هوش مصنوعی در لجستیک فرآورده های نفتی

مقدمه

با رشد فرآیند دیجیتالی شدن کسب و کارها ، شرکت های بیشتری از هوش مصنوعی با هدف افزایش بهره وری منابع از طریق کاهش زمان و کاهش هزینه های زنجیره تامین استفاده می کنند .نتایج حاصل از یک مطالعه جدید که به صورت مشترک توسط شرکت‌های فوربز اینسایت، SAS، اینتل و اکسنچر انجام شده است نشان می دهد ۳۶ درصد شرکت‌های فعال در عرصه زنجیره تامین هم اکنون قابلیت‌های هوش مصنوعی را به بخش تدارکات خود افزوده‌اند . علاوه بر این طی نظر سنجی انجام شده توسط McKinsey حدود 21 درصد از شرکت های لجستیکی و حمل و نقل از مرحله ی اولیه آزمایشی هوش مصنوعی فراتر رفته و راه حل های مبتنی بر هوش مصنوعی را در مقیاس بالا مورد استفاده قرار داده اند.بر اساس این مطالعات شرکت های پیشگام در استفاده از راه حل های مبتنی بر هوش مصنوعی، در بخش حمل و نقل و لجستیک، با افزایش حاشیه سود بالغ بر 5 درصد مواجه شدند.

علاقه ی فعلی و پذیرش سریع هوش مصنوعی در لجستیک چندین عامل کلیدی از جمله افزایش تقاضا از توزیع کننده، پیشرفت های تکنولوژیکی اخیر و سرمایه گذاری عظیم در کسب و کارهای مبتنی بر داده ،داشته است .

مشکل اصلی که برای شرکت‌های فعال در عرصه زنجیره تامین وجود دارد پراکندگی فعالیت آنها است. آنها با جریان بزرگی از مواد و داده مواجه هستند . این شرکت ها حتی مجبور می‌شوند در قاره‌های مختلف سیستم‌های متفاوت را راه اندازی مدیریت و راهبری کنند. شرکت‌های فعال در این حوزه برای دسترسی به زنجیره عملیاتی بهینه فاصله جغرافیایی زیاد دارند و از این رو تصمیم‌گیری دقیق بر اساس داده‌های دقیق معمولا کار دشواری برای آنها محسوب می‌شود. اگرچه برای سال‌های طولانی مجموعه‌ای از سیستم‌های تحلیلی و تعاملی در چرخه زنجیره تامین به کار گرفته شده‌اند، ولی این مسئله همچنان به عنوان یک مشکل اصلی محسوب می‌شود.

چرخه زنجیره تامین در فضاهای دیجیتالی امروز که با سرعت بالا رشد می‌کنند بسیار پیچیده‌تر شده است،چرا که حجم داده های تولیدی در سازمان های لجستیکی بسیار افزایش یافته است و در بخش لست مایل به دلیل پراکندگی بالا و تنوع کالای قابل تحویل این داده ها به صورت مداوم رو به افزایش است . افزایش هرچه بیشتر حجم و تنوع داده‌ها نیز در این زمینه تاثیر زیادی بر عملکرد زنجیره های تامینی میگذارد. این روزها تعداد بیشتر شرکای کسب و کار، محصولات، مناطق جغرافیایی، رقابت‌های عرصه جهانی و افزایش انتظارات مشتریان فشار مضاعفی را در سازمان ها ایجاد میکند.

زنجیره های تامین انرژی و حامل های ان به خصوص فرآورده های نفتی مانند بنزین و گازوییل با توجه به نقش اساسی آن در صنایع دیگر مانند حمل و نقل و غیره از پیچیدگی و حساسیت بسیار بالایی برخوردار هستند. انرژی کالایی است که استفاده از آن متوقف نمیشود و هر نوع توقف در تامین حامل های آن دارای تاثیرات دومینو وار بر تمام ارکان جامعه است .بنابر این استفاده درست از داده ها و اطلاعات تولید شده در زنجیره های تامین انرژی و حامل های آن برای کنترل درست این زنجیره ها از اهمیت اساسی برخوردار است . حجم اطلاعات تولید شده در شبکه های لجستیک و تامین حامل های انرژی به حدی است که از توان سیستم های معمول و یا مدیریت انسانی خارج است و نیازمند دقت و سرعت عمل بالا در کنار تصمیم گیری درست و به هنگام است .بررسی ویژگی ها و راه حل های مبتنی بر هوش مصنوعی نشان میدهد که این فناوری میتواند پاسخی به این نیازهای رو به فزونی در حوزه فرآورده های نفتی و حامل های دیگر انرژی باشد .

برخی از رایج ترین راه حل های هوش مصنوعی در زنجیره تامین عبارتند از مدیریت منابع، کاهش هزینه از طریق کاهش خطا و اشتباهات، تقویت روش های پیش بینی سنتی، سرعت بخشیدن پروسه ی تحویل با بهینه سازی مسیرها، بهبود خدمات مشتری و غیره است. توانایی هوش مصنوعی در ساده سازی فرایندهای زنجیره تامین و لجستیک مزایای رقابتی زیادی از جمله کاهش هزینه ها و زمان مورد نیاز برای انجام کل فرآیند ها را به همراه دارد . این موضوع در حوزه انرژی بسیار مهم است چرا که با استفاده از این قابلیت میتوان حامل های انرژی را به موقع و باقیمت مناسب به متقاضیان تحویل داد.

