Les conteneurs réutilisables de petite taille (SLC) sont essentiels à une logistique durable, mais leurs cycles multi-sites manquent souvent de transparence en raison de la rareté des données et des contraintes technologiques. Cela concerne notamment les SLC sans étiquette. Nos dernières recherches présentent une approche novatrice, basée sur des capteurs, pour collecter, extrapoler et simuler les données de localisation des SLC, permettant ainsi des simulations de cycles réalistes et une prise de décision fondée sur les données, sans nécessiter d'investissements importants dans les infrastructures.

La plupart des cycles SLC avec des SLC non marqués souffrent de :

• Aucun suivi en temps réel n'est possible en raison du volume élevé et du faible coût des SLC individuels.

• La réticence à partager les données entre les partenaires du cycle limite la précision de la simulation.

• Lacunes technologiques en matière de localisation intérieure/extérieure pour les petits contenants non étiquetés.

Notre idée : collecte et extrapolation de données à partir de capteurs

Nous avons testé trois technologies de localisation (GSM, BLE/GPS et A-GPS) lors de cycles SLC réels afin d'identifier la solution la plus rentable, évolutive et précise. Voici comment nous avons procédé :

1. Comparaison technologique

• Les étiquettes GSM (à bas coût, destinées uniquement à l'extérieur) rencontraient des difficultés en matière de localisation en intérieur et d'autonomie de la batterie.

• Les AirTags d'Apple (BLE/GPS) offraient une grande précision, mais nécessitaient une extraction manuelle des données et manquaient d'évolutivité industrielle.

• Les étiquettes A-GPS industrielles (avec détection WiFi) assuraient des transitions fluides entre l'intérieur et l'extérieur, mais nécessitaient une infrastructure supplémentaire pour une fonctionnalité IPS (Indoor Positioning System) complète.

2. Extrapolation de données avec PERT et simulation de Monte Carlo

• Combinaison des données des capteurs avec les API de navigation (Google/Apple Maps) pour estimer les temps de débit minimum, maximum et le plus probable (mode).

• Nous avons utilisé des distributions PERT (au lieu de distributions triangulaires) pour réduire le biais dû aux valeurs extrêmes et améliorer la précision de la simulation.

• Nous avons effectué 10 000 simulations de Monte-Carlo par jour afin d’identifier les itinéraires sous-performants et les opportunités d’optimisation.

3. Principaux enseignements tirés de la simulation :

• Détection des cycles de sous-performance et de surperformance.

• Ajustement possible du plan.



Pourquoi c'est important pour l'industrie et la recherche

• Pour les prestataires de services logistiques : notre approche permet un suivi économique et évolutif des SLC sans déploiement complet de capteurs, réduisant ainsi les risques et les coûts.

• Pour un développement durable : de meilleures données permettent d’optimiser les cycles de recyclage, d’augmenter les taux de réutilisation et de réduire les déchets d’emballages à usage unique.

• Pour les universitaires : Nous proposons une méthodologie reproductible pour simuler des cycles SLC multisites, comblant ainsi le fossé entre les modèles théoriques et les données du monde réel.



Ce que nous allons analyser ensuite :

• Comment intégrer les variations saisonnières (par exemple, les fluctuations de la demande) dans les simulations ?

• Quelle est la taille d'échantillon optimale pour le suivi SLC basé sur des capteurs ?

• Les modèles d'IA/ML peuvent-ils affiner davantage les prévisions de temps de traitement ?



Notre travail constitue un pas vers une gestion intelligente et axée sur les données du cycle de vie des systèmes, prouvant que même de petits échantillons de données peuvent révéler des informations importantes en matière de durabilité et d'efficacité.



🔗 Consultez l'article complet pour obtenir des détails techniques et les résultats :  [Article complet]