Els transportadors de càrrega petita retornables (SLC) són una pedra angular de la logística sostenible, però els seus cicles multi-ubicació sovint manquen de transparència a causa de l'escassetat de dades i les restriccions tecnològiques. Això compta almenys per als SLC sense etiqueta. La nostra última investigació introdueix un nou enfocament basat en sensors per recopilar, extrapolar i simular dades de localització per als SLC, cosa que permet simulacions de cicles realistes i la presa de decisions basada en dades sense requerir inversions en infraestructura a gran escala.

La majoria dels cicles SLC amb SLC sense etiquetar pateixen de:

• No hi ha seguiment en temps real a causa de l'alt volum i el baix cost dels SLC individuals.

• Reticència a compartir dades entre els socis del cicle, cosa que limita la precisió de la simulació.

• Llacunes tecnològiques en la localització interior/exterior per a envasos petits i sense etiquetar.

La nostra idea: recopilació i extrapolació de dades basades en sensors

Vam provar tres tecnologies de localització (GSM, BLE/GPS i A-GPS) en cicles SLC del món real per identificar la solució més rendible, escalable i precisa. Vegeu com ho hem fet:

1. Comparació de tecnologies

• Les etiquetes GSM (de baix cost, només per a exteriors) tenien problemes amb la localització en interiors i la durada de la bateria.

• Els Apple AirTags (BLE/GPS) oferien una alta precisió però requerien l'extracció manual de dades i no tenien escalabilitat industrial.

• Les etiquetes A-GPS industrials (amb rastreig de WiFi) proporcionaven transicions interiors/exteriors sense fissures, però necessitaven una infraestructura addicional per a la funcionalitat completa de l'IPS (Sistema de Posicionament Interior).

2. Extrapolació de dades amb simulació PERT i Monte Carlo

• Dades de sensors combinades amb API de navegació (Google/Apple Maps) per estimar els temps de rendiment mínim, màxim i més probable (mode).

• S'han utilitzat distribucions PERT (en lloc de distribucions triangulars) per reduir el biaix dels valors extrems i millorar la precisió de la simulació.

• Va executar 10.000 simulacions de Monte Carlo al dia per identificar rutes amb un rendiment inferior i oportunitats d'optimització.

3. Conclusions clau de la simulació:

• Trobar cicles de baix rendiment i sobrerendiment.

• Possible ajustament de la planificació.



Per què això és important per a la indústria i la recerca

• Per a proveïdors de serveis logístics: el nostre enfocament permet un seguiment escalable i de baix cost dels SLC sense desplegament de sensors de cicle complet, reduint riscos i costos.

• Per a la sostenibilitat: una millor qualitat de les dades condueix a cicles SLC optimitzats, augmentant les taxes de reutilització i reduint els residus d'envasos d'un sol ús.

• Per a acadèmics: Oferim una metodologia reproduïble per simular cicles SLC multi-lloc, reduint la bretxa entre els models teòrics i les dades del món real.



Què analitzarem a continuació:

• Com es poden integrar els patrons estacionals (per exemple, les fluctuacions de la demanda) en les simulacions?

• Quina és la mida de mostra òptima per al seguiment SLC basat en sensors?

• Els models d'IA/aprenentatge automàtic poden refinar encara més les prediccions del temps de rendiment?



La nostra feina és un pas cap a una gestió intel·ligent i basada en dades del SLC, demostrant que fins i tot petites mostres de dades poden desbloquejar grans coneixements per a la sostenibilitat i l'eficiència.



🔗 Llegiu l'article complet per obtenir detalls tècnics i resultats:  [Article complet]