Applications of the Internet of Things and optimization to inventory and distribution management

Abstract

Aquesta tesi forma part del projecte IoFeeD, finançat per la Unió Europea, que té com a objectiu controlar remotament l'estoc de 325 sitges i investigar els processos de negoci duts a terme entre agricultors i productors de pinso. Proposem un sistema d'ajuda a la presa de decisions per controlar i optimitzar la cadena de subministrament de pinso a les explotacions ramaderes. Les comandes poden ser de diversos tipus de pinso i es poden enviar des de diversos centres de fabricació mitjançant l'ús d'una flota de vehicles heterogenis amb diversos compartiments. A més, es tenen en compte algunes restriccions específiques de l'empresa, com ara la compatibilitat del producte, les restriccions d'accessibilitat a les instal·lacions, les ubicacions prioritzades o les restriccions de bioseguretat. A escala de granja, s'implementa un enfocament basat en bessons digitals mitjançant la instal·lació de sensors per mesurar remotament els inventaris. En el marc de la tesi, es desenvolupa aquest sensor cercant la precisió requerida i les característiques oportunes que en permetin la instal·lació a gran escala. El nostre enfocament combina tècniques d'aleatorització esbiaixada amb un marc simheurístic per fer ús de les dades proporcionades pels sensors. L'anàlisi dels resultats es basa en aquests dos pilots reals i mostra les idees obtingudes durant el projecte IoFeeD. Els resultats d'aquesta tesi mostren com la internet de les coses i els mètodes d'optimització basats en simulació es combinen amb èxit per optimitzar les operacions de subministrament de pinso per al consum animal a les explotacions ramaderes.

Esta tesis forma parte del proyecto IoFeeD, financiado por la Unión Europea, que tiene como objetivo monitorizar remotamente el stock de 325 contenedores agrícolas e investigar los procesos comerciales llevados a cabo entre agricultores y productores de pienso. Proponemos un sistema de ayuda a la toma de decisiones para controlar y optimizar la cadena de suministro de pienso en las explotaciones ganaderas. Los pedidos pueden ser de varios tipos de pienso y pueden enviarse desde varios centros de fabricación mediante el uso de una flota de vehículos heterogéneos con varios compartimentos. Además, se tienen en cuenta algunas restricciones específicas de la empresa, como, por ejemplo, la compatibilidad del producto, las restricciones de accesibilidad en las instalaciones, las ubicaciones priorizadas o las restricciones de bioseguridad. A escala de granja, se implementa un enfoque basado en gemelos digitales mediante la instalación de sensores para medir los inventarios de forma remota. En el marco de esta tesis, se desarrollan estos sensores buscando la precisión requerida, así como las características oportunas que permitan su instalación a gran escala. Nuestro enfoque combina técnicas de aleatorización sesgada con un marco simheurístico para hacer uso de los datos proporcionados por los sensores. El análisis de los resultados se basa en estos dos pilotos reales y muestra las ideas obtenidas durante el proyecto IoFeeD. Los resultados de esta tesis muestran cómo la internet de las cosas y los métodos de optimización basados en simulación se combinan con éxito para optimizar las operaciones de suministro de pienso para el consumo animal en las explotaciones ganaderas.

This thesis is part of the IoFEED (EU funded) project, which aims to monitor approximately 325 farm bins and investigates business processes carried out between farmers and animal feed producers. We propose a computer-aided system to control and optimize the supply chain to deliver animal feed to livestock farms. Orders can be of multiple types of feed, shipped from multiple depots using a fleet of heterogeneous vehicles with multiple compartments. Additionally, this case considers some business-specific constraints, such as product compatibility, facility accessibility restrictions, prioritized locations, or bio-security constraints. A digital twin based approach is implemented at the farm level by installing sensors to remotely measure the inventories. This thesis also embraces these sensors' design and manufacturing process, seeking the required precision and easy deployability at scale. Our approach combines biased-randomization techniques with a simheuristic framework to make use of data provided by the sensors. The analysis of results is based on these two real pilots, and showcases the insights obtained during the IoFEED project. The results of this thesis show how the Internet of Things and simulation-based optimization methods combine successfully to optimize deliveries of feed to livestock farms.