Складские пространства

Имитационные модели сортировочных центров, складов и цепочек доставки

В проект входит, как разработка непосредственно самих моделей сортировочных центров и складов, так и создание редактора топологии складских помещений на базе AnyLogic, для предоставления конечному пользователю, не обладающему экспертизой в области разработки имитационных моделей и навыками программирования, возможности быстро изменять расположение объектов и выстраивать складскую логистику, исходя из актуальных требований. Проект предполагает два этапа: первый — создание моделей сортировочных центров, второй — модель цепи поставок снабжения, базирующаяся на моделях первого этапа.В рамках проекта были использована собственные библиотеки, реализующие функционал:

• редактирования топологии складских помещений для AnyLogic;
• работы с графовыми структурами;
• расширение стандартного UI дополнительными графиками, диаграммами и таблицами;
• внедрение в модель нетипичных стеллажных систем.

Модель представляет собой совокупность с достаточной точностью описанных бизнес-процессов, с учетом их исполнителей, объектов, сопутствующих МТР, оборудования и возможными рисками и предоставляющую выводы для дальнейшей оптимизации.

Главными особенностями проекта является реализация:

• редактора топологии складских помещений;
• программного менеджера задач для определения оптимального количества ресурсов, участвующих в параллельно активных этапах, ребалансировки ресурсов и приоритизации задач;
• совместного использования множества отдельных моделей внутри цепи поставок, без потери производительности;
• возможности операционного и стратегического планирования;
• тестирования WHAT-IF гипотез.

Оптимизация издержек

• Сокращение CAPEX (до 15%) за счет уменьшения пятна застройки и оптимизации решений по оснащению системами хранения
• Сокращение OPEX (до 20%) за счет оптимизации процессов и повышения эффективности складских маршрутов передвижения и снижения совокупных затрат на хранение и обработку МТР

Детальная статистика

Подробная инфографика и отчет по результатам моделирования, отражающий все проходящие на складе процессы.

Применение

• Редактор топологии складских помещений, позволяющий оперативно изменять топологию и оценивать влияние изменений;
• Программный менеджер задач для определения оптимального количества ресурсов, участвующих в параллельно активных этапах, ребалансировки ресурсов и приоритизации задач;
• Модель и редактор топологии используется сотрудниками компании на ежедневной основное для корректирования процессов, тактического и стратегического планирования;
• Конечный продукт позволил значительно снизить оперативные и капитальные затраты в сложный период изменения потоков во время пандемии.

Календарное планирование

Оптимизация графика планирования ремонтных работ на нефтяных скважинах

В ходе проекта была разработана имитационная модель, позволяющая составлять оптимальный график ремонтных работ как в рамках куста нефтяных скважин, так и на нескольких месторождениях в условиях ограниченного количества ремонтных бригад, жёстких временных рамок и необходимостью параллельно проводить работы на разных скважинах с минимизацией времени простоя и стоимости проводимых операций.

В качестве оптимизационного алгоритма были использованы собственные, адаптированные под задачу, эвристические алгоритмы на базе Hill climbing и Reverse hill climbing (Поиск восхождением к вершине и Обратный поиск восхождением к вершине), так же помимо вышеперечисленных алгоритмов тестировались Branch and bound (Метод ветвей и границ), Local search (Локальный поиск) и несколько генетических алгоритмов. Проведена значительная работа по контролю производительности и уменьшению времени поиска оптимального решения без потери требуемой для бизнес-процессов глубины логики, что позволило производить оптимизацию на рабочих станциях пользователей за приемлемое время.

Результаты и эффекты

• Значительное уменьшение времени простоя скважин и оперативное проведение работ;
• Разница, выраженная в прибыли от продажи добытой нефти за счёт сокращения простоя заглушенных скважин, составила более 20% в пользу подхода, предложенного оптимизатором;
• Снижение затрат на логистику и ФОТ.

Цепи поставок

Построение логистических стратегий и выбор оптимального варианта

Включает в себя несколько структурно похожих проектов для разных регионов и филиалов крупной нефтегазовой компании по построению, сравнению и выбору оптимальной логистической стратегии снабжения месторождений.

Модели представляли собой совокупность нескольких серий экспериментов с различными логистическими вариантами и комбинациями, позволяющие:

• оценить необходимые инвестиции;
• выбрать наиболее оптимальную по затратам логистическую стратегию;
• провести анализ рисков;
• провести проверку WHAT-IF гипотез.

Результаты и эффекты

Особенностями проекта являются:

• Прогнозируемый срок моделирования составил 10-20 лет и результаты проекта легли в основу стратегического планирования и бюджетирования крупных филиалов группы компаний;
• Проведен анализ рисков и чувствительности;
• Определено оптимальное местоположение открытия новых пяти складов и двух причалов;
• Сформирована карта потоков и снабжения;
• Для ряда складов определены наилучшие параметры для политик пополнения запасов.

Классические цифровые двойники
Классический подход к использованию имитационных моделей заключается в возможности использования различных параметризуемых сценариев и сценарных событий. Сама модель представляет инструмент способных воспроизводить созданный пользователем сценарий в цифровой безрисковой среде. Поиск оптимальных значений различных параметров осуществляется либо серией симуляционных экспериментов, либо при помощи разработанных алгоритмов оптимизации.

Классическое машинное обучение
Машинное обучение (AI/искусственный интеллект) используется для прогнозирования и предсказания или определения оптимальных параметров.
В данном случае математическая модель нуждается в ретроспективных данных для обучения. Достаточный объем данных позволяет комплексно настроить модель для получения результата с необходимой точностью.
Примерами использования: прогнозирование цен, рисков, времени поломки оборудования и планирование ремонтных работ, подбор оптимальных параметров для оборудования и предсказания эффектов от предстоящих изменений.

Генерация синтетических данных для обучения AI
Нехватка объема исторических данных для обучения может стать причиной для недостаточной точности предсказываемых результатов, совместное использование имитационного моделирования и машинного обучения решает эту проблему.

Имитационная модель (ИМ), воспроизводящая полную логику объекта или процесса в виртуальном пространстве, способна создавать синтетические данные в неограниченном объеме. Вопрос сходимости синтетических данных с реальными решается путем валидации логики модели на AS-IS сценарии (отражающим текущее положение бизнеса и процессов в нем).

Такой подход позволяет не только сформировать недостающий объем данных и смоделировать ситуации, которых пока еще не происходило в реальном мире, но планируются участия в прогнозировании.

Обучение с подкреплением
Имитационная модель так же может выступать не только в роли генератора данных, но и полноценной средой для обучения в ней искусственного интеллекта.

Reinforcement learning или обучение с подкреплением – еще один поход совместного использование AI и ИМ, математическая модель помещается в среду модели имитационной и в процессе моделирования учится принимать более выгодные решения.

Примерами использования: максимизация целевой функции, построение маршрутов, составление план-графиков, увеличение производственных мощностей за счет оптимизации цикла и распределения ресурсов.