Geri Dönüşümlü Küçük Yük Taşıyıcıları (SLC'ler), sürdürülebilir lojistiğin temel taşlarından biridir; ancak veri yetersizliği ve teknolojik kısıtlamalar nedeniyle çoklu lokasyonlu döngüleri genellikle şeffaflıktan yoksundur. Bu durum, en azından etiketsiz SLC'ler için geçerlidir. Son araştırmamız, SLC'ler için konum verilerini toplamak, tahmin etmek ve simüle etmek için yeni, sensör tabanlı bir yaklaşım sunmaktadır; bu da tam ölçekli altyapı yatırımları gerektirmeden gerçekçi döngü simülasyonları ve veri odaklı karar verme olanağı sağlamaktadır.

Etiketlenmemiş SLC'lerle yapılan çoğu SLC döngüsü şu sorunlardan muzdariptir:

• Yüksek hacimli ve düşük maliyetli bireysel SLC'ler nedeniyle gerçek zamanlı takip mümkün değildir.

• Döngü ortakları arasında veri paylaşımındaki isteksizlik, simülasyon doğruluğunu sınırlıyor.

• Küçük, etiketsiz kaplar için iç/dış mekan konumlandırmasında teknolojik eksiklikler.

Fikrimiz - Sensör Tabanlı Veri Toplama ve Ekstrapolasyon

En uygun maliyetli, ölçeklenebilir ve doğru çözümü belirlemek için gerçek dünya SLC döngülerinde üç konum belirleme teknolojisini (GSM, BLE/GPS ve A-GPS) test ettik. Bunu nasıl yaptığımızı görün:

1. Teknoloji Karşılaştırması

• GSM etiketleri (düşük maliyetli, yalnızca dış mekan kullanımı için) iç mekan konum belirleme ve pil ömrü konusunda sorun yaşıyordu.

• Apple AirTag'ler (BLE/GPS) yüksek hassasiyet sunuyordu ancak manuel veri çıkarma gerektiriyordu ve endüstriyel ölçeklenebilirlik özelliği yoktu.

• Endüstriyel A-GPS etiketleri (WiFi sinyalini yakalama özelliğiyle) iç ve dış mekan geçişlerinde sorunsuz bir deneyim sağladı ancak tam IPS (İç Mekan Konumlandırma Sistemi) işlevselliği için ek altyapıya ihtiyaç duydu.

2. PERT ve Monte Carlo Simülasyonu ile Veri Ekstrapolasyonu

• Sensör verilerini navigasyon API'leriyle (Google/Apple Haritalar) birleştirerek minimum, maksimum ve en olası (mod) işlem sürelerini tahmin etme.

• Aşırı değerlerden kaynaklanan sapmayı azaltmak ve simülasyon doğruluğunu artırmak için üçgen dağılımlar yerine PERT dağılımları kullanılmıştır.

• Düşük performans gösteren rotaları ve optimizasyon fırsatlarını belirlemek için günde 10.000 Monte Carlo simülasyonu çalıştırıldı.

3. Simülasyondan Elde Edilen Temel Bulgular:

• Düşük performans ve yüksek performans döngülerini bulma.

• Olası planlama değişikliği.



Bu, Endüstri ve Araştırma İçin Neden Önemli?

• Lojistik Hizmet Sağlayıcıları İçin: Yaklaşımımız, tam döngülü sensör kurulumuna gerek kalmadan, düşük maliyetli ve ölçeklenebilir SLC takibi sağlayarak riskleri ve maliyetleri azaltır.

• Sürdürülebilirlik İçin: Daha iyi veriler, optimize edilmiş SLC döngülerine yol açarak yeniden kullanım oranlarını artırır ve tek kullanımlık ambalaj atıklarını azaltır.

• Akademisyenler için: Teorik modeller ile gerçek dünya verileri arasındaki boşluğu dolduran, çok bölgeli SLC döngülerinin simülasyonu için tekrarlanabilir bir metodoloji sunuyoruz.



Bundan sonra analiz edeceğimiz konular:

• Mevsimsel kalıplar (örneğin, talep dalgalanmaları) simülasyonlara nasıl entegre edilebilir?

• Sensör tabanlı SLC izleme için en uygun örneklem boyutu nedir?

• Yapay zeka/makine öğrenimi modelleri, işlem süresi tahminlerini daha da iyileştirebilir mi?



Çalışmamız, akıllı, veri odaklı SLC yönetimine doğru atılmış bir adımdır ve küçük veri örneklerinin bile sürdürülebilirlik ve verimlilik için büyük içgörüler ortaya çıkarabileceğini kanıtlamaktadır.



🔗 Teknik detaylar ve sonuçlar için makalenin tamamını okuyun :  [Makalenin tamamı]