,RV2025_OM6_E2_L14_C14,6,SBBV,SBMN,2025-01-07T11:20:00Z,2025-01-07T13:20:00Z,2.00,1,DIURNO,2811,14
 cumprida,2800,5,RV2025_OM8_E1_L17_C17,8,SBMN,SBPV,2025-01-08T10:35:00Z,2025-01-08T12:35:00Z,2.00,1,DIURNO,2803,17
 cumprida,2800,6,RV2025_OM8_E2_L18_C18,8,SBPV,SBMN,2025-01-08T14:00:00Z,2025-01-08T16:00:00Z,2.00,1,DIURNO,2803,18
 cumprida,2800,7,RV2025_OM10_E1_L19_C19,10,SBMN,SBMN,2025-01-08T22:30:00Z,2025-01-08T23:15:00Z,0.75,1,NOTURNO,2803,19
 cumprida,2800,8,RV2025_OM11_E1_L23_C23,11,SBMN,SWKO,2025-01-10T12:10:00Z,2025-01-10T13:15:00Z,1.08,1,DIURNO,2803,23
 cumprida,2800,9,RV2025_OM11_E2_L24_C24,11,SWKO,SBMN,2025-01-10T14:25:00Z,2025-01-10T15:25:00Z,1.00,1,DIURNO,2803,24
 cumprida,2800,10,RV2025_OM13_E1_L30_C30,13,SBMN,SWKO,2025-01-12T12:20:00Z,2025-01-12T13:10:00Z,0.83,1,DIURNO,2809,30
 cumprida,2800,11,RV2025_OM13_E2_L31_C31,13,SWKO,SBMN,2025-01-12T14:40:00Z,2025-01-12T15:25:00Z,0.75,1,DIURNO,2809,31
 cumprida,2800,12,RV2025_OM14_E1_L32_C32,14,SBMN,SBBE,2025-01-12T16:55:00Z,2025-01-12T20:25:00Z,3.50,1,DIURNO,2809,32
 cumprida,2800,13,RV2025_OM14_E2_L33_C37,14,SBBE,SBMN,2025-01-12T22:45:00Z,2025-01-13T02:05:00Z,3.33,1,NOTURNO,2809,33;37
 cumprida,2800,14,RV2025_OM16_E1_L38_C38,16,SBMN,SBTT,2025-01-15T12:00:00Z,2025-01-15T15:05:00Z,3.08,1,DIURNO,2803,38
 cumprida,2800,15,RV2025_OM16_E2_L39_C39,16,SBTT,SBMN,2025-01-15T17:35:00Z,2025-01-15T20:35:00Z,3.00,1,DIURNO,2803,39
 cumprida,2800,16,RV2025_OM17_E3_L42_C45,17,SBMN,SBMN,2025-01-15T22:50:00Z,2025-01-15T23:50:00Z,1.00,1,NOTURNO,2809,42;43;44;45
 cumprida,2800,17,RV2025_OM18_E1_L46_C46,18,SBMN,SBSN,2025-01-21T12:05:00Z,2025-01-21T13:40:00Z,1.58,1,DIURNO,2800,46
 cumprida,2800,18,RV2025_OM18_E2_L47_C47,18,SBSN,SBTS,2025-01-21T14:45:00Z,2025-01-21T16:15:00Z,1.50,1,DIURNO,2800,47
 cumprida,2800,19,RV2025_OM18_E3_L48_C48,18,SBTS,SBMN,2025-01-21T18:40:00Z,2025-01-21T20:40:00Z,2.00,1,DIURNO,2800,48
 cumprida,2800,20,RV2025_OM19_E1_L49_C49,19,SBMN,SBMN,2025-01-22T14:55:00Z,2025-01-22T16:00:00Z,1.08,1,DIURNO,2800,49
 cumprida,2800,21,RV2025_OM21_E2_L54_C54,21,SBMN,SBMN,2025-01-22T20:50:00Z,2025-01-22T21:25:00Z,0.58,1,DIURNO,2809,54
 cumprida,2800,22,RV2025_OM23_E1_L57_C57,23,SBMN,SBCZ,2025-01-24T12:10:00Z,2025-01-24T15:55:00Z,3.75,1,DIURNO,2800,57
 cumprida,2800,23,RV2025_OM23_E2_L58_C58,23,SBCZ,SBMN,2025-01-24T17:05:00Z,2025-01-24T20:55:00Z,3.83,1,DIURNO,2800,58
 cumprida,2800,24,RV2025_OM25_E1_L64_C64,25,SBMN,SBMN,2025-01-28T13:25:00Z,2025-01-28T14:30:00Z,1.08,1,DIURNO,2809,64
 cumprida,2800,25,RV2025_OM26_E1_L65_C70,26,SBMN,SBMN,2025-01-28T23:10:00Z,2025-01-29T00:50:00Z,1.67,1,NOTURNO,2809,65;66;67;70
 cumprida,2800,26,RV2025_OM28_E1_L71_C71,28,SBMN,SBMN,2025-01-29T18:15:00Z,2025-01-29T19:25:00Z,1.17,1,DIURNO,2809,71
 cumprida,2803,1,RV2025_OM2_E3_L6_C6,2,SBMN,SBMY,2025-01-02T17:00:00Z,2025-01-02T18:05:00Z,1.08,1,NOTURNO,2809,6
 cumprida,2803,2,RV2025_OM2_E4_L7_C7,2,SBMY,SBMN,2025-01-02T20:00:00Z,2025-01-02T21:10:00Z,1.17,1,NOTURNO,2809,7
 cumprida,2803,3,RV2025_OM5_E1_L11_C11,5,SBMN,SBPV,2025-01-06T19:10:00Z,2025-01-06T21:20:00Z,2.17,1,DIURNO,2803,11
 cumprida,2803,4,RV2025_OM5_E2_L13_C13,5,SBPV,SBMN,2025-01-07T14:15:00Z,2025-01-07T16:15:00Z,2.00,1,DIURNO,2803,13
 cumprida,2803,5,RV2025_OM9_E1_L20_C20,9,SBMN,SBBE,2025-01-09T12:30:00Z,2025-01-09T15:55:00Z,3.42,1,DIURNO,2803,20
 cumprida,2803,6,RV2025_OM9_E2_L21_C21,9,SBBE,SBSN,2025-01-09T18:10:00Z,2025-01-09T20:00:00Z,1.83,1,DIURNO,2803,21
 cumprida,2803,7,RV2025_OM15_E2_L35_C35,15,SBSN,SBTS,2025-01-12T14:25:00Z,2025-01-12T16:00:00Z,1.58,1,DIURNO,2803,35
 cumprida,2803,8,RV2025_OM15_E3_L36_C36,15,SBTS,SBMN,2025-01-12T18:30:00Z,2025-01-12T20:35:00Z,2.08,1,DIURNO,2803,36
 cumprida,2803,9,RV2025_OM20_E1_L51_C51,20,SBMN,SBMN,2025-01-22T14:55:00Z,2025-01-22T16:00:00Z,1.08,1,DIURNO,2803,51
 cumprida,2803,10,RV2025_OM20_E2_L52_C52,20,SBMN,SBMN,2025-01-22T20:50:00Z,2025-01-22T21:25:00Z,0.58,1,DIURNO,2803,52
 cumprida,2803,11,RV2025_OM29_E1_L72_C72,29,SBMN,SBMN,2025-01-29T22:50:00Z,2025-01-30T00:00:00Z,1.17,1,NOTURNO,2809,72
 cumprida,2809,1,RV2025_OM3_E1_L8_C8,3,SBMN,SBMN,2025-01-03T14:45:00Z,2025-01-03T16:10:00Z,1.42,1,DIURNO,2809,8
 cumprida,2809,2,RV2025_OM17_E2_L41_C41,17,SBMN,SBMN,2025-01-15T14:45:00Z,2025-01-15T15:40:00Z,0.92,1,DIURNO,2809,41
 cumprida,2809,3,RV2025_OM21_E1_L53_C53,21,SBMN,SBMN,2025-01-22T14:55:00Z,2025-01-22T16:00:00Z,1.08,1,DIURNO,2809,53
 cumprida,2809,4,RV2025_OM19_E2_L50_C50,19,SBMN,SBMN,2025-01-22T20:50:00Z,2025-01-22T21:25:00Z,0.58,1,DIURNO,2800,50
 cumprida,2809,5,RV2025_OM24_E1_L59_C59,24,SBMN,SNRH,2025-01-24T12:30:00Z,2025-01-24T15:35:00Z,3.08,1,DIURNO,2803,59
 cumprida,2809,6,RV2025_OM24_E2_L60_C60,24,SNRH,SBTT,2025-01-24T16:45:00Z,2025-01-24T17:40:00Z,0.92,1,DIURNO,2803,60
 cumprida,2809,7,RV2025_OM24_E3_L61_C61,24,SBTT,SWEI,2025-01-25T14:05:00Z,2025-01-25T14:50:00Z,0.75,1,DIURNO,2803,61
 cumprida,2809,8,RV2025_OM24_E4_L62_C62,24,SWEI,SBTF,2025-01-25T16:45:00Z,2025-01-25T18:40:00Z,1.92,1,DIURNO,2803,62
 cumprida,2811,1,RV2025_OM17_E1_L40_C40,17,SBMN,SBMN,2025-01-15T13:30:00Z,2025-01-15T14:25:00Z,0.92,1,DIURNO,2809,40
 cumprida,2811,2,RV2025_OM22_E1_L55_C55,22,SBMN,SBMN,2025-01-22T14:55:00Z,2025-01-22T15:55:00Z,1.00,1,DIURNO,2811,55
 cumprida,2811,3,RV2025_OM22_E2_L56_C56,22,SBMN,SBMN,2025-01-22T20:50:00Z,2025-01-22T21:25:00Z,0.58,1,DIURNO,2811,56
 cumprida,2811,4,RV2025_OM27_E1_L68_C68,27,SBMN,SBMY,2025-01-28T12:05:00Z,2025-01-28T13:05:00Z,1.00,1,DIURNO,2803,68
 cumprida,2811,5,RV2025_OM27_E2_L69_C69,27,SBMY,SBMN,2025-01-28T14:35:00Z,2025-01-28T15:30:00Z,0.92,1,DIURNO,2803,69
 nao_cumprida,,,RV2025_OM4_E1_L9_C9,4,SBAN,SWBC,2025-01-06T12:40:00Z,2025-01-06T13:50:00Z,1.17,1,DIURNO,2803,9
 nao_cumprida,,,RV2025_OM4_E2_L10_C10,4,SWBC,SBMN,2025-01-06T15:40:00Z,2025-01-06T16:45:00Z,1.08,1,DIURNO,2803,10
 nao_cumprida,,,RV2025_OM7_E1_L15_C15,7,SBMN,SBBV,2025-01-07T10:40:00Z,2025-01-07T12:30:00Z,1.83,1,DIURNO,2809,15
 nao_cumprida,,,RV2025_OM7_E2_L16_C16,7,SBMN,SBBV,2025-01-07T14:00:00Z,2025-01-07T15:45:00Z,1.75,1,DIURNO,2809,16
 nao_cumprida,,,RV2025_OM9_E3_L22_C22,9,SBSN,SBMN,2025-01-09T20:40:00Z,2025-01-09T22:15:00Z,1.58,1,DIURNO,2803,22
 nao_cumprida,,,RV2025_OM12_E1_L25_C25,12,SBMN,SBUA,2025-01-11T12:50:00Z,2025-01-11T15:00:00Z,2.17,1,DIURNO,2809,25
 nao_cumprida,,,RV2025_OM12_E2_L26_C26,12,SBUA,SBYA,2025-01-11T17:20:00Z,2025-01-11T18:10:00Z,0.83,1,DIURNO,2809,26
 nao_cumprida,,,RV2025_OM12_E3_L27_C27,12,SBYA,SBTT,2025-01-11T18:45:00Z,2025-01-11T20:10:00Z,1.42,1,DIURNO,2809,27
 nao_cumprida,,,RV2025_OM12_E4_L28_C29,12,SBTT,SBTT,2025-01-11T21:05:00Z,2025-01-12T00:00:00Z,2.92,1,DIURNO;NOTURNO,2809,28;29
 nao_cumprida,,,RV2025_OM15_E1_L34_C34,15,SBMN,SBSN,2025-01-12T11:50:00Z,2025-01-12T13:30:00Z,1.67,1,DIURNO,2803,34
 nao_cumprida,,,RV2025_OM24_E5_L63_C63,24,SBTF,SBMN,2025-01-25T19:20:00Z,2025-01-25T21:00:00Z,1.67,1,DIURNO,2803,63
--- a/db/processed/resultado_oamrp_sintetico.csv
+++ b/db/processed/resultado_oamrp_sintetico.csv
@@ -0,0 +1,51 @@
 status,aeronave,ordem,id,om,orig,dest,partida_utc,chegada_utc,dur_h,prioridade,periodo,aeronave_real_2025,linhas_origem
 cumprida,2800,1,SIM_007_SBTS_SBMN,7,SBTS,SBMN,2025-01-05T08:52:04.800000Z,2025-01-05T11:40:04.800000Z,2.80,2,DIURNO,,
 cumprida,2800,2,SIM_008_SBBE_SBTS,8,SBBE,SBTS,2025-01-05T16:11:09.600000Z,2025-01-05T21:53:09.600000Z,5.70,4,DIURNO,,
 cumprida,2800,3,SIM_015_SBMN_SBPV,15,SBMN,SBPV,2025-01-12T01:42:18Z,2025-01-12T03:21:54Z,1.66,1,DIURNO,,
 cumprida,2800,4,SIM_021_SBMN_SBPV,21,SBMN,SBPV,2025-01-16T06:26:09.600000Z,2025-01-16T08:12:21.600000Z,1.77,1,DIURNO,,
