https://virgool.io/feed/@yonesh ما اینجا در مورد بنزین ، انرژی ،حامل های انرژی و انواع سوخت ها حرف میزنیم. ازسیاست گذاری انرژی گرفته تا فناوری ها و آینده انرژی .ما معتقدیم انرژی تعیین کننده آینده جهانه. fa 2026-06-18 22:00:48 https://files.virgool.io/upload/users/25141/avatar/bGBgMB.png?height=120&width=120 https://virgool.io/@yonesh https://virgool.io/@yonesh/%D8%AC%D8%B9%D8%A8%D9%87-%D8%A7%D8%A8%D8%B2%D8%A7%D8%B1-%D9%87%D9%88%D8%B4-%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C-%D8%AF%D8%B1-%D8%AE%D8%AF%D9%85%D8%AA-%D8%AD%D9%84-%D9%85%D8%B3%D8%A7%D8%A6%D9%84-%D8%AD%D9%88%D8%B2%D9%87-%D9%BE%D8%AE%D8%B4-%D9%81%D8%B1%D8%A2%D9%88%D8%B1%D8%AF%D9%87-%D9%87%D8%A7%DB%8C-%D9%86%D9%81%D8%AA%DB%8C-od7jw93pg38d محسن مولایی نسبمدیرعامل زنجیره تامین هوشمند انرژی/یونش www.yonesh.comهوش مصنوعی یکی از ابزارهای مهم و کاربردی این روزهاست .روندهای استفاده از این ابزار نشان میدهد که کاربرد های آن به سرعت در حال گسترش است . حوزه هایی که با تصمیم گیری و شرایط ناپایدار و عدم اطمینان بالا مواجه هستند یکی از مهمترین متقاضیان هوش مصنوعی میباشند. هرچه پیچیدگی شرایط بیشتر میشود نیاز به هوش مصنوعی افزایش می یابد.در ایران به طور متوسط روزانه ۹۵ میلیون لیتر بنزین در خودروهای شخصی و حدود ۴۷ میلیون لیتر گازوئیل در صنعت حمل و نقل مصرف میشود که این امر بزرگی عملیات توزیع و سطح وسیع و بالای تصمیم گیری در خصوص نحوه اجرای این عملیات را نشان میدهد. استفاده از ابزارهای مختلف هوش مصنوعی میتواند در اتخاذ تصمیم های بهینه موثر باشد.در این نوشته سعی میکنیم تا به بعضی کاربرد های ابزارهای مختلف هوش مصنوعی اشاره کنیم .یادگیری ماشینیادگیری ماشین (Machine Learning) شاخه‌ای از هوش مصنوعی است که به مطالعه و ساخت سیستم‌هایی با قابلیت یادگیری از داده‌ها می‌پردازد. به طور مثال، به کمک سیستم یادگیری ماشین می‌توان یک سیستم مدیریت پخش و توزیع فرآوردههای نفتی را آموزش داد تا درخواست های تقلبی یا خارج از عرف سوخت در کشور را از درخواست های سالم و مبتنی بر ساختار مصرف هر منطقه نفتی تشخیص دهد. این سیستم پس از یادگیری می‌تواند به دسته‌بندی درخواست ها و درخواست دهنده ها به موارد سالم و مشکوک بپردازد. مساله اصلی در یادگیری ماشین، عرضه و کلی‌سازی است. عرضه نمونه‌های داده‌ای و توابعی که بر اساس این نمونه‌ها ارزیابی می‌شوند، همگی بخشی از سیستم‌های یادگیری ماشین هستند. کلی‌سازی به معنی این قابلیت است که سیستم روی نمونه‌های داده‌ای نادیده نیز به خوبی عمل خواهد کرد. با توجه به حجم داده های موجود در شرکت ملی پخش فرآورده های نفتی کشور میتوان به خوبی این آموزش ها را صورت داد.انواع گسترده ای از فعالیت‌ها و کاربردهای موفق یادگیری ماشین وجود دارد. تشخیص نمونه سوخت های قاچاق شده بر اساس نمونه ها و داده های قبلی ،تشخیص روند متقلبانه و قاچاق و عرضه خارج از شبکه بر اساس روندها و داده ها نمونه هایی از کاربرد این ابزار در حوزه فرآورده ها ی نفتی است .