آثار هوش مصنوعی بر کاهش مشکلات لجستیک فرآورده ها ی نفتی

1- هزینه های بارگیری ، حمل و تحویل فرآورده

هزینه های بارگیری ،حمل و تحویل فرآورده های مختلف با توجه به تغییر فصول، شرایط جوی (روز آفتابی، بارانی و برفی) و حتی ساعت و نوع فرآورده متغییر است. با بهره گیری از فناوری هوش مصنوعی به نظارت بر شرایط مختلف و اجرای سناریوهای مناسب در هر مورد کمک کرده و در نهایت هزینه ی مناسب و عادلانه با توجه به زمان و مسیر تحویل فرآورده ، را تعیین مینماید. این الگوریتم ها مجموعه ای از پارامترهای نظیر ترافیک، آب و هوا و چالش های اجتماعی و اقتصادی را کنترل می کنند که به شرکت های لجستیکی کمک می کند تا قیمت منصفانه ای برای تحویل فرآورده های مختلف تعیین نمایند. در این شرایط هم شرکت ها دجار ضرر نشده و هم مشتریان راضی خواهند بود.

2- بهینه سازی تخصیص ناوگان و مدیریت موجودی انبارها

هوش مصنوعی و یادگیری ماشین می تواند صدها مدل از پیش بینی تقاضای ‏بازار انرژی و سوخت را بررسی نموده و بصورت خودکار خود را با متغیرهای مختلفی همچون ‏نوع محصول، اختلالات ایجاد شده در زنجیره تامین و تغییرات ناگهانی ‏در تقاضا، تطبیق دهد. ‏با بکارگیری سیستم های هوش مصنوعی، فرآورده از لحظه ی تولید در ‏پالایشگاه تا انبارهای فرآورده و پمپ های بنزین و در نهایت رسیدن به دست مصرف کننده نهایی ردیابی و بررسی می شود. ‏

برای توزیع دقیق و سریع فرآورده های نفتی باید شبکه ی عظیمی از پالایشگاهها، انبارها و وسایل نقلیه هماهنگ شوند. این هماهنگی معمولاً پیچیده می شود. هرچه سیستم های یادگیری قوی تر شوند، و اطلاعات را به صورت بهینه و هدفمند جمع آوری کنند، توانایی هماهنگی ها افزایش می یابد. و برای کاهش ریسک بین تامین و تقاضای سوخت، نفتکش ها ، حمل کننده های نهایی و شرایط آب و هوایی، اقتصادی را ارزیابی کرده ، و آن را به یادگیری ماشین ابلاغ می کنند.

از طریق فناوری هوش مصنوعی موجودی انبارهای فرآورده و ظرفیت بارگیری کامیون های در دسترس بررسی شده و با توجه به آن برنامه ریزی برخط برای حمل و توزیع فرآورده با قیمت بهینه ارائه می شود. الگوریتم های هوشمند این اطلاعات را پیش از آغاز تحویل فرآورده های مختلف را اعلام می کنند تا مشتریان از قیمت دقیق و در دسترس بودن موجودی فرآورده های مختلف برای تحویل اطلاع داشته باشند. الگوریتم های هوش مصنوعی همچنین تجزیه و تحلیل داده ها را نیز ارائه می دهد . با استفاده از این ابزارها میتوان کل داده های حمل و تحویل را بصری سازی نمود.

3- مقابله با شرایط پیش بینی نشده

در لجستیک حامل های انرژی شرایط غیر منتظره زیادی رخ میدهد که میتواند تاثیر بالایی در زمان تحویل فرآورده به عنوان مهمترین شاخص کلیدی کنترل عملکرد لجستیک ، بگذارد. بلایای طبیعی مانند طوفان ها و سیل، تصادفات و سوانح رانندگی، اعتصاب کارکنان،خرابی ناوگان می توانند بر روند طبیعی گردش کاری لجستیکی تأثیر بگذارند. هوش مصنوعی را می توان با سناریوهای مربوط به موارد اورژانسی یا اختلال در شبکه آموزش داد و در مواقع لزوم جهت اجرای اقدامات اصلاحی مانند بازتعریف الگوریتمها و مسیرهای توزیع و حمل ،از آن استفاده نمود.

جمع بندی

لجستیک و زنجیره تامین حامل های انرژی بخصوص فرآورده های نفتی پیچیدگی بالایی دارد که نیاز به برنامه ریزی، انعطاف پذیری و توانایی در تنظیم شرایط زمانی پیش بینی نشده دارد. با استفاده از فناوری هوش مصنوعی، شرکت ها قادر به پردازش کارهای لجستیک برای تردد وسایل نقلیه و شبکه های توزیع هستند. هوش مصنوعی به کاهش هزینه های و زمان انجام عملیات لجستیکی فرآورده های نفتی کمک می کند. پذیرش لجستیک مبتنی بر هوش مصنوعی با چالش های زیادی مواجه است ، که باید مورد توجه قرار گیرند، اما قابلیت های ارائه شده، توسط هوش مصنوعی ، بیش از حد بزرگ هستند، و امکان نادیده گرفتن آن ها تقریبا صفر است.