 cumprida,2800,5,SIM_037_SBBV_SBMN,37,SBBV,SBMN,2025-01-23T20:18:28.800000Z,2025-01-23T21:50:52.800000Z,1.54,3,DIURNO,,
 cumprida,2800,6,SIM_042_SBBE_SBSN,42,SBBE,SBSN,2025-01-25T14:54:14.400000Z,2025-01-25T16:35:02.400000Z,1.68,5,DIURNO,,
 cumprida,2800,7,SIM_045_SBTS_SBMN,45,SBTS,SBMN,2025-01-28T01:21:25.200000Z,2025-01-28T03:43:01.200000Z,2.36,4,DIURNO,,
 cumprida,2803,1,SIM_006_SBSN_SBBE,6,SBSN,SBBE,2025-01-05T06:29:20.400000Z,2025-01-05T08:16:44.400000Z,1.79,2,DIURNO,,
 cumprida,2803,2,SIM_023_SBBV_SWBC,23,SBBV,SWBC,2025-01-17T11:36:32.400000Z,2025-01-17T12:47:20.400000Z,1.18,3,DIURNO,,
 cumprida,2803,3,SIM_028_SBMN_SBTT,28,SBMN,SBTT,2025-01-19T05:45:50.400000Z,2025-01-19T07:06:14.400000Z,1.34,2,DIURNO,,
 cumprida,2809,1,SIM_036_SBPV_SWBC,36,SBPV,SWBC,2025-01-23T18:49:19.200000Z,2025-01-23T21:00:07.200000Z,2.18,3,DIURNO,,
 cumprida,2811,1,SIM_001_SBMN_SBMY,1,SBMN,SBMY,2025-01-01T02:22:55.200000Z,2025-01-01T03:09:07.200000Z,0.77,1,DIURNO,,
 cumprida,2811,2,SIM_003_SBMN_SBPV,3,SBMN,SBPV,2025-01-04T06:06:21.600000Z,2025-01-04T07:48:57.600000Z,1.71,1,DIURNO,,
 cumprida,2811,3,SIM_005_SBSN_SBTS,5,SBSN,SBTS,2025-01-05T05:32:09.600000Z,2025-01-05T09:50:09.600000Z,4.30,2,DIURNO,,
 cumprida,2811,4,SIM_025_SWBC_SBMN,25,SWBC,SBMN,2025-01-18T08:18:36Z,2025-01-18T09:11:24Z,0.88,3,DIURNO,,
 cumprida,2811,5,SIM_041_SBBE_SBTS,41,SBBE,SBTS,2025-01-24T12:09:03.600000Z,2025-01-24T17:48:03.600000Z,5.65,1,DIURNO,,
 nao_cumprida,,,SIM_002_SBBE_SBTT,2,SBBE,SBTT,2025-01-03T00:34:55.200000Z,2025-01-03T04:33:07.200000Z,3.97,1,DIURNO,,
 nao_cumprida,,,SIM_004_SBMN_SBUA,4,SBMN,SBUA,2025-01-04T12:04:51.600000Z,2025-01-04T13:55:51.600000Z,1.85,1,DIURNO,,
 nao_cumprida,,,SIM_009_SBMY_SBTS,9,SBMY,SBTS,2025-01-05T20:05:16.800000Z,2025-01-05T22:20:52.800000Z,2.26,2,DIURNO,,
 nao_cumprida,,,SIM_010_SBTT_SBMN,10,SBTT,SBMN,2025-01-05T21:25:37.200000Z,2025-01-05T22:33:25.200000Z,1.13,1,DIURNO,,
 nao_cumprida,,,SIM_011_SBBE_SBSN,11,SBBE,SBSN,2025-01-07T12:04:04.800000Z,2025-01-07T13:40:40.800000Z,1.61,1,DIURNO,,
 nao_cumprida,,,SIM_012_SWBC_SBSN,12,SWBC,SBSN,2025-01-08T16:32:16.800000Z,2025-01-08T18:52:40.800000Z,2.34,3,DIURNO,,
 nao_cumprida,,,SIM_013_SBMN_SBBV,13,SBMN,SBBV,2025-01-09T23:25:44.400000Z,2025-01-10T01:05:20.400000Z,1.66,2,DIURNO,,
 nao_cumprida,,,SIM_014_SBMN_SBTS,14,SBMN,SBTS,2025-01-11T09:41:20.400000Z,2025-01-11T12:08:20.400000Z,2.45,1,DIURNO,,
 nao_cumprida,,,SIM_016_SBPV_SBMN,16,SBPV,SBMN,2025-01-12T18:25:08.400000Z,2025-01-12T20:11:56.400000Z,1.78,1,DIURNO,,
 nao_cumprida,,,SIM_017_SBSN_SBMN,17,SBSN,SBMN,2025-01-13T06:27:18Z,2025-01-13T07:41:42Z,1.24,4,DIURNO,,
 nao_cumprida,,,SIM_018_SBSN_SBBV,18,SBSN,SBBV,2025-01-14T02:28:12Z,2025-01-14T04:36:36Z,2.14,1,DIURNO,,
 nao_cumprida,,,SIM_019_SBBV_SBMN,19,SBBV,SBMN,2025-01-15T07:32:56.400000Z,2025-01-15T09:12:32.400000Z,1.66,2,DIURNO,,
 nao_cumprida,,,SIM_020_SWBC_SBTS,20,SWBC,SBTS,2025-01-16T02:14:27.600000Z,2025-01-16T04:25:51.600000Z,2.19,4,DIURNO,,
 nao_cumprida,,,SIM_022_SBMN_SBBV,22,SBMN,SBBV,2025-01-16T12:38:16.800000Z,2025-01-16T14:04:40.800000Z,1.44,1,DIURNO,,
 nao_cumprida,,,SIM_024_SBMY_SBBV,24,SBMY,SBBV,2025-01-17T22:04:04.800000Z,2025-01-18T00:30:28.800000Z,2.44,1,DIURNO,,
 nao_cumprida,,,SIM_026_SBUA_SBTT,26,SBUA,SBTT,2025-01-18T20:18:46.800000Z,2025-01-18T21:21:10.800000Z,1.04,3,DIURNO,,
 nao_cumprida,,,SIM_027_SBTS_SBMY,27,SBTS,SBMY,2025-01-19T05:22:55.200000Z,2025-01-19T07:42:07.200000Z,2.32,1,DIURNO,,
 nao_cumprida,,,SIM_029_SBTT_SBSN,29,SBTT,SBSN,2025-01-20T02:58:12Z,2025-01-20T05:46:12Z,2.80,2,DIURNO,,
 nao_cumprida,,,SIM_030_SWBC_SBSN,30,SWBC,SBSN,2025-01-20T15:51:10.800000Z,2025-01-20T18:05:34.800000Z,2.24,2,DIURNO,,
 nao_cumprida,,,SIM_031_SBMN_SBTT,31,SBMN,SBTT,2025-01-21T19:19:40.800000Z,2025-01-21T20:35:52.800000Z,1.27,2,DIURNO,,
 nao_cumprida,,,SIM_032_SBMN_SBBE,32,SBMN,SBBE,2025-01-21T19:28:22.800000Z,2025-01-21T22:36:46.800000Z,3.14,5,DIURNO,,
 nao_cumprida,,,SIM_033_SBBV_SBSN,33,SBBV,SBSN,2025-01-22T22:56:56.400000Z,2025-01-23T00:56:56.400000Z,2.00,1,DIURNO,,
 nao_cumprida,,,SIM_034_SBTS_SBMN,34,SBTS,SBMN,2025-01-23T00:14:45.600000Z,2025-01-23T02:54:57.600000Z,2.67,2,DIURNO,,
 nao_cumprida,,,SIM_035_SBTT_SBMN,35,SBTT,SBMN,2025-01-23T02:00:57.600000Z,2025-01-23T03:12:21.600000Z,1.19,1,DIURNO,,
 nao_cumprida,,,SIM_038_SBBV_SBBE,38,SBBV,SBBE,2025-01-23T23:08:38.400000Z,2025-01-24T02:18:50.400000Z,3.17,2,DIURNO,,
 nao_cumprida,,,SIM_039_SBSN_SBMN,39,SBSN,SBMN,2025-01-24T02:44:38.400000Z,2025-01-24T03:59:02.400000Z,1.24,1,DIURNO,,
 nao_cumprida,,,SIM_040_SBSN_SBMN,40,SBSN,SBMN,2025-01-24T07:16:48Z,2025-01-24T08:30:36Z,1.23,4,DIURNO,,
 nao_cumprida,,,SIM_043_SBMN_SBPV,43,SBMN,SBPV,2025-01-26T17:47:06Z,2025-01-26T19:21:54Z,1.58,4,DIURNO,,
 nao_cumprida,,,SIM_044_SBBE_SBPV,44,SBBE,SBPV,2025-01-27T08:03:00Z,2025-01-27T12:37:48Z,4.58,3,DIURNO,,
 nao_cumprida,,,SIM_046_SBMN_SBUA,46,SBMN,SBUA,2025-01-28T01:26:06Z,2025-01-28T03:14:42Z,1.81,3,DIURNO,,
 nao_cumprida,,,SIM_047_SWBC_SBTS,47,SWBC,SBTS,2025-01-28T22:14:31.200000Z,2025-01-29T00:03:07.200000Z,1.81,2,DIURNO,,
 nao_cumprida,,,SIM_048_SBSN_SBUA,48,SBSN,SBUA,2025-01-29T19:44:38.400000Z,2025-01-29T22:51:14.400000Z,3.11,1,DIURNO,,
 nao_cumprida,,,SIM_049_SBMN_SBMY,49,SBMN,SBMY,2025-01-30T17:21:57.600000Z,2025-01-30T18:08:09.600000Z,0.77,4,DIURNO,,
 nao_cumprida,,,SIM_050_SBTT_SBPV,50,SBTT,SBPV,2025-01-31T12:02:13.200000Z,2025-01-31T13:22:01.200000Z,1.33,1,DIURNO,,
--- a/db/processed/resultado_oamrp_v3.csv
+++ b/db/processed/resultado_oamrp_v3.csv
@@ -0,0 +1,23 @@
 status,aeronave,ordem,id,om,orig,dest,partida_utc,chegada_utc,dur_h,prioridade,periodo,aeronave_real_2025,linhas_origem
 cumprida,2800,1,SIM_007_SBMN_SBCO,7,SBMN,SBCO,2025-01-09T02:09:28.800000Z,2025-01-09T07:58:40.800000Z,5.82,1,DIURNO,,
 cumprida,2800,2,SIM_010_SBCY_SBMN,10,SBCY,SBMN,2025-01-11T23:29:27.600000Z,2025-01-12T03:09:39.600000Z,3.67,3,DIURNO,,
 cumprida,2800,3,SIM_012_SWCA_SBTT,12,SWCA,SBTT,2025-01-12T14:52:01.200000Z,2025-01-12T16:14:49.200000Z,1.38,3,DIURNO,,
 cumprida,2800,4,SIM_019_SBMN_SWCA,19,SBMN,SWCA,2025-01-29T04:57:54Z,2025-01-29T06:36:54Z,1.65,1,DIURNO,,
 cumprida,2800,5,SIM_020_SWCA_SBCO,20,SWCA,SBCO,2025-01-31T03:09:10.800000Z,2025-01-31T08:39:46.800000Z,5.51,2,DIURNO,,
 inspecao,2800,,INSP_2800_3,INSP 2A,SBMN,SBMN,2025-01-12T16:14:49.200000Z,2025-01-16T16:14:49.200000Z,96.00,,,,
 cumprida,2803,1,SIM_006_SWBC_SBAN,6,SWBC,SBAN,2025-01-06T21:08:24Z,2025-01-07T00:56:24Z,3.80,2,DIURNO,,
 cumprida,2809,1,SIM_001_SBBE_SBMN,1,SBBE,SBMN,2025-01-02T07:53:34.800000Z,2025-01-02T11:07:22.800000Z,3.23,2,DIURNO,,
 cumprida,2809,2,SIM_002_SBPV_SBOI,2,SBPV,SBOI,2025-01-03T03:03:10.800000Z,2025-01-03T09:37:58.800000Z,6.58,3,DIURNO,,
 cumprida,2809,3,SIM_005_SBMY_SBYS,5,SBMY,SBYS,2025-01-04T19:37:19.200000Z,2025-01-05T01:06:43.200000Z,5.49,1,DIURNO,,
 cumprida,2809,4,SIM_008_SBPV_SBMN,8,SBPV,SBMN,2025-01-09T23:11:34.800000Z,2025-01-10T00:51:10.800000Z,1.66,2,DIURNO,,
 cumprida,2809,5,SIM_011_SBSN_SBVH,11,SBSN,SBVH,2025-01-12T01:26:24Z,2025-01-12T04:15:36Z,2.82,1,DIURNO,,
 cumprida,2809,6,SIM_016_SBTF_SBMN,16,SBTF,SBMN,2025-01-24T15:25:55.200000Z,2025-01-24T16:40:19.200000Z,1.24,3,DIURNO,,
 inspecao,2809,,INSP_2809_3,INSP 2A,SBMN,SBMN,2025-01-05T01:06:43.200000Z,2025-01-09T01:06:43.200000Z,96.00,,,,
 cumprida,2811,1,SIM_003_SBMN_SBUY,3,SBMN,SBUY,2025-01-03T09:50:20.400000Z,2025-01-03T16:17:56.400000Z,6.46,2,DIURNO,,
 cumprida,2811,2,SIM_004_SWCA_SBMN,4,SWCA,SBMN,2025-01-04T03:01:19.200000Z,2025-01-04T04:51:43.200000Z,1.84,3,DIURNO,,
 cumprida,2811,3,SIM_009_SBUY_SBCC,9,SBUY,SBCC,2025-01-11T12:27:50.400000Z,2025-01-11T17:17:02.400000Z,4.82,1,DIURNO,,
