Retourbare kleine ladingdragers (SLC's) vormen een hoeksteen van duurzame logistiek, maar hun cycli over meerdere locaties missen vaak transparantie door een gebrek aan gegevens en technologische beperkingen. Dit geldt in ieder geval voor SLC's zonder label. Ons nieuwste onderzoek introduceert een nieuwe, op sensoren gebaseerde aanpak voor het verzamelen, extrapoleren en simuleren van locatiegegevens voor SLC's. Dit maakt realistische cyclussimulaties en datagestuurde besluitvorming mogelijk zonder grootschalige investeringen in infrastructuur.

De meeste SLC-cycli met niet-gelabelde SLC's hebben last van:

• Geen realtime tracking mogelijk vanwege het grote volume en de lage kosten van individuele SLC's.

• De terughoudendheid om gegevens te delen tussen partners in het fietsproject beperkt de nauwkeurigheid van de simulatie.

• Technologische lacunes in de binnen-/buitenlokalisatie voor kleine, niet-gelabelde containers.

Ons idee - Sensorgebaseerde dataverzameling en extrapolatie

We hebben drie lokalisatietechnologieën (GSM, BLE/GPS en A-GPS) getest in realistische SLC-cycli om de meest kosteneffectieve, schaalbare en nauwkeurige oplossing te vinden. Lees hier hoe we dat hebben gedaan:

1. Technologievergelijking

• GSM-tags (goedkoop, alleen voor buitengebruik) hadden problemen met locatiebepaling binnenshuis en de batterijduur.

• Apple AirTags (BLE/GPS) boden een hoge precisie, maar vereisten handmatige gegevensextractie en waren niet geschikt voor industriële schaalbaarheid.

• Industriële A-GPS-tags (met wifi-detectie) zorgden voor naadloze overgangen tussen binnen- en buitenomgevingen, maar vereisten extra infrastructuur voor volledige IPS-functionaliteit (Indoor Positioning System).

2. Data-extrapolatie met PERT en Monte Carlo-simulatie

• Sensorgegevens worden gecombineerd met navigatie-API's (Google/Apple Maps) om de minimale, maximale en meest waarschijnlijke (modus) doorlooptijden te schatten.

• Er werden PERT-verdelingen gebruikt (in plaats van driehoeksverdelingen) om vertekening door extreme waarden te verminderen en de nauwkeurigheid van de simulatie te verbeteren.

• Voerde dagelijks 10.000 Monte Carlo-simulaties uit om onderpresterende routes en optimalisatiemogelijkheden te identificeren.

3. Belangrijkste inzichten uit de simulatie:

• Het opsporen van cycli van onder- en overprestatie.

• Mogelijke aanpassing van de planning.



Waarom dit belangrijk is voor de industrie en het onderzoek

• Voor logistieke dienstverleners: onze aanpak maakt het mogelijk om SLC's op een kostenefficiënte en schaalbare manier te volgen zonder dat er sensoren gedurende de gehele cyclus hoeven te worden ingezet, waardoor risico's en kosten worden verlaagd.

• Voor duurzaamheid: betere data leiden tot geoptimaliseerde SLC-cycli, hogere hergebruikpercentages en minder afval van wegwerpverpakkingen.

• Voor academici: Wij bieden een reproduceerbare methodologie voor het simuleren van SLC-cycli op meerdere locaties, waarmee de kloof tussen theoretische modellen en gegevens uit de praktijk wordt overbrugd.



Wat we vervolgens gaan analyseren:

• Hoe kunnen seizoenspatronen (bijvoorbeeld vraagfluctuaties) in simulaties worden geïntegreerd?

• Wat is de optimale steekproefomvang voor sensor-gebaseerde SLC-tracking?

• Kunnen AI/ML-modellen de voorspellingen van de doorlooptijd verder verfijnen?



Ons werk is een stap richting slim, datagestuurd SLC-management – ​​en bewijst dat zelfs kleine datasets grote inzichten kunnen opleveren voor duurzaamheid en efficiëntie.



🔗 Lees het volledige artikel voor technische details en resultaten:  [Volledig artikel]