Auto-génération des modèles génériques d'entrepôts logistiques compétitifs et décarbonés : une approche alliant Intelligence Artificielle, fouille de données et Simulation

Auto-generation of generic models for competitive, decarbonized logistics warehouses: an approach combining Artificial Intelligence, data mining and Simulation

• Auteur / Autrice : Maryam Esmaeiliqeshlaqi
• Direction : Gülgün Alpan-gaujal
• Type : Projet de thèse
• Discipline(s) : GI - Génie Industriel : conception et production
• Date : Inscription en doctorat le 12/02/2024
• Etablissement(s) : Université Grenoble Alpes
• Ecole(s) doctorale(s) : École doctorale Ingénierie - matériaux mécanique énergétique environnement procédés production (Grenoble, Isère, France ; 2008-....)
• Partenaire(s) de recherche : Laboratoire : Sciences pour la conception, l'optimisation et la production (Grenoble, Isère, France ; 2006-....)

Mots clés

Mots clés libres

Aide à la décision

Dimensionnement d'entrepôts logistiques

Simulation à événements discret

Intelligence artificielle

Decision support

Sizing of logistics warehouses

Discrete-event simulation

Artificial intelligence

Résumé

Le secteur de la logistique industrielle est en pleine mutation (numérique et éco-responsable). D'une part, les chaines logistiques sont de plus en plus complexes et doivent s'adapter à un monde de plus en plus incertain (crise sanitaire, crise géopolitique, inflation, tension matière première, cout du transport, …), et d'autre part les prestataires logistiques sont soumis à une intensité concurrentielle forte (contrats courts, obligation de réduction de coûts, réorganisations logistiques fréquentes). Il est crucial d'anticiper les enjeux à venir : économique, social et environnementaux et de doter les systèmes logistiques d'outil numérique d'aide à la décision et au pilotage afin de pouvoir modéliser, simuler, optimiser et mesurer les activités et leur impact environnemental dans un contexte incertain et concurrentiel. Dans cette thèse, nous allons travailler sur le dimensionnement d'entrepôt et la génération de schéma directeur. Ces activités sont de nature complexe et chronophage. Le dimensionnement d'un entrepôt logistique consiste à estimer la capacité nécessaire pour satisfaire une quantité de flux qui transite dans l'entrepôt, en respectant des critères de performance. Le schéma directeur décrit le type et le nombre de ressources (humaines et techniques) nécessaires pour équilibrer la « charge / capacité » du site logistique (par exemple, le nombre de racks, systèmes automatisés, véhicules automatisées AGVs, chariots, etc.) et leur implantation physique dans l' entrepôt avec les surfaces dédiées aux activités. Cette thèse a pour objectif de créer des outils d'aide à la décision pour (1) dimensionner une nouvelle plateforme logistique ou une sous-zone dans une plateforme existante, et (2) proposer des schémas directeurs optimisés pour atteindre un ensemble d'indicateurs de performance Industrielle orientée Développement Durable. Nous allons explorer l'utilisation des algorithmes de l'Intelligence Artificielle (IA) et la Simulation à évènements discrets (SED). Les approches Machine Learning (ML) permettront d'intégrer les données disponibles et générer automatiquement des alternatives d'implantation d'entrepôts. La SED permettra d'évaluer la performance des alternatives sur plusieurs critères et potentiellement sous des conditions d'aléas. 'Contexte Le secteur de la logistique industrielle est en pleine mutation (numérique et éco-responsable). D'une part, les chaines logistiques sont de plus en plus complexes et doivent s'adapter à un monde de plus en plus incertain (crise sanitaire, crise géopolitique, inflation, tension matière première, cout du transport, …), et d'autre part les prestataires logistiques sont soumis à une intensité concurrentielle forte (contrats courts, obligation de réduction de coûts, réorganisations logistiques fréquentes). Il est crucial d'anticiper les enjeux à venir : économique, social et environnementaux et de doter les systèmes logistiques d'outil numérique d'aide à la décision et au pilotage afin de pouvoir modéliser, simuler, optimiser et mesurer les activités et leur impact environnemental dans un contexte incertain et concurrentiel. Dans cette thèse, nous allons travailler sur l'une des briques du jumeau numérique, pour répondre à un besoin au niveau stratégique et tactique sur le dimensionnement d'entrepôt et la génération de schéma directeur. Le dimensionnement d'un entrepôt logistique consiste à estimer la capacité nécessaire pour satisfaire une quantité de flux qui transite dans l'entrepôt, en respectant des critères de performance. Le schéma directeur décrit le type et le nombre de ressources (humaines et techniques) nécessaires pour équilibrer la « charge / capacité » du site logistique (par exemple, le nombre de racks, systèmes automatisés, véhicules automatisées AGVs, chariots, etc.) et leur implantation physique dans l'entrepôts avec les surfaces dédiées aux activités. Objectif Cette thèse a pour objectif de créer des outils d'aide à la décision pour (1) dimensionner une nouvelle plateforme logistique ou une sous-zone dans une plateforme existante, et (2) proposer des schémas directeurs optimisés pour atteindre un ensemble d'indicateurs de performance Industrielle orientée Développement Durable. Nous allons explorer l'utilisation des algorithmes de l'Intelligence Artificielle (IA) et la Simulation à évènements discrets (SED). Les approches Machine Learning (ML) permettront d'intégrer les données disponibles et générer automatiquement des alternatives d'implantation d'entrepôts. La SED permettra d'évaluer la performance des alternatives sur plusieurs critères et potentiellement sous des conditions d'aléas.