 cumprida,2811,4,SIM_013_SBUY_SBMN,13,SBUY,SBMN,2025-01-15T01:13:04.800000Z,2025-01-15T07:31:40.800000Z,6.31,3,DIURNO,,
 cumprida,2811,5,SIM_014_SBBE_SBUA,14,SBBE,SBUA,2025-01-20T05:25:19.200000Z,2025-01-20T10:31:55.200000Z,5.11,2,DIURNO,,
 cumprida,2811,6,SIM_015_SBBE_SBTS,15,SBBE,SBTS,2025-01-21T05:22:01.200000Z,2025-01-21T10:28:37.200000Z,5.11,4,DIURNO,,
 cumprida,2811,7,SIM_017_SWBC_SBCC,17,SWBC,SBCC,2025-01-27T03:48:10.800000Z,2025-01-27T07:24:46.800000Z,3.61,2,DIURNO,,
 cumprida,2811,8,SIM_018_SBMY_SBPV,18,SBMY,SBPV,2025-01-28T01:55:19.200000Z,2025-01-28T03:00:07.200000Z,1.08,2,DIURNO,,
--- a/docs/about.md
+++ b/docs/about.md
@@ -49,16 +49,72 @@ db/pre_process/relatorio_ciclo_inspecoes_c105_2805_2026-06-15/relatorio_ciclo_in
 db/pre_process/relatorio_ciclo_inspecoes_c105_2805_2026-06-15/relatorio_ciclo_inspecoes_c105_2805_2026-06-15_inspecoes.csv
 ```
-## Modelo OAMRP inicial
+## Modelo OAMRP v3 (modelo atual)
-O arquivo `software/oamrp_v1.py` contém um protótipo de modelo MIP em PuLP para o Aircraft Routing do Esquadrão Arara. O modelo usa dados sintéticos/substituíveis de aeronaves e missões e busca maximizar o cumprimento ponderado de missões opcionais.
+O arquivo `software/oamrp_v3.py` é o modelo principal. Implementa o *Operational Aircraft Maintenance Routing Problem* (Al-Thani, Ben Ahmed, Haouari, 2016, Transportation Research Part C, vol. 72, pp. 29–44) sobre uma rede espaço-tempo com arcos de ferry.
-Restrições representadas no protótipo:
+### Rede espaço-tempo
- continuidade espacial e temporal por aeronave;
+A rede tem quatro tipos de nó:
- turnaround mínimo entre missões;
+
- limite de horas de célula até a próxima inspeção;
+| Tipo | Descrição |
- base inicial e horas acumuladas reais de cada aeronave como parâmetros de entrada.
+| --- | --- |
 | `origem` | Nó de partida de cada aeronave (base inicial, t=0) |
 | `missao` | Uma missão específica; `aeronave_id=None` (qualquer aeronave pode voar) |
 | `inspecao` | Nó de manutenção; exclusivo de uma aeronave (`aeronave_id=k`) |
 | `sumidouro` | Nó de chegada ao fim do horizonte |
 Os arcos são: `inicio`, `missao_missao`, `missao_insp`, `insp_missao`, `missao_fim` e `ferry` (quando bases forem distintas). Ferry usa velocidade 430 km/h e distância haversine.
 ### Nomenclatura (Al-Thani, 2016)
 | Símbolo | Significado | Campo no código |
 | --- | --- | --- |
 | F | Intervalo máximo legal entre manutenções | `InspecaoParam.f_max` |
 | f_k | Horas acumuladas no início | `Aeronave.f0` |
 | LRT = F − f_k | Tempo legal restante (decresce) | `lrt_inicial()` |
 | H[k,i,nid] | Horas acumuladas em tempo real (cresce, reseta na inspeção) | `H[k,seq,nid]` |
 ### Restrições implementadas
 - **C1**: cada missão coberta por no máximo uma aeronave.
 - **C2**: conservação de fluxo em nós de missão e inspeção.
 - **C3**: continuidade espacial (base de chegada = base de partida do próximo arco; ferry gerado automaticamente).
 - **C4**: continuidade temporal (partida ≥ chegada + TAT 1,5h).
 - **C5**: missões EVAM (`obrigatoria=True`) devem ser cumpridas.
 - **C6**: `H[k,i,nid] ≤ f_max` para cada tipo de inspeção, com reset após nó de inspeção.
 - **C9**: downtime de inspeção (aeronave fica indisponível durante o slot de manutenção).
 - **C11**: slot único de inspeção por base — no máximo uma aeronave em manutenção a cada instante.
 ### Objetivos
 - **L1**: maximizar cobertura ponderada `Σ prioridade_m × z_m` (missões cobertas).
 - **L2**: maximizar horas voadas, dado o L1 fixado.
 ### Execução típica
 ```powershell
 python software/oamrp_v3.py --sintetico --seed 42 --aleatorio --ofrag db/processed/ofrag.csv
 ```
 Gera missões sintéticas cross-base, sorteia `f0` aleatório e carrega prioridades do OFRAG.
 ### Scripts auxiliares
 | Script | Função |
 | --- | --- |
 | `software/gerar_ofrag.py` | Gera `db/processed/ofrag.csv` com ordens de missão (OFRAG), prioridades 1–5 e tipo |
 | `software/visualizar_resultado.py` | Lê o CSV de resultado e gera `db/processed/mapa_rotas.html` (mapa Folium interativo) |
 ### Resultado validado (2026-06-16)
 Rodada sintética com 50 missões, seed 42, horas iniciais aleatórias e OFRAG: 50/50 missões cumpridas, solver CBC Optimal, todas as 4 EVAMs operacionais.
 ---
 ## Modelo OAMRP v1 (protótipo inicial)
 O arquivo `software/oamrp_v1.py` contém o protótipo inicial, substituído pelo v3. Mantido no repositório para referência histórica.
 Campos extraídos e estruturados:
@@ -172,3 +228,30 @@ O relatorio de validacao esta em:
 ```text
 db/pre_process/registro_voo_2025/validacao_registro_voo_2025.md
 ```
 ## Modelo OAMRP v2
 O arquivo `software/oamrp_v2.py` e a primeira versao do modelo usando o registro de voo 2025 consolidado.
 Entradas principais:
 - `db/processed/registro_voo_2025_consolidado.csv`;
 - janela padrao de `2025-01-01` ate `2025-02-01` exclusivo;
 - aeronaves reais `2800`, `2803`, `2809` e `2811`;
 - base inicial provisoria `SBMN`;
 - base de manutencao `SBMN`;
 - prioridade uniforme: todas as missoes recebem peso 1.
 Saida principal:
 ```text
 db/processed/resultado_oamrp_jan_2025.csv
 ```
 Resultado da primeira execucao:
 - status do solver: `Optimal`;
 - missoes cumpridas: 50/61;
 - prioridade obtida: 50/61.
 Limitacao atual: o limite de horas foi deixado alto para validar primeiro a continuidade espacial/temporal. A calibracao com dados reais de manutencao ainda deve ser feita em etapa posterior.
--- a/docs/authors.md
+++ b/docs/authors.md
@@ -2,11 +2,11 @@
 ## Colaboradores
-| Tag | Nome | Papel inicial |
+| Tag | Nome | Gitea | Papel inicial |
-| --- | --- | --- |
+| --- | --- | --- | --- |
-| `VTO` | Vitor Cesa | Organização do repositório, estrutura inicial, pré-processamento e documentação |
+| `VTO` | Vitor Cesa | [@vitorcesavc](https://git.ppgao.ita.br/vitorcesavc) | Organização do repositório, estrutura inicial, pré-processamento e documentação |
-| `GNR` | Generoso | Colaborador |
+| `GNR` | Generoso | — | Colaborador |
-| `JOM` | João Marcos | Colaborador e origem inicial do relatório de inspeções |
+| `JOM` | João Marcos | — | Colaborador e origem inicial do relatório de inspeções |
 ## Instituição e contexto
--- a/docs/changelog.md
+++ b/docs/changelog.md
@@ -14,6 +14,31 @@ Formato:
 ---
 ## v0.10 — VTO — 2026-06
 ### Alterado
 - **Set Covering → Set Partitioning (C1):** a restrição de cobertura de missões foi alterada de `Σ_k y_entrada ≤ 1` (Set Covering — missão opcional) para `Σ_k y_entrada = 1` (Set Partitioning — toda missão obrigatória). Isso reflete a premissa operacional de que cada missão deve ser realizada por exatamente uma aeronave, sem possibilidade de missões descobertas. A distinção anterior entre missões "hard" (EVAM) e "opcionais" foi eliminada.
 - **Número padrão de missões sintéticas reduzido de 50 para 20** (`--n-missoes`, `n_evam` de 5 para 4): Set Partitioning é mais restritivo e, com janelas de tempo fixas e restrições de inspeção simultâneas, 50 missões tornavam o MIP difícil de resolver ou inviável. Com 20 missões, a factibilidade é garantida na margem operacional de 4 aeronaves.
 - **Time limit padrão do solver CBC fixado em 120 s** (era ilimitado). O solver agora nunca trava indefinidamente; retorna a melhor solução encontrada dentro do prazo. O CLI mantém `--time-limit` para ajuste.
 - **Correção de display do status do solver:** PuLP redefinía `mdl.status` para "Not Solved" ao reutilizar o modelo em L2 (após `setObjective`). O status de L1 é agora preservado quando L2 reporta 0, evitando exibição enganosa.