بینایی ماشینبینایی ماشین (Machine Vision) فناوری و روش‌های مورد استفاده برای بهبود شناسایی و تحلیل خودکار مبتنی بر تصویر در کاربردهایی مانند بازرسی خودکار، کنترل روند و هدایت روبات در صنعت است. حوزه بینایی ماشین بسیار گسترده است. کاربرد اصلی بینایی ماشین در بازرسی خودکار و هدایت روبات‌های صنعتی است، همچنین برخی کاربردهای رایج بینایی ماشین در تضمین کیفیت، دسته‌بندی، کار با مواد، هدایت روبات‌ها و اندازه‌گیری نوری است.اولین قدم در جریان اجرای بینایی ماشین، گرفتن یک تصویر است که معمولا با استفاده از دوربین، لنز و نورپردازی انجام می‌شود و باید وضوح مورد نیاز در پردازش‌های بعدی در طراحی آن لحاظ شده باشد. سپس بسته نرم‌افزاری بینایی ماشین از تکنیک‌های مختلف پردازش تصویر دیجیتال استفاده کرده و اطلاعات مورد نیاز را استخراج و معمولا بر اساس اطلاعات استخراج‌شده تصمیم‌گیری (معمولا تایید/رد) می‌کند.این ابزار میتواند در بازرسی خودکار ناوگان حمل و نقل و تجهیزات تولید و بارگیری ،سیستم های اتوماتیک بارگیری و تخلیه ایمن بدون حضور نیروی انسانی ،کنترل کیفی فرآورده ،بلندینگ و تولید فرآورده ،اندازه گیری نوری سطح فرآورده در مخازن و اندازه گیری های کنترل کیفی به کار گرفته شود.روباتیکروباتیک شاخه‌ای از فناوری است که به طراحی، ساخت، عملیات و کاربرد روبات‌ها و سیستم‌های کامپیوتری برای کنترل، فیدبک حسگرها و پردازش اطلاعات می‌پردازد. این فناوری‌ها با دستگاه‌های خودکاری سر و کار دارند که می‌توانند جانشین انسان در محیط‌ها یا روندهای تولیدی خطرناک‌ شوند یا ظاهر، رفتار و درک انسانی را شبیه‌سازی کنند. در فرآیند توزیع فرآورده های نفتی بارگیری،تخلیه و سوختگیری همگی مواردی هستند که میتوانند برای انسان خطر ساز باشند. این فعالیت ها میتواند توسط ربات ها به صورت کاملا اتوماتیک اجرا شود. همچنین در فرآیند های تولیدی کنترل فرآیندها میتواند توسط هوش مصنوعی و بر اساس نیاز و اطلاعات در یافتی از بازار صورت پذیرد.سیستم‌های خبرهسیستم خبره به سیستم کامپیوتری اطلاق میشود که توانایی تصمیم‌سازی یک انسان خبره را شبیه‌سازی می‌کند. سیستم‌های خبره برای حل مشکلات پیچیده از طریق استنتاج در دانش خبرگی همانند یک انسان خبره است نه پیروی از دستورالعمل‌های برنامه‌نویس، آن‌طور که در برنامه‌های معمولی است. اولین سیستم‌های خبره در دهه ۱۹۷۰ ایجاد شدند و در دهه ۱۹۸۰ توسعه یافتند. سیستم‌های خبره از اولین اشکال واقعا موفق نرم‌افزارهای هوش مصنوعی بودند.سیستم خبره یک ساختار خاص، متفاوت از برنامه‌های کامپیوتری متداول است و به دو بخش تقسیم می‌شود؛ یک بخش ثابت، مستقل از سیستم خبره به نام موتور استنتاج و یک بخش متغیر به نام پایگاه دانش. در اجرای سیستم خبره، موتور همانند یک انسان بر اساس پایگاه دانش، استدلال می‌کند. در دهه ۸۰ بخش سومی هم ظاهر شد: رابط مکالمه برای ارتباط با کاربران. این توانایی برای مکالمه با کاربران بعدها به مکالمه‌ای شهرت یافت.