Моделі машинного навчання для аналізу ефективності виробництва та логістики готового бетону
DOI:
https://doi.org/10.30977/BUL.2219-5548.2025.109.0.48Ключові слова:
бетонні заводи, готовий бетон, логістика, планування виробництва та логістики, цифрові двійники, Інтернет речей, оптимізація, імітаційне моделювання, машинне навчанняАнотація
Статтю присвячено аналізу проблем та особливостей створення цифрових двійників у виробництві та логістиці бетонних заводів. Одну з ключових ролей при цьому відіграє застосування методів штучного інтелекту та машинного навчання для покращення процесів планування, управління та оптимізації в ланцюгу постачання готового бетону. В роботі розглядаються напрями застосування методів та засобів штучного інтелекту та машинного навчання у виробництві та логістиці бетонних підприємств. Запропоновано схему інформаційної технології цифрового двійника для планування та управління виробництвом і логістикою бетонних підприємств. Досліджуються моделі машинного навчання для аналізу ефективності логістики готового бетону в реальному часі, які враховують параметри системи управління замовленнями, IoT-платформи та системи маршрутизації, що дозволяє підвищити ефективність предиктивної аналітики логістики готового бетону.
Посилання
Ринок цементу та бетону України: 2023 та прогноз потреб [Електронний ресурс] – Режим доступу: https://readymix.pro/rinok-cementu-ta-betonu-ukrayini-2023-ta-prognoz-potreb
Nour El-Din M., Pereira P.F., Poças Martins J., Ramos N.M. Digital Twins for Construction Assets Using BIM Standard Specifications. Buildings. 2022, vol. 12, no. 12, article no. 2155. DOI: 10.3390/buildings12122155.
Prokhorov O., Pronchakov Y., Prokhorov V. Cloud IoT Platform for Creating Intelligent Industrial Automation Systems. Lecture Notes Network Systems, 2021, vol. 188, pp. 55–67. DOI: 10.1007/978-3-030-66717-7_5.
Opoku D-G.J., Perera S., Osei-Kyei R., Rashidi M., Famakinwa T., Bamdad K. Drivers for Digital Twin Adoption in the Construction Industry: A Systematic Literature Review. Buildings. 2022. vol. 12. no. 2, article no. 113. DOI: 10.3390/buildings12020113.
Douaioui K., Oucheikh R., Benmoussa O., Mabrouki C. Machine Learning and Deep Learning Models for Demand Forecasting in Supply Chain Management: A Critical Review. Applied System Innovation. 2024, vol. 7, no. 5, article no. 93. DOI: 10.3390/asi7050093.
Yazdanbakhsh A. Forecasting trend changes of cement demand in the United States: An exploratory study, Results in Engineering, 2025, vol. 25, article no. 103859, DOI: 10.1016/j.rineng.2024.103859.
Poonam K., Shubhalaxmi J., Mrudula K. Machine Learning based Material Demand Prediction of Construction Equipment for Maintenance. International Journal of Computing and Digital Systems. 2024, vol. 17. pp. 1-12. DOI: 10.12785/ijcds/1571018142.
Chen Z., Song C., Zhang X., Cheng J. Scheduling Optimization of Electric Ready Mixed Concrete Vehicles Using an Improved Model-Based Reinforcement Learning. 2023, pp. 739-750. DOI: 10.36253/979-12-215-0289-3.74.
Chen W., Men Y., Fuster N., Osorio C., Juan A.A. Artificial Intelligence in Logistics Optimization with Sustainable Criteria: A Review. Sustainability. 2024, vol. 16, no. 21, article no. 9145. DOI: 10.3390/su16219145.
Nowak M., Pawłowska-Nowak M. Dynamic Pricing Method in the E-Commerce Industry Using Machine Learning. Applied Sciences. 2024, vol. 14, no. 24, article no. 11668. DOI: 10.3390/app142411668.
Ullah A., Mohmand M.I., Hussain H., Johar S., Khan I., Ahmad S., Mahmoud H.A., Huda S. Customer Analysis Using Machine Learning-Based Classification Algorithms for Effective Segmentation Using Recency, Frequency, Monetary, and Time. Sensors. 2023, vol. 23, no. 6, article no. 3180. DOI: 10.3390/s23063180.
Shan D., Qu F., Wang Z., Ji Y., Xu J. A Review of the Application of Computer Vision Techniques in Sustainable Engineering of Open Pit Mines. Sustainability. 2025, vol. 17, no. 7, article no. 3051. DOI: 10.3390/su17073051.
Maqsoom A., Aslam B., Gul M.E., Ullah F., Kouzani A.Z., Mahmud M.P., Nawaz A. Using Multivariate Regression and ANN Models to Predict Properties of Concrete Cured under Hot Weather. Sustainability. 2021, vol. 13, no. 18, article no. 10164. DOI: 10.3390/su131810164.
Natarajan N., Murugesan S., Berlin M., Vasudevan M. Concrete Classification Using Machine Learning Techniques. 2022, pp. 179-193. DOI: 10.1007/978-3-030-98335-2_12.
Weerapura V., Sugathadasa R., De Silva M.M., Nielsen I., Thibbotuwawa A. Feasibility of Digital Twins to Manage the Operational Risks in the Production of a Ready-Mix Concrete Plant. Buildings, 2023, vol. 13, article no. 447. DOI: 10.3390/buildings13020447.
Buhaievskyi M., Petrenko Y. Simulation of production and logistics for concrete plants. Radioelectronic and Computer Systems, 2024, vol. 2024, no. 3, pp. 190-204. DOI: 10.32620/reks.2024.3.13.