 - **Cenário `f0_cenario_insp_grande.json` revisado:** apenas a matrícula 2803 recebe `f0=595h` para INSP 2A (F_max=600h, downtime=4 dias), forçando a inspeção aparecer no Gantt. As demais matrículas partem com `f0=0` (plena disponibilidade), evitando que o problema se torne inviável por múltiplos relógios apertados simultaneamente.
 ### Adicionado
 - `db/processed/planejamento_insp_grande.html`: visualização Gantt + mapa + tabela para o cenário com inspeção de 4 dias (INSP 2A — INSP CHECK 2A, 96 h de solo).
 ### Limitações conhecidas (para contribuidores)
 1. **Escopo validado restrito:** Set Partitioning foi validado apenas para o cenário sintético com 20 missões, seed 42, 4 aeronaves e somente uma matrícula (2803) com LRT apertado. Fora desse envelope, o MIP pode ser infeasible ou ultrapassar o time limit sem solução.
 2. **Missões sintéticas incluem bases fora da Amazônia** (SBBR, SBGL, SBYS etc.) geradas aleatoriamente pelo seed. Para estudos de caso realistas, o gerador deve ser restrito ao conjunto de bases do Esquadrão Arara.
 3. **Folga negativa no relatório:** quando uma aeronave realiza inspeção dentro do horizonte, o campo `folga` exibido (`LRT_ini − horas_celula_total`) pode ser negativo porque não desconta o reset do relógio pós-inspeção. Isso é um bug de display; a restrição `H ≤ F_max` está correta no modelo.
 4. **LRT muito curto (< 5 h) pode gerar instabilidade numérica no big-M:** o cenário foi configurado com LRT_ini=5 h para 2803, que está próximo do limiar onde o big-M deixa de ser eficaz. Valores menores podem permitir que o solver ignore a restrição por tolerância numérica (ε ≈ 1 e-4 do CBC).
 5. **Aeronave 2811 fica ociosa neste cenário:** o solver atribui todas as 20 missões a 3 aeronaves. Isso é matematicamente ótimo, mas pode não ser desejável operacionalmente. Considerar restrição de equilíbrio de carga em versões futuras.
 6. **Status "Not Solved" após L2:** a correção atual usa o status de L1 como proxy. Se L1 retornar apenas uma solução feasível (não ótima, por time limit), o modelo pode ser reportado como "Optimal" quando não é. Monitorar o campo `prio_otima` para validar.
 ---
 ## v0.2 — VTO — 2026-06
 ### Adicionado
@@ -86,3 +111,116 @@ Formato:
 ### Observacoes
 - A remocao foi aplicada no script de pre-processamento para manter reprodutibilidade.
 ## v0.9 — VTO — 2026-06
 ### Adicionado
 - Flag `--escala` na CLI: carrega missões reais da Escala de Voo Modelo 1 (CSV com separador `;`), com parser de data DD/MMM, horários UTC e prioridade derivada do código de missão (69TV→1, 50TT/05TF→3).
 - `BASES_COORDS` expandido de 10 para 26 bases (inclui SBMQ, SBOI, SBBR, SBGL, SBCY, SWEI, SWCA, SWKO, SBUY e outras rotas reais).
 - Cenários de f0 em JSON: `f0_cenario_esquadrao.json` (dados realistas do esquadrão) e `f0_cenario_insp_grande.json`.
 ### Corrigido
 - Gantt: FAB 2800 (y=0) estava invisível — corrigido com `yaxis range=[-0.5, n-0.5]`.
 - Gantt: barras não renderizavam (`shapes type="rect"`) — substituídas por `go.Scatter mode="lines"` que renderiza garantido no eixo de datas.
 - Largura mínima de 2h por barra no Gantt para voos curtos ficarem visíveis.
 ### Alterado
 - `--time-limit` default alterado de 60s para 300s (5 minutos).
 - Imports `timedelta` e `date` consolidados no topo do módulo (era importado localmente em funções).
 ### Resultado validado
 Rodada `--sintetico --n-missoes 30 --f0 f0_cenario_esquadrao.json` → 30/30 Optimal; FAB 2809 com 1 inspeção (CHECK 300) visível no Gantt.
 ---
 ## v0.8 — VTO — 2026-06
 ### Adicionado
 - Visualização combinada em HTML único: Gantt (Plotly) + mapa (Folium em iframe) + tabela de voos com filtros JS interativos.
 - Título "Planejamento de Diagonal de Manutenção" no HTML gerado.
 - Exportação de inspeções no CSV de resultado com timestamps UTC reais.
 - Filtros na tabela: aeronave, status, prioridade, base e busca livre; ordenação por coluna.
 - Flag `--time-limit` na CLI do solver (padrão era 60s).
 ---
 ## v0.7 — VTO — 2026-06
 ### Corrigido
 - Bug crítico de conservação de fluxo em nós de inspeção (`oamrp_v3.py`): o solver criava unidades de fluxo fantasma nesses nós, fazendo o relatório exibir 50/50 enquanto o CSV real tinha apenas 16 missões cobertas. Corrigido adicionando C2 para nós `tipo == "inspecao"`.
 - Bug de restrição C6 Fase 1 simplificada removida: somava horas totais sem respeitar resets de inspeção, tornando EVAMs 2809 e 2811 artificialmente ociosas. As variáveis `H[k,seq,nid]` com reset já impõem o limite corretamente.
 ### Adicionado
 - Flag `--aleatorio` na CLI: sorteia `f0` entre 10% e 90% de `F_max` por aeronave e tipo de inspeção.
 - Tabela OFRAG em `db/processed/ofrag.csv` com 50 ordens sintéticas (prioridades 1–5, tipo de missão, OM).
 - Script `software/gerar_ofrag.py` para gerar ou regen a tabela OFRAG de forma reprodutível.
 - Flag `--ofrag` na CLI: carrega prioridades do CSV ao gerar missões sintéticas.
 - Visualização interativa `db/processed/mapa_rotas.html` via Folium, com uma camada por aeronave, missões não cumpridas tracejadas e popup com detalhes.
 - Script `software/visualizar_resultado.py` para gerar o mapa a partir do CSV de resultado.
 ### Alterado
 - Nomenclatura alinhada com Al-Thani (2016): `lrt_h` → `f_max`; `horas_iniciais` → `f0`; `orcamento_h()` → `lrt_inicial()`; `horas_iniciais_aleatorias()` → `gerar_f0_aleatorio()`; `carregar_horas_iniciais()` → `carregar_f0()`; CLI `--horas-iniciais` → `--f0`.
 - Relatório imprime `F_max=`, `f0=` e `LRT_ini=` para cada aeronave, alinhado com a formulação do artigo de referência.
 ### Resultado validado
 Rodada `--sintetico --seed 42 --aleatorio --ofrag db/processed/ofrag.csv` → 50/50 missões cumpridas, solver CBC Optimal, todas as 4 EVAMs com voos e ferry.
 ---
 ## v0.6 - VTO - 2026-06
 ### Adicionado
 - Gerador de missões sintéticas cross-base (`gerar_missoes_sinteticas()`): 50 missões entre 10 bases com durações calculadas via haversine ÷ velocidade C-105 (430 km/h); flag `--sintetico`, `--n-missoes`, `--n-evam` na CLI.
 - Fase 3: arcos de ferry em `construir_rede()` — arcos `inicio`, `missao_missao`, `missao_insp` e `insp_missao` agora permitem bases distintas com tempo de ferry calculado automaticamente.
 - Ferry consome horas de célula no relógio de inspeção (C6: `carga = v.carga_h + a.horas_ferry`).
 - Relatório imprime segmentos `[FERRY base1->base2 Xh]` na linha do tempo de cada aeronave.
 - Resultado `db/processed/resultado_oamrp_sintetico.csv` para 50 missões sintéticas.
 ### Alterado
 - Dicionário `BASES_COORDS` com coordenadas (lat, lon) das 10 bases operacionais do C-105.
 ## v0.5 - VTO - 2026-06
 ### Adicionado
 - Modelo `software/oamrp_v3.py` — reescrita do zero com rede espaço-tempo (No/Arco) e variável unificada `y[k,arco]`.
 - Fase 1 (C1–C6): fluxo de conservação, cobertura de missões, restrição de voo ativo, orçamento de horas por inspeção.
 - Fase 2 (C7–C11): nós e arcos de inspeção na rede; variáveis `H[k,i,nid]` para relógio de horas com reset; C9 downtime; C11 slot único via variáveis disjuntivas `oo`.
 - Documento `HANDOFF_arara_oamrp.md` com formulação matemática, decisões de calibração (Q1–Q5) e plano de build incremental.
 - Resultado `db/processed/resultado_oamrp_v3.csv` para janeiro/2025.
 ### Alterado
 - TAT corrigido para 1,5h (era 1,0h em v2).
 - Top-10 bases por frequência no registro de voo 2025 (Q4).
 - Missões EVAM marcadas como obrigatórias (Q2).
 - Objetivo L2 definido como maximizar horas voadas (= minimizar folga ao fim do horizonte mensal) (Q3).
 ### Corrigido
 - Bug de escopo de arco: arcos de início/fim agora carregam `aeronave_id` e só entram na variável `y` do aircraft correto.
 - Bug `NameError tat_h` em C9b: substituído pela constante global `TAT_H`.
 - Bug `AttributeError` em `escrever_resultado`: filtro por `n.tipo == "missao"` antes de acessar `n.missao`.
 ## v0.4 - VTO - 2026-06
 ### Adicionado
 - Modelo `software/oamrp_v2.py` para rodar o OAMRP com o registro de voo 2025 consolidado.
 - Resultado inicial `db/processed/resultado_oamrp_jan_2025.csv`.
 ### Observacoes
 - Rodada padrao usa janeiro/2025, aeronaves reais `2800`, `2803`, `2809` e `2811`, base inicial provisoria `SBMN`, base de manutencao `SBMN` e prioridade uniforme 1.
 - Primeira execucao retornou solucao otima com 50 de 61 missoes cumpridas.
--- a/software/gerar_ofrag.py
+++ b/software/gerar_ofrag.py
@@ -0,0 +1,108 @@
 """
 Gera o arquivo de OFRAG (Ordem de Fragmentação) sintético para o Esquadrão Arara.