تصمیم گیری در حوزه توزیع و پخش فرآورده های نفتی مبتنی بر شاخص ها و مولفه های متعددی است . توزیع خطی که بر اساس پیش بینی های معمول خطی صورت میگرفت و تقریبا از ابتدای کار سیستم توزیع در ایران بر اساس مدل های مهندسی صنایع ارائه میشد به پایان عمر خود نزدیک میشود. مولفه های فناوری مانند ارتباطات گسترده و تاثیر پذیری سریع موقعیت های جغرافیایی دور از هم از طریق شبکه های اجتماعی و یا سیستم های خبری و ارتباطی باعث میشود تا اثر یک رویداد محلی به سرعت در تمام گستره وسیع جغرافیایی کشور خود را بروز دهد . به عنوان مثال خبر گران شدن بنزین و دست به دست شدن اخبار و شایعات و تصاویر تجمع در پمپ های بنزین به سرعت نرخ تقاضا در کل کشور و حتی مناطق دور از دسترس و با جمعیت کم را افزایش داد و این امر موجب بروز یک پیک بزرگ تقاضا از انبار های نفت و شبکه حمل و توزیع شد که در صورت عدم مدیریت مناسب و پیش بینی دقیق میتوانست به یک بحران اجتماعی منجر شود.شبکه عصبیشبکه عصبی (Neural Networks) مصنوعی گروهی از گره‌ها (نودها)ی به هم پیوسته، همانند شبکه عصبی گسترده در مغز است. در اینجا هر کدام از نودهای دایره‌شکل نشان‌دهنده یک عصب مصنوعی و فلش‌ها نشانگر اتصال از خروجی یک عصب به ورودی عصب دیگر هستند.در علوم کامپیوتر و رشته‌های مربوطه، شبکه‌های عصبی مصنوعی مدل‌هایی الهام‌گرفته شده از سیستم عصبی مرکزی به ویژه مغز هستند که توانایی یادگیری و تشخیص الگو را دارند. این شبکه‌ها معمولا سیستمی از عصب‌های به هم پیوسته‌اند که می‌توانند مقادیر ورودی را با تزریق اطلاعات در شبکه محاسبه کنند. به طور مثال در شبکه عصبی تشخیص نشانگر های سوخت و مارکر ها ، مجموعه‌ای از عصب‌های ورودی با شاخص های اطلاعات ورودی فعال می‌شوند که نماینده یک مارکر یا ترکیب شیمیایی موجود در سوخت است. فعال شدن این عصب‌ها بر اساس تابعی که توسط طراح شبکه تعیین شده، به دیگر عصب‌ها منتقل، ارزیابی یا تغییر داده می‌شود تا نهایتا عصب خروجی فعال شود و تعیین کند چه مارکر و ترکیبی خوانده شده است.الگوریتم ژنتیکالگوریتم ژنتیک (Genetic Algorithm) یک جست‌وجوی مکاشفه‌ای است که روند انتخاب طبیعی را شبیه‌سازی می‌کند. این کاشف به صورت معمول برای ایجاد راه‌حل‌های مفید در مسائل بهینه‌سازی و جست‌وجو استفاده می‌شود. الگوریتم‌های ژنتیکی به طبقه‌ای بزرگ‌تر از الگوریتم‌های تکاملی (Evolutionary Algorithm) تعلق دارند که با استفاده از تکنیک‌های الهام‌گرفته از تکامل طبیعی، مانند ارث‌بری، جهش، انتخاب و عبور، راه‌حل‌هایی را برای مسائل بهینه‌سازی تولید می‌کنند. بهینه‌سازی شبکه زنجیره تامین فرآورده های نفتی منجر به مدیریت کارا و مؤثر عملیات کل زنجیره تأمین می‌شود. طراحی شبکه ، تعداد، موقعیت، ظرفیت، نوع ناوگان فعال در شبکه، مسیرهای توزیع، حمل مواد و محصولات از تأمین‌کننده تا مشتری و برعکس را مشخص می‌کند. اهداف مورد نظر برای بهینه‌سازی شبکه معمولا شامل کمینه‌سازی هزینه کل و بیشینه‌سازی استفاده متوازن از ظرفیت ناوگان و انبارهای شبکه است که منجر به کاهش زمان در سرویس‌دهی به مشتریان (افزایش سطح سرویس) می‌شود.الگوریتم‌های ژنتیکی در علوم محاسباتی، مهندسی ساخت و تولید ، اقتصادانرژی و پیشبینی قیمت فرآورده های مختلف ، شیمی فرآورده ، تولید و بهینه سازی خروجی تولیدی پالایشگاهها ، دیگر موارد کاربرد دارد.