The industrial logistics sector is undergoing radical change (digital and eco-responsible). On the one hand, supply chains are becoming increasingly complex and need to adapt to an increasingly uncertain world (health crises, geopolitical crises, inflation, raw material tensions, transport costs, etc.), and on the other, logistics service providers are subject to intense competition (short contracts, cost-cutting obligations, frequent logistics reorganizations). It is crucial to anticipate future economic, social and environmental challenges, and to equip logistics systems with digital decision-making and management tools, so as to be able to model, simulate, optimize and measure activities and their environmental impact in an uncertain and competitive context. In this thesis, we will be working on warehouse sizing and master plan generation. These activities are complex and time-consuming. The sizing of a logistics warehouse consists in estimating the capacity required to satisfy a quantity of flows passing through the warehouse, while respecting performance criteria. The master plan describes the type and number of resources (human and technical) needed to balance the 'load/capacity' of the logistics site (e.g. number of racks, automated systems, AGVs, forklifts, etc.) and their physical layout in the warehouse with the areas dedicated to activities. The aim of this thesis is to create decision-support tools for (1) dimensioning a new logistics platform or a sub-zone within an existing platform, and (2) proposing optimized master plans to achieve a set of Sustainable Development-oriented Industrial performance indicators. We will explore the use of Artificial Intelligence (AI) algorithms and Discrete Event Simulation (DES). Machine Learning (ML) approaches will be used to integrate available data and automatically generate warehouse layout alternatives. SED will enable the performance of alternatives to be evaluated on several criteria and potentially under random conditions. 'Background The industrial logistics sector is undergoing radical change (digital and eco-responsible). On the one hand, supply chains are becoming increasingly complex, and must adapt to an increasingly uncertain world (health crisis, geopolitical crisis, inflation, raw material tension, transport costs, etc.), and on the other, logistics service providers are subject to intense competition (short contracts, cost-cutting obligations, frequent logistics reorganizations). It is crucial to anticipate future economic, social and environmental challenges, and to equip logistics systems with digital decision-making and management tools, so as to be able to model, simulate, optimize and measure activities and their environmental impact in an uncertain and competitive context. In this thesis, we will work on one of the bricks of the digital twin, to meet a strategic and tactical need for warehouse sizing and master plan generation. The sizing of a logistics warehouse consists in estimating the capacity required to satisfy the quantity of flows passing through the warehouse, while respecting performance criteria. The master plan describes the type and number of resources (human and technical) needed to balance the 'load/capacity' of the logistics site (e.g. number of racks, automated systems, AGVs, forklifts, etc.) and their physical layout in the warehouse with the areas dedicated to activities. Objective The aim of this thesis is to create decision-support tools for (1) dimensioning a new logistics platform or a sub-zone within an existing platform, and (2) proposing optimized master plans to achieve a set of Sustainable Development-oriented Industrial performance indicators. We will explore the use of Artificial Intelligence (AI) algorithms and Discrete Event Simulation (DES). Machine Learning (ML) approaches will be used to integrate available data and automatically generate alternative warehouse layouts. SED will enable the performance of alternatives to be evaluated on several criteria and potentially under random conditions.