 Cada OFRAG autoriza uma missão específica e define:
  - Prioridade operacional (1=urgente … 5=baixa)
  - Tipo de missão (Logística, Médico, Pessoal, Reabastecimento, Reconhecimento)
  - Base de origem e destino
 Uso:
    python software/gerar_ofrag.py --seed 42 --n 50 --saida db/processed/ofrag.csv
 """
 import argparse
 import csv
 import random
 from datetime import datetime, timezone
 from pathlib import Path
 # ---------------------------------------------------------------------------
 # Importa constantes e função de geração do modelo principal
 # ---------------------------------------------------------------------------
 import sys
 sys.path.insert(0, str(Path(__file__).resolve().parent))
 from oamrp_v3 import (
    BASES_COORDS,
    TIPOS_MISSAO,
    _PESOS_PRIO,
    gerar_missoes_sinteticas,
 )
 BASE_DIR = Path(__file__).resolve().parents[1]
 OFRAG_PADRAO = BASE_DIR / "db" / "processed" / "ofrag.csv"
 _TIPOS_EVAM = ["Médico", "Logística"]  # EVAM normalmente carrega carga urgente
 def gerar_ofrag(
    n: int = 50,
    seed: int = 42,
    saida: Path = OFRAG_PADRAO,
 ) -> None:
    inicio = datetime(2025, 1, 1, tzinfo=timezone.utc)
    missoes, _ = gerar_missoes_sinteticas(n=n, seed=seed, inicio=inicio, n_evam=5)
    rng = random.Random(seed + 1)  # semente diferente para tipos
    saida.parent.mkdir(parents=True, exist_ok=True)
    colunas = [
        "id_ofrag", "missao_id", "om", "orig", "dest",
        "prioridade", "tipo_missao", "observacao",
    ]
    with saida.open("w", newline="", encoding="utf-8-sig") as f:
        w = csv.DictWriter(f, fieldnames=colunas)
        w.writeheader()
        for idx, m in enumerate(missoes, start=1):
            if m.obrigatoria:
                prio = 1
                tipo = rng.choice(_TIPOS_EVAM)
                obs = "EVAM — execução obrigatória"
            else:
                prio = rng.choices(range(1, 6), weights=_PESOS_PRIO)[0]
                tipo = rng.choices(TIPOS_MISSAO, weights=[20, 15, 25, 25, 15])[0]
                obs = ""
            w.writerow({
                "id_ofrag": f"OFRAG-2025-{idx:03d}",
                "missao_id": m.id,
                "om": m.om,
                "orig": m.orig,
                "dest": m.dest,
                "prioridade": prio,
                "tipo_missao": tipo,
                "observacao": obs,
            })
    print(f" OFRAG gerado: {saida}  ({len(missoes)} ordens)")
    _resumir(saida)
 def _resumir(saida: Path) -> None:
    from collections import Counter
    prios: Counter = Counter()
    tipos: Counter = Counter()
    with saida.open(newline="", encoding="utf-8-sig") as f:
        for row in csv.DictReader(f):
            prios[int(row["prioridade"])] += 1
            tipos[row["tipo_missao"]] += 1
    print("\n Distribuição de prioridades:")
    for p in sorted(prios):
        bar = "#" * prios[p]
        print(f"   Prio {p}: {prios[p]:3d}  {bar}")
    print("\n Distribuição de tipos:")
    for t, c in tipos.most_common():
        print(f"   {t:<20} {c:3d}")
 def main() -> None:
    parser = argparse.ArgumentParser(description="Gerador de OFRAG sintético — Arara C-105")
    parser.add_argument("--seed", type=int, default=42)
    parser.add_argument("--n", type=int, default=50, help="Número de missões")
    parser.add_argument("--saida", type=Path, default=OFRAG_PADRAO)
    args = parser.parse_args()
    gerar_ofrag(n=args.n, seed=args.seed, saida=args.saida)
 if __name__ == "__main__":
    main()
--- a/software/oamrp_v2.py
+++ b/software/oamrp_v2.py
@@ -0,0 +1,375 @@
 """
 ============================================================================
 AIRCRAFT ROUTING - ESQUADRAO ARARA - V2
 ============================================================================
 Primeira versao do modelo OAMRP usando dados reais pre-processados do
 registro de voo 2025.
 Diferencas em relacao ao v1:
   - le o CSV consolidado gerado a partir da Planilha 2025;
   - filtra uma janela de datas, com janeiro/2025 como padrao;
   - usa aeronaves reais observadas no registro: 2800, 2803, 2809 e 2811;
   - gera um CSV de resultado em db/processed/.
 Esta versao ainda e uma rodada exploratoria. Todas as missoes recebem
 prioridade 1 e a base de manutencao considerada e SBMN.
 ============================================================================
 """
 from __future__ import annotations
 import argparse
 import csv
 from dataclasses import dataclass
 from datetime import datetime, timezone
 from pathlib import Path
 import pulp
 BASE_DIR = Path(__file__).resolve().parents[1]
 CSV_REGISTRO_PADRAO = BASE_DIR / "db" / "processed" / "registro_voo_2025_consolidado.csv"
 CSV_RESULTADO_PADRAO = BASE_DIR / "db" / "processed" / "resultado_oamrp_jan_2025.csv"
 DATA_INICIO_PADRAO = "2025-01-01"
 DATA_FIM_PADRAO = "2025-02-01"  # exclusivo
 BASE_MANUTENCAO = "SBMN"
 BASE_INICIAL = BASE_MANUTENCAO
 TURNAROUND_MIN_H = 1.0
 LIMITE_HORAS_F = 300.0
 PRIORIDADE_PADRAO = 1
 AERONAVES = [
    # id    base inicial  horas acumuladas desde ultima inspecao
    ("2800", BASE_INICIAL, 0.0),
    ("2803", BASE_INICIAL, 0.0),
    ("2809", BASE_INICIAL, 0.0),
    ("2811", BASE_INICIAL, 0.0),
 ]
@dataclass(frozen=True)
 class Missao:
    id: str
    orig: str
    dest: str
    partida_utc: datetime
    chegada_utc: datetime
    prioridade: int
    periodo: str
    linhas_origem: str
    aeronave_real: str
    om: str
    @property
    def dur_h(self) -> float:
        return (self.chegada_utc - self.partida_utc).total_seconds() / 3600
 def parse_utc(valor: str) -> datetime:
    texto = str(valor).strip()
    if texto.endswith("Z"):
        texto = texto[:-1] + "+00:00"
    dt = datetime.fromisoformat(texto)
    if dt.tzinfo is None:
        dt = dt.replace(tzinfo=timezone.utc)
    return dt.astimezone(timezone.utc)
 def parse_data_inicio(valor: str) -> datetime:
    return datetime.fromisoformat(valor).replace(tzinfo=timezone.utc)
 def carregar_missoes(caminho: Path, inicio: datetime, fim: datetime) -> list[Missao]:
    missoes: list[Missao] = []
    with caminho.open(newline="", encoding="utf-8-sig") as arquivo:
        leitor = csv.DictReader(arquivo)
        for linha in leitor:
            partida = parse_utc(linha["partida_utc"])
            chegada = parse_utc(linha["chegada_utc"])
            if not (inicio <= partida < fim):
                continue
            if chegada <= partida:
                raise ValueError(f"Missao {linha['id_registro']}: chegada antes da partida")
            missoes.append(
                Missao(
                    id=linha["id_registro"],
                    orig=linha["localidade_dep"],
                    dest=linha["localidade_arr"],
                    partida_utc=partida,
                    chegada_utc=chegada,
                    prioridade=PRIORIDADE_PADRAO,
                    periodo=linha.get("periodo", ""),
                    linhas_origem=linha.get("linhas_origem", ""),
                    aeronave_real=linha.get("aeronave", ""),
                    om=linha.get("om", ""),
                )
            )
    return sorted(missoes, key=lambda m: (m.partida_utc, m.id))
 def horas_relativas(missoes: list[Missao]) -> tuple[dict[str, dict[str, object]], datetime]:
    horizonte_inicio = min(m.partida_utc for m in missoes)
    dados = {}
    for missao in missoes:
        dados[missao.id] = {
            "orig": missao.orig,
            "dest": missao.dest,
            "part": (missao.partida_utc - horizonte_inicio).total_seconds() / 3600,
            "cheg": (missao.chegada_utc - horizonte_inicio).total_seconds() / 3600,
            "prio": missao.prioridade,
            "dur": missao.dur_h,
            "obj": missao,
        }
    return dados, horizonte_inicio
 def resolver(missoes: list[Missao]) -> dict[str, object]:
    if not missoes:
        raise ValueError("Nenhuma missao encontrada na janela informada")
    miss, horizonte_inicio = horas_relativas(missoes)
    acft = {a[0]: {"base": a[1], "f": a[2]} for a in AERONAVES}
    ids = list(miss.keys())
    ks = list(acft.keys())
    conex = [
        (i, j)
        for i in ids
        for j in ids
        if i != j
        and miss[i]["dest"] == miss[j]["orig"]
        and miss[j]["part"] >= miss[i]["cheg"] + TURNAROUND_MIN_H
    ]
    def pode_iniciar(k: str, i: str) -> bool:
        return miss[i]["orig"] == acft[k]["base"]
    mdl = pulp.LpProblem("ARARA_OAMRP_v2", pulp.LpMaximize)
    x = {(k, i): pulp.LpVariable(f"x_{k}_{i}", cat="Binary") for k in ks for i in ids}
    s = {
        (k, i): pulp.LpVariable(f"s_{k}_{i}", cat="Binary")
        for k in ks
        for i in ids
        if pode_iniciar(k, i)
    }
    c = {
        (k, i, j): pulp.LpVariable(f"c_{k}_{i}_{j}", cat="Binary")
        for k in ks
        for (i, j) in conex
    }
    z = {i: pulp.LpVariable(f"z_{i}", cat="Binary") for i in ids}
    mdl += pulp.lpSum(miss[i]["prio"] * z[i] for i in ids), "missoes_cumpridas_ponderadas"
    for i in ids:
        mdl += z[i] == pulp.lpSum(x[(k, i)] for k in ks), f"def_z_{i}"
    for k in ks:
        for i in ids:
            entradas = pulp.lpSum(c[(k, jj, i)] for (jj, ii) in conex if ii == i)
            inicio = s[(k, i)] if (k, i) in s else 0
            mdl += inicio + entradas == x[(k, i)], f"in_{k}_{i}"
    for k in ks:
        for i in ids:
            saidas = pulp.lpSum(c[(k, i, jj)] for (ii, jj) in conex if ii == i)
            mdl += saidas <= x[(k, i)], f"out_{k}_{i}"
    for k in ks:
        inicios = [s[(k, i)] for i in ids if (k, i) in s]
        if inicios:
            mdl += pulp.lpSum(inicios) <= 1, f"start_{k}"
    for k in ks:
        mdl += (
            pulp.lpSum(miss[i]["dur"] * x[(k, i)] for i in ids)
            <= LIMITE_HORAS_F - acft[k]["f"]
        ), f"horas_{k}"
    solver = pulp.PULP_CBC_CMD(msg=False)
    mdl.solve(solver)
    prio_otima = int(round(pulp.value(mdl.objective) or 0))