جمع بندیهوش مصنوعی برای شرکت های توزیع کننده فرآورده های نفتی این امکان را فراهم می آورد تا هر روز توزیع میلیون ها لیتر فرآورده را تجزیه و تحلیل نمایند و مشتریان را هدفمند دنبال نمایند. می توان چرخه عرضه و تقاضا را با استفاده از برنامه های هوش مصنوعی هدایت نموده و به شبکه توزیع و مدیران کمک نمود تا با چشم انداز درست، در زمان مناسب، فرآورده را در مکان درست ارائه کنند. یونش:انرژی تا بینهایت یونش:انرژی تا بینهایت Sat, 05 Oct 2019 12:14:18 +0330 https://virgool.io/@yonesh/%D9%85%D8%B3%D8%A6%D9%84%D9%87-%D9%84%D8%B3%D8%AA-%D9%85%D8%A7%DB%8C%D9%84-%D8%AF%D9%84%DB%8C%D9%88%D8%B1%DB%8C-last-mile-delivery%D8%AF%D8%B1-%D8%B5%D9%86%D8%B9%D8%AA-%D8%A8%D9%86%D8%B2%DB%8C%D9%86-uzl7hlqdvuqh محسن مولایی نسبمدیرعامل شرکت زنجیره تامین هوشمند انرژی/یونش www.yonesh.comهم‌زمان با رشد تجارت الکترونیک و افزایش میل مردم به خرید اینترنتی، اهمیت لجستیک بیشتر خودش را نشان داده است .لجستیک مدیریت جریان اقلام فیزیکی بین “نقطه منبع” و “نقطه مصرف” به منظور رفع نیازهای مشتریان است.لست مایل دلیوری یکی از مراحل این پروسه‌ی لجستیک و بخشی است که تحویل کالا به مشتری نهایی صورت میگیرد.تحویل در مقصد نهایی (Last Mile Delivery) در محیط تجارت الکترونیک در حال حاضر به عنوان گران ترین، ناکارآمدترین و آلوده کننده ترین بخش زنجیره لجستیک محسوب می شود(Gevaers و همکاران، ۲۰۱۴). با وجود اینکه رونق تجارت الکترونیک به گسترش بازارهای تحویل سریع منجر شده است، هنوز چالش های عمده ای در تحویل نهایی کالا به مشتری وجود دارد. ظهور مدل های کسب و کار جدیدی مبتنی بر حمل و تحویل سوخت به مشتری نهایی در سالهای اخیر با توجه به نوع و ماهیت بازار سوخت و انرژی ، حجم بزرگ و رو به رشدی از حمل و تحویل فراورده های مختلف نفتی به مصرف کننده نهایی از طریق تجارت الکترونیک را به وجود خواهد آورد.بخش های زنجیره تامین بنزین و فرآورده های نفتیدر زنجیره تامین بنزین و فرآورده های نفتی ، 2 مرحله‌ی مهم وجود دارد که یکی از آنها فرست مایل دلیوری نام دارد و دیگری با نام لست مایل دلیوری شناخته می‌شود. منظور از فرست مایل دلیوری که در اول زنجیره تامین قرار می‌گیرد، کارهایی است که برای بهینه کردن مراحل مربوط به دریافت فرآورده های نفتی از پالایشگاهها و انبار های نفت و رساندن آنها به یک مرکز توزیع مانند انبارهای نفت و یا پمپ های بنزین انجام می‌شود. اما مرحله‌ی بعدی که لست مایل دلیوری نام دارد و هدف اصلی ما در این نوشته است، به تمام اعمالی گفته می‌شود که برای رساندن بنزین یا فرآورده های دیگر نفتی به دست مشتری نهایی انجام می‌شود. به بیان دقیق‌تر، هدف اصلی ما در لست مایل دلیوری، رساندن فرآورده به دست مشتری در سریع‌ترین زمان ممکن است.در صورتی که فرست مایل را پالایشگاهها تا انبارهای نفت بدانیم، لست مایل فعالیتی است که در مرحله بعد تا پمپ های بنزین صورت میگیرد .