بچهها، داستان از این قراره که تو معادن روباز، کامیونهای برقی وقتی همهشون همزمان میان سراغ تعویض باتری، صف درست میشه و کلی وقت تلف میشه. یعنی یه جورایی همه تو یه تایم خاص میخوان باتریشون رو عوض کنن و این باعث میشه کار گره بخوره.
تحقیقات جدید اومدن این مشکل صف کشیدن رو با یه مدل ریاضی پیشرفته بررسی کردن. برای این کار از یه روشی به اسم Discrete Event Simulation یا همون “شبیهسازی رویداد گسسته” استفاده کردن – یعنی خودشون اومدن با نرمافزار مدل کردن که ببینن گره کار کجاست و مشکل دقیقا چه زمانی پیش میاد.
حالا راه حلی که تیم پیشنهاد داده یه برنامهریزی چندمرحلهای باحال هست. تو این مدل مثلا از Mixed-Integer Linear Programming یا همون MILP استفاده شده. توضیحش اینه که تو مدلهای ریاضی، این روش برای حل مسائل پیچیده با کلی شرط و متغیر کاربرد داره. بعد، تو لایه بیرونی مدل هم از Bayesian Optimization استفاده کردن. اینم بدون که Bayesian Optimization یعنی یه مدل یادگیری هوشمند که با آزمون و خطا بهترین جواب رو پیدا میکنه.
حالا این روش جدید رو رو سه معدن بزرگ شبیهسازی کردن. نتیجه؟ با این برنامهریزی هوشمند زمان انتظار کامیونها تو صف باتری حدود ۶۵ تا ۸۰ درصد کمتر شد! جالبیش اینجا بود که اگه فقط تعداد ایستگاههای تعویض باتری رو افزایش میدادن، تقریباً به همون راندمان میرسیدن (مثلاً با ۴ ایستگاه ۶۶۷ سفر انجام شد و با مدل بهینه ۶۶۵ تا).
ولی نکته مهم اینه که با هوشمندسازی برنامه، بدون اینکه لازم باشه کلی خرج زیرساخت جدید کنی، همون کارایی رو میگیری! یعنی در واقع خرج اضافی حذف میشه و مشکل با برنامهریزی درست حل میشه، نه با خرج پول بیشتر.
یه نکته دیگه هم تو آخرین مطالعه موردی کشف کردن: اگه تعداد سکوهای بارگیری (یعنی جایی که کامیونها بار میزنن) رو بیشتر کنی، گره بخش بالادست هم باز میشه و با این مدل برنامهریزی، کل سیستم تا ۱۰ درصد سفر بیشتر انجام میده. خلاصه، این برنامهریزی هوشمند واقعاً میتونه گره صفهای تعویض باتری رو باز کنه و به حداکثر ظرفیت سیستم برسه.
در کل، قصه اینه: اگه معادن روباز بخوان حملونقل با کامیونهای برقی رو بهتر کنن، همیشه راه حل فقط خرج بیشتر و ساخت ایستگاه اضافی نیست. گاهی یه مدل هوشمند و برنامهریزی خفن میتونه معجزه کنه و کلی کارا رو سریعتر، ارزانتر و هوشمندانهتر جلو ببره!
منبع: +