    # Criterio secundario: entre solucoes com a mesma prioridade, minimiza horas
    # totais atribuidas. Neste v2 isso evita voos extras irrelevantes se houver
    # empate em prioridade.
    mdl += pulp.lpSum(miss[i]["prio"] * z[i] for i in ids) == prio_otima, "fixa_prioridade"
    mdl.sense = pulp.LpMinimize
    mdl.setObjective(pulp.lpSum(miss[i]["dur"] * x[(k, i)] for k in ks for i in ids))
    mdl.solve(solver)
    return {
        "modelo": mdl,
        "miss": miss,
        "acft": acft,
        "ids": ids,
        "ks": ks,
        "conex": conex,
        "x": x,
        "s": s,
        "c": c,
        "z": z,
        "horizonte_inicio": horizonte_inicio,
        "prioridade_otima": prio_otima,
    }
 def rota_da_aeronave(sol: dict[str, object], k: str) -> list[str]:
    ids = sol["ids"]
    conex = sol["conex"]
    s = sol["s"]
    c = sol["c"]
    inicio = [
        i
        for i in ids
        if (k, i) in s and s[(k, i)].value() is not None and s[(k, i)].value() > 0.5
    ]
    if not inicio:
        return []
    seq = [inicio[0]]
    while True:
        atual = seq[-1]
        prox = [
            j
            for (ii, j) in conex
            if ii == atual and c[(k, atual, j)].value() is not None and c[(k, atual, j)].value() > 0.5
        ]
        if not prox:
            break
        seq.append(prox[0])
    return seq
 def escrever_resultado(sol: dict[str, object], caminho: Path) -> None:
    caminho.parent.mkdir(parents=True, exist_ok=True)
    miss = sol["miss"]
    z = sol["z"]
    linhas = []
    for k in sol["ks"]:
        for ordem, mid in enumerate(rota_da_aeronave(sol, k), start=1):
            obj = miss[mid]["obj"]
            linhas.append(
                {
                    "aeronave_modelo": k,
                    "ordem": ordem,
                    "id": mid,
                    "om": obj.om,
                    "orig": obj.orig,
                    "dest": obj.dest,
                    "partida_utc": obj.partida_utc.isoformat().replace("+00:00", "Z"),
                    "chegada_utc": obj.chegada_utc.isoformat().replace("+00:00", "Z"),
                    "dur_h": f"{obj.dur_h:.2f}",
                    "prioridade": obj.prioridade,
                    "periodo": obj.periodo,
                    "aeronave_real_2025": obj.aeronave_real,
                    "linhas_origem": obj.linhas_origem,
                    "status": "cumprida",
                }
            )
    for mid in sol["ids"]:
        if not z[mid].value() or z[mid].value() <= 0.5:
            obj = miss[mid]["obj"]
            linhas.append(
                {
                    "aeronave_modelo": "",
                    "ordem": "",
                    "id": mid,
                    "om": obj.om,
                    "orig": obj.orig,
                    "dest": obj.dest,
                    "partida_utc": obj.partida_utc.isoformat().replace("+00:00", "Z"),
                    "chegada_utc": obj.chegada_utc.isoformat().replace("+00:00", "Z"),
                    "dur_h": f"{obj.dur_h:.2f}",
                    "prioridade": obj.prioridade,
                    "periodo": obj.periodo,
                    "aeronave_real_2025": obj.aeronave_real,
                    "linhas_origem": obj.linhas_origem,
                    "status": "nao_cumprida",
                }
            )
    colunas = [
        "status",
        "aeronave_modelo",
        "ordem",
        "id",
        "om",
        "orig",
        "dest",
        "partida_utc",
        "chegada_utc",
        "dur_h",
        "prioridade",
        "periodo",
        "aeronave_real_2025",
        "linhas_origem",
    ]
    with caminho.open("w", newline="", encoding="utf-8-sig") as arquivo:
        escritor = csv.DictWriter(arquivo, fieldnames=colunas)
        escritor.writeheader()
        escritor.writerows(linhas)
 def imprimir_relatorio(sol: dict[str, object], resultado_csv: Path) -> None:
    miss = sol["miss"]
    z = sol["z"]
    ids = sol["ids"]
    cobertas = [i for i in ids if z[i].value() is not None and z[i].value() > 0.5]
    prioridade_total = sum(int(miss[i]["prio"]) for i in ids)
    prioridade_obtida = sum(int(miss[i]["prio"]) for i in cobertas)
    print("=" * 72)
    print(" OAMRP V2 - Registro de voo 2025 consolidado")
    print("=" * 72)
    print(f" Status solver: {pulp.LpStatus[sol['modelo'].status]}")
    print(f" Horizonte inicia em UTC: {sol['horizonte_inicio'].isoformat().replace('+00:00', 'Z')}")
    print(f" Missoes cumpridas: {len(cobertas)}/{len(ids)}")
    print(f" Prioridade obtida: {prioridade_obtida}/{prioridade_total}")
    print(f" Resultado CSV: {resultado_csv}")
    for k in sol["ks"]:
        seq = rota_da_aeronave(sol, k)
        horas = sum(float(miss[i]["dur"]) for i in seq)
        print(f"\n Aeronave {k}: {len(seq)} missoes | {horas:.1f}h")
        for mid in seq[:12]:
            obj = miss[mid]["obj"]
            print(
                f"   {obj.partida_utc:%d/%m %H:%M}Z "
                f"{obj.orig}->{obj.dest} OM {obj.om} ({mid})"
            )
        if len(seq) > 12:
            print(f"   ... mais {len(seq) - 12} missoes")
    nao_cumpridas = [i for i in ids if i not in cobertas]
    if nao_cumpridas:
        print("\n Missoes nao cumpridas (primeiras 20):")
        for mid in nao_cumpridas[:20]:
            obj = miss[mid]["obj"]
            print(f"   {obj.partida_utc:%d/%m %H:%M}Z {obj.orig}->{obj.dest} OM {obj.om} ({mid})")
        if len(nao_cumpridas) > 20:
            print(f"   ... mais {len(nao_cumpridas) - 20} missoes")
 def main() -> None:
    parser = argparse.ArgumentParser(description="Resolve OAMRP v2 com registro de voo real.")
    parser.add_argument("--csv", type=Path, default=CSV_REGISTRO_PADRAO)
    parser.add_argument("--inicio", default=DATA_INICIO_PADRAO)
    parser.add_argument("--fim", default=DATA_FIM_PADRAO)
    parser.add_argument("--resultado", type=Path, default=CSV_RESULTADO_PADRAO)
    args = parser.parse_args()
    inicio = parse_data_inicio(args.inicio)
    fim = parse_data_inicio(args.fim)
    missoes = carregar_missoes(args.csv, inicio, fim)
    sol = resolver(missoes)
    escrever_resultado(sol, args.resultado)
    imprimir_relatorio(sol, args.resultado)
 if __name__ == "__main__":
    main()
--- a/software/oamrp_v3.py
+++ b/software/oamrp_v3.py
--- a/software/visualizar_resultado.py
+++ b/software/visualizar_resultado.py
@@ -0,0 +1,625 @@
 """
 Visualização interativa do resultado OAMRP — Esquadrão Arara C-105.
 Gera um único HTML com título "Planejamento de Diagonal de Manutenção" contendo:
  - Gantt (Plotly): calendário aeronave × tempo com voos e inspeções
  - Mapa (Folium): rotas por aeronave, missões não cumpridas, bases
 Uso:
    python software/visualizar_resultado.py \
        --resultado db/processed/resultado_oamrp_sintetico.csv \
        --saida db/processed/planejamento.html
 """
 import argparse
 import csv
 import io
 from datetime import datetime, timedelta, timezone
 from html import escape
 from pathlib import Path
 import folium
 BASE_DIR = Path(__file__).resolve().parents[1]
 RESULTADO_PADRAO = BASE_DIR / "db" / "processed" / "resultado_oamrp_sintetico.csv"
 SAIDA_PADRAO = BASE_DIR / "db" / "processed" / "planejamento.html"
 # Coordenadas das bases (lat, lon)
 BASES_COORDS: dict[str, tuple[float, float]] = {
    "SBMN": (-3.15, -59.99),
    "SBBE": (-1.38, -48.48),
    "SBBV": ( 2.84, -60.69),
    "SBSN": (-2.42, -54.79),
    "SBPV": (-8.71, -63.90),
    "SBTS": (-4.25, -69.94),
    "SBTT": (-3.38, -64.72),
    "SBUA": (-0.15, -67.05),
    "SWBC": (-0.98, -62.92),
    "SBMY": (-5.81, -61.28),
 }
 BASES_NOMES = {
    "SBMN": "Manaus / Ponta Pelada (Hub)",
    "SBBE": "Belém",
    "SBBV": "Boa Vista",
    "SBSN": "Santarém",
    "SBPV": "Porto Velho",
    "SBTS": "Tabatinga",
    "SBTT": "Tefé",
    "SBUA": "São Gabriel da Cachoeira",
    "SWBC": "Barcelos",
    "SBMY": "Manicoré",
 }
 CORES_AERONAVE = {
    "2800": "#1f77b4",
    "2803": "#2ca02c",
    "2809": "#d62728",
    "2811": "#ff7f0e",
 }
 COR_NAO_CUMPRIDA = "#aaaaaa"
 _GANTT_CORES = {
    "cumprida": {
        "1": "#d62728",
        "2": "#ff7f0e",
        "3": "#2ca02c",
        "4": "#1f77b4",
        "5": "#9467bd",
        "": "#1f77b4",
    },
    "inspecao": "#8c564b",
    "nao_cumprida": "#aaaaaa",
 }
 def _cor_prio(prio: str) -> str:
    return {"1": "red", "2": "orange", "3": "yellow", "4": "lightblue", "5": "lightgray"}.get(str(prio), "white")
 def _cor_gantt(linha: dict) -> str:
    status = linha["status"]
    if status == "inspecao":
        return _GANTT_CORES["inspecao"]
    if status == "nao_cumprida":
        return _GANTT_CORES["nao_cumprida"]
    return _GANTT_CORES["cumprida"].get(linha.get("prioridade", ""), "#1f77b4")
 def carregar_resultado(caminho: Path) -> list[dict]:
    with caminho.open(newline="", encoding="utf-8-sig") as f:
        return list(csv.DictReader(f))
 def _resumir_resultado(linhas: list[dict]) -> None:
    cumpridas = sum(1 for r in linhas if r["status"] == "cumprida")
    total_missoes = sum(1 for r in linhas if r["status"] in ("cumprida", "nao_cumprida"))
    print(f" Missões: {cumpridas}/{total_missoes} cumpridas")
    aeronaves: dict[str, int] = {}
    for r in linhas:
        if r["aeronave"] and r["status"] == "cumprida":
            aeronaves.setdefault(r["aeronave"], 0)
            aeronaves[r["aeronave"]] += 1
    for k, c in sorted(aeronaves.items()):
        print(f"   FAB {k}: {c} missões")
 # ---------------------------------------------------------------------------
 # Mapa Folium → string HTML
 # ---------------------------------------------------------------------------
 def _construir_mapa(linhas: list[dict]) -> str:
    mapa = folium.Map(location=[-3.5, -62.0], zoom_start=5, tiles="CartoDB positron")
    aeronaves_vistas = sorted({r["aeronave"] for r in linhas if r["aeronave"]})
    grupos: dict[str, folium.FeatureGroup] = {}
    for k in aeronaves_vistas:
        grupos[k] = folium.FeatureGroup(name=f"FAB {k}", show=True)
    grupos["nao_cumprida"] = folium.FeatureGroup(name="Não cumpridas", show=True)
    for r in linhas:
        if r["status"] != "cumprida":
            continue
        orig, dest = r["orig"], r["dest"]
        if orig not in BASES_COORDS or dest not in BASES_COORDS:
            continue
        k = r["aeronave"]
        cor = CORES_AERONAVE.get(k, "#333333")
        lat_o, lon_o = BASES_COORDS[orig]
        lat_d, lon_d = BASES_COORDS[dest]
        folium.PolyLine(
            locations=[[lat_o, lon_o], [lat_d, lon_d]],
            color=cor, weight=2.5, opacity=0.8,
            tooltip=f"FAB {k} | {orig}→{dest} | OM {r['om']} | prio {r['prioridade']}",
            popup=folium.Popup(
                f"<b>FAB {k}</b> — Missão #{r['ordem']}<br>"
                f"{orig} → {dest}<br>"
                f"OM: {r['om']} | Prio: {r['prioridade']}<br>"
                f"Partida: {r['partida_utc'][:16].replace('T',' ')}Z<br>"
                f"Chegada: {r['chegada_utc'][:16].replace('T',' ')}Z<br>"
                f"Duração: {r['dur_h']}h",
                max_width=250,
            ),
        ).add_to(grupos[k])
        folium.CircleMarker(
            location=[lat_o, lon_o], radius=4, color=cor,
            fill=True, fill_color=_cor_prio(r["prioridade"]), fill_opacity=0.9,
            tooltip=f"{orig} | prio {r['prioridade']}",
        ).add_to(grupos[k])
    for r in linhas:
        if r["status"] == "nao_cumprida":
            orig, dest = r["orig"], r["dest"]
            if orig not in BASES_COORDS or dest not in BASES_COORDS:
                continue
            lat_o, lon_o = BASES_COORDS[orig]
