基于智能体仿真模型的矿山采出物流优化

基于智能体仿真模型的矿山采出物流优化

问题

世界上最大的资源公司之一,销售额超过800亿美元,决定进入一个新的市场。该公司计划新建一座钾盐矿,并将90%的产量用于出口。他们想要设计一个可靠的供应链,有高速的补给以及从自然和人为灾害中恢复甚至受益的能力。Amalgama和Goldratt签订合同,设计钾盐采矿业务和完整的出站物流供应链。

在项目启动之前,了解由另一家公司早期构建的仿真系统所存在的瓶颈非常重要。 这个旧系统确实有一些好处;但该模型表现得像一个黑盒,并且没有经过中间推理就产生了结果。新项目采用了仿真建模的方法,将供应链过程可视化,增加结果的可信度,有助于:

错误的决策可能会在20年内导致数亿美元的利润损失。

解决方案

模型需求:

AnyLogic仿真软件满足了这些要求。 允许工程师根据需要创建灵活且可配置的供应链模型。AnyLogic建模阐明了位置(港口,集散中心等)内的进程,并展示了不同元素的工作方式和交互方式。

采矿物流流程从工厂和矿山储存设施开始。在产品开采完毕后,决定将产品运至出口渠道还是保留至国内市场。这些产品通过火车到达一个枢纽或港口,然后运往国外或送往当地分销。


矿业供应链仿真建模


在基于智能体的模型中,海港和矿山以及卡车、火车和船都充当独立的智能体,彼此进行交互。模型中还包括不同的随机源,例如,罢工行动、天气延迟、生产中断、客户需求变化等。模型中的图表可以显示供应链及其组件的输出统计数据。

矿业物流仿真模型

使用该模型,进行敏感性分析来定义供应链的最佳策略 – 推动式、混合式或拉动式。分析考虑在系统中增加轨道车辆(从2.5万辆增加到5.5万辆),改变矿山和港口的库容(从15万吨增加到50万吨),改变服务水平。世界一流的服务水平预定义为98%,标记为绿色,较低的服务水平标记为红色和黄色。

该图表显示:推动方案不会给出任何优质结果; 混合方案可以提供所需的性能水平;但是,更好的是实行拉动式政策,即使用3500辆30万吨容量的铁路车辆或4500辆25万吨容量的铁路车辆。而且在此方案下,系统在存储容量方面反应非常灵敏。

基于智能体的矿业仿真模型

在确定了最优策略后,将复杂性和波动性因素添加到模型中,观察其对服务水平的影响。推动方案会受到新产品、新客户、新枢纽或新端口的负面影响,而使用拉动式政策,无论在任何因素下,都能保持较高的服务水平。

然后对每项政策进行测试,以了解当可变性增加时每吨成本如何变化。 推动式策略几乎总是具有最高的每吨成本指数。 当然,该图也显示,随着波动性和复杂性的增加,每吨的成本会随着时间的推移而增加。

最后,使用不同的参数(服务水平、营运资金、集散中心和港口库存等)对结果进行比较,并对策略进行排序。

结果

AnyLogic仿真建模直观地描述了整个供应链过程,证明了拉动策略是最优的。这项政策以每吨最低的成本提供较高服务水平,同时降低了周转资金和投资要求。模型还展示了如何将额外的存储容量发挥作用。拉动政策的其他主要好处是:

供应链仿真敏感性分析

之前公司采用的推动策略,由于没有考虑需求的可变性,服务水平很差。该公司使用的是多产品供应链,当客户需求变为一种产品时,它可能会因为缺少可用的存储空间而丢失订单。拉动政策算法的作用有所不同,它根据需求决定何时安全地减少库存或增加库存,而不会损失订单。

模型功能包括:

后者详细的提供了不同场景中各种模型参数的结果。 例如,推/拉政策三角洲的每吨成本差异为3美元。按每年1300万吨计算,如果选择了错误的策略,这将意味着3900万美元的净利润损失。对于售出吨数参数,在使用相同容量和波动性时,推拉政策结果之间存在410万吨的差异。 每吨乘以300美元,这错误的政策选择将造成12亿美元的收入损失。

综上分析,在选择执行策略时,最终选择拉动策略进行业务开发。

Alan Barnard博士和Andrey Malykhanov博士的项目演示

同类案例研究

更多案例研究