            lat_d, lon_d = BASES_COORDS[dest]
            folium.PolyLine(
                locations=[[lat_o, lon_o], [lat_d, lon_d]],
                color=COR_NAO_CUMPRIDA, weight=1.5, opacity=0.5, dash_array="6 4",
                tooltip=f"NÃO CUMPRIDA | {orig}→{dest} | OM {r['om']} | prio {r['prioridade']}",
            ).add_to(grupos["nao_cumprida"])
    for g in grupos.values():
        g.add_to(mapa)
    for icao, (lat, lon) in BASES_COORDS.items():
        folium.Marker(
            location=[lat, lon],
            tooltip=f"<b>{icao}</b><br>{BASES_NOMES.get(icao, '')}",
            popup=folium.Popup(f"<b>{icao}</b><br>{BASES_NOMES.get(icao, '')}", max_width=200),
            icon=folium.Icon(color="red" if icao == "SBMN" else "blue", icon="plane", prefix="fa"),
        ).add_to(mapa)
    folium.LayerControl(collapsed=False).add_to(mapa)
    legenda_html = """
    <div style="position:fixed;bottom:30px;left:30px;z-index:1000;background:white;
                padding:12px 16px;border-radius:8px;box-shadow:2px 2px 6px rgba(0,0,0,0.3);
                font-family:sans-serif;font-size:12px;">
      <b>Esquadrão Arara — OAMRP v3</b><br><br>
      <b>Aeronaves:</b><br>
    """
    for k, cor in CORES_AERONAVE.items():
        legenda_html += (
            f'  <span style="display:inline-block;width:16px;height:4px;'
            f'background:{cor};margin-right:6px;vertical-align:middle;"></span>'
            f'FAB {k}<br>'
        )
    legenda_html += """
      <br><b>Prioridade (preenchimento):</b><br>
      <span style="display:inline-block;width:12px;height:12px;border-radius:50%;
        background:red;margin-right:6px;"></span>Prio 1 (urgente)<br>
      <span style="display:inline-block;width:12px;height:12px;border-radius:50%;
        background:orange;margin-right:6px;"></span>Prio 2<br>
      <span style="display:inline-block;width:12px;height:12px;border-radius:50%;
        background:yellow;margin-right:6px;"></span>Prio 3<br>
      <span style="display:inline-block;width:12px;height:12px;border-radius:50%;
        background:lightblue;margin-right:6px;"></span>Prio 4–5<br>
      <br>
      <span style="border-bottom:2px dashed #aaa;display:inline-block;width:20px;
        margin-right:6px;"></span>Não cumprida
    </div>
    """
    mapa.get_root().html.add_child(folium.Element(legenda_html))
    return mapa.get_root().render()
 # ---------------------------------------------------------------------------
 # Gantt Plotly → string HTML (só o div, sem <html>)
 # ---------------------------------------------------------------------------
 def _construir_gantt(linhas: list[dict]) -> str:
    try:
        import plotly.graph_objects as go
    except ImportError:
        return "<p><em>plotly não instalado — instale com: pip install plotly</em></p>"
    aeronaves_ord = sorted(
        {r["aeronave"] for r in linhas if r["aeronave"]},
        key=lambda k: int(k) if k.isdigit() else 0,
    )
    y_pos = {k: i for i, k in enumerate(aeronaves_ord)}
    fig = go.Figure()
    for i, k in enumerate(aeronaves_ord):
        fig.add_hrect(
            y0=i - 0.45, y1=i + 0.45,
            fillcolor="#f0f0f0" if i % 2 == 0 else "white",
            layer="below", line_width=0,
        )
    shapes = []
    bar_traces = []
    for r in linhas:
        k = r["aeronave"]
        if not k or k not in y_pos:
            continue
        try:
            ini = r["partida_utc"].replace("Z", "+00:00")
            fim = r["chegada_utc"].replace("Z", "+00:00")
        except Exception:
            continue
        ini_dt = datetime.fromisoformat(ini)
        fim_dt = datetime.fromisoformat(fim)
        if (fim_dt - ini_dt).total_seconds() < 2 * 3600:
            fim_dt = ini_dt + timedelta(hours=2)
        yi = y_pos[k]
        cor = _cor_gantt(r)
        status = r["status"]
        if status == "inspecao":
            txt = (
                f"<b>FAB {k}</b> — Inspeção {r['om']}<br>"
                f"Início: {ini[:16].replace('T',' ')}Z<br>"
                f"Fim: {fim[:16].replace('T',' ')}Z<br>"
                f"Duração: {r['dur_h']}h"
            )
        else:
            txt = (
                f"<b>FAB {k}</b> — Missão #{r['ordem']}<br>"
                f"{r['orig']} → {r['dest']}<br>"
                f"OM: {r['om']} | Prio: {r['prioridade']}<br>"
                f"Partida: {ini[:16].replace('T',' ')}Z<br>"
                f"Chegada: {fim[:16].replace('T',' ')}Z<br>"
                f"Duração: {r['dur_h']}h"
            )
        # Barra como linha horizontal grossa — renderiza garantido no eixo de datas
        bar_traces.append(go.Scatter(
            x=[ini_dt, fim_dt],
            y=[yi, yi],
            mode="lines",
            line=dict(color=cor, width=64),
            hovertext=[txt, txt],
            hoverinfo="text",
            showlegend=False,
        ))
    # Divisões diárias
    datas_utc = [
        r[campo].replace("Z", "+00:00")
        for r in linhas
        for campo in ("partida_utc", "chegada_utc")
        if r.get(campo)
    ]
    if datas_utc:
        t_min = datetime.fromisoformat(min(datas_utc))
        t_max = datetime.fromisoformat(max(datas_utc))
        dia = datetime(t_min.year, t_min.month, t_min.day, tzinfo=timezone.utc)
        while dia <= t_max + timedelta(days=1):
            shapes.append(dict(
                type="line", xref="x", yref="paper",
                x0=dia.isoformat(), x1=dia.isoformat(),
                y0=0, y1=1,
                line=dict(color="#bbbbbb", width=1, dash="dot"),
                layer="above",
            ))
            dia += timedelta(days=1)
    # Legenda
    for nome, cor in [
        ("Prio 1", _GANTT_CORES["cumprida"]["1"]),
        ("Prio 2", _GANTT_CORES["cumprida"]["2"]),
        ("Prio 3", _GANTT_CORES["cumprida"]["3"]),
        ("Prio 4", _GANTT_CORES["cumprida"]["4"]),
        ("Prio 5", _GANTT_CORES["cumprida"]["5"]),
        ("Inspeção", _GANTT_CORES["inspecao"]),
    ]:
        fig.add_trace(go.Scatter(
            x=[None], y=[None], mode="markers",
            marker=dict(size=12, color=cor, symbol="square"),
            name=nome, showlegend=True,
        ))
    for t in bar_traces:
        fig.add_trace(t)
    fig.update_layout(
        shapes=shapes,
        xaxis=dict(
            title="Data / Hora (UTC)", type="date",
            tickformat="%d/%m", dtick=86400000,
            showgrid=True, gridcolor="#dddddd",
        ),
        yaxis=dict(
            title="Aeronave",
            tickvals=list(range(len(aeronaves_ord))),
            ticktext=[f"FAB {k}" for k in aeronaves_ord],
            showgrid=False,
            range=[-0.5, len(aeronaves_ord) - 0.5],
        ),
        height=max(300, 120 + 80 * len(aeronaves_ord)),
        plot_bgcolor="white",
        paper_bgcolor="white",
        legend=dict(title="Legenda", orientation="v", x=1.01, y=1, xanchor="left"),
        margin=dict(l=100, r=160, t=10, b=60),
        hovermode="closest",
    )
    return fig.to_html(full_html=False, include_plotlyjs="cdn")
 # ---------------------------------------------------------------------------
 # Tabela de voos com filtros
 # ---------------------------------------------------------------------------
 def _construir_tabela(linhas: list[dict]) -> str:
    import json
    # Monta lista de registros para a tabela (missões + inspeções, sem nao_cumprida sem aeronave)
    registros = []
    for r in linhas:
        status = r["status"]
        k = r["aeronave"]
        if status == "nao_cumprida" and not k:
            # mantém como linha sem aeronave
            k = "—"
        registros.append({
            "status":    status,
            "aeronave":  f"FAB {k}" if k and k != "—" else "—",
            "ordem":     r.get("ordem", ""),
            "om":        r.get("om", ""),
            "orig":      r.get("orig", ""),
            "dest":      r.get("dest", ""),
            "partida":   r.get("partida_utc", "")[:16].replace("T", " ") + "Z" if r.get("partida_utc") else "",
            "chegada":   r.get("chegada_utc", "")[:16].replace("T", " ") + "Z" if r.get("chegada_utc") else "",
            "dur_h":     r.get("dur_h", ""),
            "prioridade": r.get("prioridade", ""),
        })
    dados_json = json.dumps(registros, ensure_ascii=False)
    opcoes_aeronave = sorted({r["aeronave"] for r in registros if r["aeronave"] != "—"})
    opcoes_status   = ["cumprida", "nao_cumprida", "inspecao"]
    opcoes_prio     = sorted({r["prioridade"] for r in registros if r["prioridade"]})
    opcoes_base     = sorted({b for r in registros for b in (r["orig"], r["dest"]) if b})
    def opts(valores: list[str], label: str) -> str:
        html = f'<option value="">— {label} —</option>'
        for v in valores:
            html += f'<option value="{escape(v)}">{escape(v)}</option>'
        return html
    return f"""
 <style>
  .filtros {{
    display: flex; flex-wrap: wrap; gap: 10px; margin-bottom: 14px; align-items: flex-end;
  }}
  .filtros label {{ font-size: 0.78rem; color: #555; display: flex; flex-direction: column; gap: 3px; }}
  .filtros select, .filtros input {{
    border: 1px solid #ccc; border-radius: 4px; padding: 5px 8px;
    font-size: 0.85rem; min-width: 130px; background: white;
  }}
  .filtros button {{
    padding: 6px 14px; border: none; border-radius: 4px; cursor: pointer;
    font-size: 0.85rem; background: #1a3a5c; color: white;
    align-self: flex-end;
  }}
  .filtros button:hover {{ background: #254f80; }}
  #contador {{ font-size: 0.82rem; color: #666; margin-bottom: 10px; }}
  #tabela-voos {{ width: 100%; border-collapse: collapse; font-size: 0.85rem; }}
  #tabela-voos thead th {{
    background: #1a3a5c; color: white; padding: 8px 10px;
    text-align: left; white-space: nowrap; cursor: pointer; user-select: none;
  }}
  #tabela-voos thead th:hover {{ background: #254f80; }}
  #tabela-voos thead th .sort-icon {{ margin-left: 4px; opacity: 0.5; }}
  #tabela-voos tbody tr:nth-child(even) {{ background: #f7f8fa; }}
  #tabela-voos tbody tr:hover {{ background: #e8f0fb; }}
  #tabela-voos td {{ padding: 7px 10px; border-bottom: 1px solid #eee; white-space: nowrap; }}
  .badge {{
    display: inline-block; padding: 2px 8px; border-radius: 10px;
    font-size: 0.75rem; font-weight: 600; text-transform: uppercase;
  }}
  .badge-cumprida    {{ background: #d4edda; color: #155724; }}
  .badge-nao_cumprida {{ background: #f8d7da; color: #721c24; }}
  .badge-inspecao    {{ background: #e2d9f3; color: #4a235a; }}
  .prio-1 {{ color: #d62728; font-weight: 700; }}
  .prio-2 {{ color: #ff7f0e; font-weight: 700; }}
  .prio-3 {{ color: #2ca02c; font-weight: 700; }}
 </style>
 <div class="filtros">
  <label>Aeronave
    <select id="f-aeronave">{opts(opcoes_aeronave, "Todas")}</select>
  </label>
  <label>Status
    <select id="f-status">{opts(opcoes_status, "Todos")}</select>
  </label>
  <label>Prioridade
    <select id="f-prio">{opts(opcoes_prio, "Todas")}</select>
  </label>
  <label>Base (orig/dest)
    <select id="f-base">{opts(opcoes_base, "Todas")}</select>
  </label>
  <label>Busca (OM, rota…)
    <input id="f-texto" type="text" placeholder="ex: SBMN, EVAM…">
  </label>
  <button onclick="limparFiltros()">Limpar</button>
 </div>
 <div id="contador"></div>
 <table id="tabela-voos">
  <thead>
    <tr>
      <th onclick="ordenar(0)">Aeronave <span class="sort-icon">↕</span></th>
      <th onclick="ordenar(1)">Status <span class="sort-icon">↕</span></th>
      <th onclick="ordenar(2)">#Missão <span class="sort-icon">↕</span></th>
      <th onclick="ordenar(3)">OM <span class="sort-icon">↕</span></th>
      <th onclick="ordenar(4)">Origem <span class="sort-icon">↕</span></th>
      <th onclick="ordenar(5)">Destino <span class="sort-icon">↕</span></th>
      <th onclick="ordenar(6)">Partida (UTC) <span class="sort-icon">↕</span></th>
      <th onclick="ordenar(7)">Chegada (UTC) <span class="sort-icon">↕</span></th>
      <th onclick="ordenar(8)">Duração (h) <span class="sort-icon">↕</span></th>
      <th onclick="ordenar(9)">Prio <span class="sort-icon">↕</span></th>
    </tr>
  </thead>
  <tbody id="corpo-tabela"></tbody>
 </table>
 <script>
 const DADOS = {dados_json};
 let _colOrdem = -1, _colAsc = true;
 function badgeStatus(s) {{
  const label = {{cumprida:'Cumprida', nao_cumprida:'Não cumprida', inspecao:'Inspeção'}}[s] || s;
  return `<span class="badge badge-${{s}}">${{label}}</span>`;
 }}
 function prio(p) {{
  if (!p) return '';
  const cls = ['1','2','3'].includes(p) ? `prio-${{p}}` : '';
  return `<span class="${{cls}}">${{p}}</span>`;
 }}
 function linhasFiltradas() {{
  const fa = document.getElementById('f-aeronave').value;
  const fs = document.getElementById('f-status').value;
  const fp = document.getElementById('f-prio').value;
  const fb = document.getElementById('f-base').value;
  const ft = document.getElementById('f-texto').value.toLowerCase();
  return DADOS.filter(r => {{
    if (fa && r.aeronave !== fa) return false;
    if (fs && r.status !== fs) return false;
    if (fp && r.prioridade !== fp) return false;
    if (fb && r.orig !== fb && r.dest !== fb) return false;
    if (ft && !JSON.stringify(r).toLowerCase().includes(ft)) return false;
    return true;
  }});
 }}
 function renderizar() {{
  let rows = linhasFiltradas();
  if (_colOrdem >= 0) {{
    const chaves = ['aeronave','status','ordem','om','orig','dest','partida','chegada','dur_h','prioridade'];
    const c = chaves[_colOrdem];
    rows = [...rows].sort((a,b) => {{
      const va = a[c] ?? '', vb = b[c] ?? '';
      return _colAsc ? String(va).localeCompare(String(vb), 'pt', {{numeric:true}})
                     : String(vb).localeCompare(String(va), 'pt', {{numeric:true}});
    }});
  }}
  document.getElementById('contador').textContent =
    `${{rows.length}} registro${{rows.length !== 1 ? 's' : ''}} exibido${{rows.length !== 1 ? 's' : ''}} de ${{DADOS.length}}`;
  document.getElementById('corpo-tabela').innerHTML = rows.map(r => `
    <tr>
      <td>${{r.aeronave}}</td>
      <td>${{badgeStatus(r.status)}}</td>
      <td>${{r.ordem}}</td>
      <td>${{r.om}}</td>
      <td>${{r.orig}}</td>
      <td>${{r.dest}}</td>
      <td>${{r.partida}}</td>
      <td>${{r.chegada}}</td>
      <td>${{r.dur_h}}</td>
      <td>${{prio(r.prioridade)}}</td>
    </tr>`).join('');
 }}
 function ordenar(col) {{
  if (_colOrdem === col) _colAsc = !_colAsc;
  else {{ _colOrdem = col; _colAsc = true; }}
  renderizar();
 }}
 function limparFiltros() {{
  ['f-aeronave','f-status','f-prio','f-base'].forEach(id => document.getElementById(id).value = '');
  document.getElementById('f-texto').value = '';
  renderizar();
 }}
 ['f-aeronave','f-status','f-prio','f-base'].forEach(id =>
  document.getElementById(id).addEventListener('change', renderizar));
 document.getElementById('f-texto').addEventListener('input', renderizar);
 renderizar();
 </script>"""
 # ---------------------------------------------------------------------------
 # HTML combinado
 # ---------------------------------------------------------------------------
 def gerar_planejamento(resultado: Path, saida: Path) -> None:
    linhas = carregar_resultado(resultado)
    gantt_div  = _construir_gantt(linhas)
    mapa_html  = _construir_mapa(linhas)
    tabela_div = _construir_tabela(linhas)
    html = f"""<!DOCTYPE html>
 <html lang="pt-BR">
 <head>
  <meta charset="utf-8">
  <title>Planejamento de Diagonal de Manutenção</title>
  <style>
    * {{ box-sizing: border-box; margin: 0; padding: 0; }}
    body {{ font-family: 'Segoe UI', Arial, sans-serif; background: #f0f2f5; color: #222; }}
    header {{
      background: #1a3a5c; color: white;
      padding: 18px 32px;
      border-bottom: 4px solid #c8a400;
    }}
    header h1 {{ font-size: 1.5rem; font-weight: 700; letter-spacing: 0.03em; }}
    header p {{ font-size: 0.85rem; opacity: 0.75; margin-top: 4px; }}
    .container {{ padding: 24px 32px; max-width: 1600px; margin: 0 auto; }}
    .section {{
      background: white; border-radius: 8px;
      box-shadow: 0 1px 4px rgba(0,0,0,0.12);
      margin-bottom: 28px; overflow: hidden;
    }}
    .section-title {{
      background: #f7f8fa; border-bottom: 1px solid #e0e0e0;
      padding: 12px 20px; font-size: 0.95rem; font-weight: 600;
      color: #1a3a5c; text-transform: uppercase; letter-spacing: 0.05em;
    }}
    .section-body {{ padding: 16px; }}
    iframe.mapa {{
      width: 100%; height: 560px; border: none; border-radius: 4px; display: block;
    }}
  </style>
 </head>
 <body>
  <header>
    <h1>Planejamento de Diagonal de Manutenção</h1>
    <p>Esquadrão Arara · C-105 · OAMRP v3</p>
  </header>
  <div class="container">
    <div class="section">
      <div class="section-title">Calendário de Emprego das Aeronaves</div>
      <div class="section-body">{gantt_div}</div>
    </div>
    <div class="section">
      <div class="section-title">Rotas Operacionais</div>
      <iframe class="mapa" srcdoc="{escape(mapa_html)}"></iframe>
    </div>
    <div class="section">
      <div class="section-title">Planejamento de Voos</div>
      <div class="section-body">{tabela_div}</div>
    </div>
  </div>
 </body>
 </html>"""
    saida.parent.mkdir(parents=True, exist_ok=True)
    saida.write_text(html, encoding="utf-8")
    print(f" Planejamento salvo: {saida}")
    _resumir_resultado(linhas)
 def main() -> None:
    parser = argparse.ArgumentParser(description="Visualização OAMRP — Arara C-105")
    parser.add_argument("--resultado", type=Path, default=RESULTADO_PADRAO)
    parser.add_argument("--saida", type=Path, default=SAIDA_PADRAO)
    args = parser.parse_args()
    gerar_planejamento(resultado=args.resultado, saida=args.saida)
 if __name__ == "__main__":
    main()
Author	SHA1	Message	Date
Cesa-V	fe2ba12e49	Inclui @vitorcesavc nos autores (README e docs/authors.md) Co-Authored-By: Claude Sonnet 4.6 <noreply@anthropic.com>	2026-06-17 18:03:31 -03:00
Cesa-V	b368201d5d	Documenta historico v1/v2/v3 no README com fases, limitacoes e nomenclatura Co-Authored-By: Claude Sonnet 4.6 <noreply@anthropic.com>	2026-06-16 11:14:57 -03:00
Cesa-V	e71a0f2518	Atualiza README para v0.10: Set Partitioning, cenario insp grande e tabela de parametros Co-Authored-By: Claude Sonnet 4.6 <noreply@anthropic.com>	2026-06-16 11:11:23 -03:00
Cesa-V	a34ed6b340	Migra C1 de Set Covering para Set Partitioning e documenta limitacoes (v0.10) - C1 alterado: z[nid] <= 1 -> z[nid] == 1 para todas as missoes; toda missao deve ser coberta por exatamente 1 aeronave (sem missoes descobertas). - n_missoes padrao reduzido de 50 para 20 (n_evam de 5 para 4): garante factibilidade do MIP com Set Partitioning no envelope de 4 aeronaves. - Time limit padrao do solver CBC fixado em 120 s (era ilimitado): evita travamento ao tentar provar infeasibility. - Corrigido display "Not Solved": status de L1 preservado quando PuLP redefine mdl.status apos setObjective() em L2. - f0_cenario_insp_grande.json revisado: apenas 2803 com f0=595h em INSP 2A (F_max=600h, downtime=4 dias); demais matriculas com f0=0. - Gerado planejamento_insp_grande.html: Gantt exibe INSP 2A visivelmente; 20/20 missoes cobertas; CBC Optimal em < 15 s. - changelog.md e LOG.md atualizados com limitacoes detalhadas para contribuidores: escopo validado, bugs de display, riscos numericos do big-M com LRT < 5h e comportamento de 2811 ociosa. Co-Authored-By: Claude Sonnet 4.6 <noreply@anthropic.com>	2026-06-16 11:09:24 -03:00
Cesa-V	6433055e9e	Atualiza LOG e changelog para sessao 2026-06-16 (v0.8 e v0.9) Co-Authored-By: Claude Sonnet 4.6 <noreply@anthropic.com>	2026-06-16 09:39:30 -03:00
Cesa-V	83a2dac624	Corrige Gantt, adiciona escala de voo real e ajusta solver (v0.9) - visualizar_resultado: barras Gantt via go.Scatter lines (renderizacao garantida), yaxis range fixo para FAB 2800 visivel, largura minima 2h - oamrp_v3: parser --escala para Escala de Voo Modelo 1 (CSV real), coordenadas de 26 bases, time-limit default 5min, imports timedelta/date Co-Authored-By: Claude Sonnet 4.6 <noreply@anthropic.com>	2026-06-16 09:34:14 -03:00
Cesa-V	3756f961a8	Adiciona visualizacao combinada (Gantt + mapa + tabela) e exporta inspecoes no CSV (v0.8) oamrp_v3.py: exporta linhas status=inspecao no CSV resultado com datas UTC reais visualizar_resultado.py: refatorado para gerar um unico HTML (planejamento.html) com cabecalho, Gantt Plotly (divisoes diarias, FAB labels), mapa Folium em iframe e tabela de voos com filtros por aeronave/status/prioridade/base e busca livre Co-Authored-By: Claude Sonnet 4.6 <noreply@anthropic.com>	2026-06-16 01:48:36 -03:00
Cesa-V	4d8554df38	Atualiza documentacao para refletir sessao 2026-06-16 (v0.7) - LOG.md: entradas para bugs corrigidos (C2 inspeção, C6 removida), renomeação Al-Thani, OFRAG, visualização e rodada 50/50 - docs/changelog.md: versão v0.7 com correções, adições e resultado validado - docs/about.md: seção v3 com rede espaço-tempo, nomenclatura Al-Thani, restrições C1-C11 e scripts auxiliares; v1 mantido como referência histórica - README.md: estado atual aponta oamrp_v3 como modelo ativo, com comandos Co-Authored-By: Claude Sonnet 4.6 <noreply@anthropic.com>	2026-06-16 01:00:48 -03:00
Cesa-V	f0d72f8189	Corrige modelo OAMRP v3 e alinha nomenclatura com Al-Thani (2016) Correções ao modelo: - Adiciona conservação de fluxo em nós de inspeção (bug que permitia criação/destruição de unidades de fluxo, inflando cobertura para 50/50 sem atribuição real de rotas) - Remove restrição C6 simplificada que somava horas totais sem respeitar resets de inspeção, tornando 2809/2811 artificialmente ociosos Nomenclatura alinhada ao Al-Thani (2016): - InspecaoParam.lrt_h → f_max (F do artigo: batente máximo legal) - Aeronave.horas_iniciais → f0 (f_k: horas acumuladas no início) - orcamento_h() → lrt_inicial() (LRT = F_max − f0) - horas_iniciais_aleatorias() → gerar_f0_aleatorio() - carregar_horas_iniciais() → carregar_f0() - CLI --horas-iniciais → --f0 Novos arquivos: - software/gerar_ofrag.py: gera tabela de OFRAGs com prioridades 1-5 - software/visualizar_resultado.py: mapa Folium interativo de rotas - db/processed/ofrag.csv: 50 OFRAGs sintéticas (seed 42) - db/processed/mapa_rotas.html: mapa gerado da última rodada Resultado com --sintetico --aleatorio --ofrag: 50/50 missões cumpridas (antes: 30/50 sem ferry, 7/50 com bug de fluxo) Co-Authored-By: Claude Sonnet 4.6 <noreply@anthropic.com>	2026-06-16 00:50:53 -03:00
Cesa-V	7cd7458565	Adiciona missoes sinteticas, ferry (Fase 3) e consolida versoes anteriores - Gerador sintetico cross-base (50 missoes, 10 bases, haversine/C-105) - Fase 3: arcos de ferry em construir_rede(); ferry consome horas de celula - oamrp_v2.py e resultados CSV anteriores adicionados ao repositorio - README, docs/about.md e changelog atualizados ate v0.6 Co-Authored-By: Claude Sonnet 4.6 <noreply@anthropic.com>	2026-06-15 23:51:31 -03:00
Cesa-V	328a066849	Implementa OAMRP v3 com rede espaco-tempo e restricoes de inspecao (Fases 1-2) Reescrita do zero em software/oamrp_v3.py: abstracao No/Arco, variavel unificada y[k,arco], C1-C6 (Fase 1) e C7-C11 com relogio de horas, downtime e disjuntivas de slot unico (Fase 2). TAT corrigido para 1,5h; top-10 bases; EVAM obrigatoria; L2 = maximizar horas voadas. Co-Authored-By: Claude Sonnet 4.6 <noreply@anthropic.com>	2026-06-15 23:29:44 -03:00