اما در حقیقت این به صورت واقعی معنای تحویل نهایی به مشتری را نمیدهد چون مشتری باید باز هم زمان و هزینه ای را صرف کند تا سوخت مورد نیاز خود را در جایگاهها تحویل بگیرد.در مدل های کسب و کار فروش فرآورده های نفتی متکی بر تجارت الکترونیک ،با وجود اینکه تمام مراحل لجستیک از زمان تحویل گرفتن فرآورده از تولید کننده تا زمان تحویل دادن آن به جایگاههای سوخت مهم هستند، آخرین مرحله که به خروج کالا از مرکز توزیع نهایی و رسیدن آن به دست مشتری مربوط می‌شود اهمیت بیشتری دارد و معمولا پرهزینه‌ترین و زمان‌برترین مرحله در زنجیره تامین است. دلیل چالشی بودن این مرحله، زیاد بودن تعداد بسته‌های فرآورده است که معمولا کوچک (بین 30 تا 40 لیتر ) هستند و پیک ارسال باید در طول مسیر توقف‌های فراوانی داشته باشد.چه مشکلاتی بر سر راه لست مایل دلیوری بنزین و فرآورده های نفتی وجود دارد؟ایجاد مدل کسب و کار تحویل بنزین در محل مشتری منجر به افزایش تعداد مشتری‌هایی شده است که انتظار دارند بنزین مورد نیاز آنها سریع و با هزینه ارسال کم به دست‌شان برسد. حالا اگر خریدار در هنگام رسیدن پیک به آدرس در محل حضور نداشته باشد، تمام بهینه‌سازی‌های انجام شده از نظر زمان و هزینه به هدر خواهد رفت. به علاوه بسیاری از مشتریان این سرویس، انتظاراتی دیگری هم دارند که در میان آنها سرعت ارسال، پایبندی به زمان، دقت در قوانین، کیفیت،ایمنی و بیمه از باقی انتظارات اولویت بالاتری دارند.مسئله اصلی این است که از یک سو نهاد های ناظر مانند شرکت پخش فرآورده های نفتی و مشتریان انتظار دارند فرآورده با سرعت مناسب و ایمنی بالا توزیع شود و از سوی دیگر، شرکت‌های لجستیک فرآورده های نفتی تمایل دارند این کار را با حداقل هزینه‌های مربوط به وسایل حمل و نقل، سوخت، نیروی انسانی، فناوری و موارد این‌گونه انجام دهند. بنابراین اگر یک شرکت استارتاپ لجستیکی در حوزه سوخت و فرآورده نفتی بخواهد لست مایل دلیوری را با کیفیت بالایی به مشتریان خود ارائه کند، باید برای این نیازها و مشکلات، جواب‌های مناسبی داشته باشد.یک نکته مهم دیگر این است که شرکت های ارائه دهنده خدمات لست مایل دلیوری بنزین و فرآورده های نفتی دیگر مانند گازوئیل به دنبال این هستند که در ضمن کم کردن از هزینه‌های لجستیک، تجربه‌ی بهتری را از سوختگیری به مشتری ارائه دهند؛ زیرا تمرکز و بهینه کردن این فرآیند باعث افزایش سوددهی شرکت و بهبود رضایت مشتریان آن می‌شود. جلب رضایت حداکثری مشتری و وفادار کردن او در حوزه انرژی ، خواهند توانست رشد و پیشرفت کسب‌وکار را تضمین کنند. به همین دلیل طراحی یک تجربه جدید و لذت بخش در سرویس توزیع سوخت بسیار اهمیت دارد .همانطور که گفته شد نقش کلیدی لجستیک فراهم کردن به موقع و موثر تحویل کالا است. وقتی مشتری رضایت داشته باشد، خرید خود را تکرار می‌کند و به مشتری دائمی تبدیل می‌شود و این دقیقا یکی از اصلی ترین شاخص های کلیدی رشد و توسعه کسب و کارهای نوپا است . با این روش شرکت های تجارت الکترونیک مشتریان بیشتری برای خریدهای آتی خواهند داشت و رشد آنها تضمین میشود.در خصوص فرآورده های نفتی بخصوص بنزین ، فراهم کردن و تحویل دادن به موقع و ایمن در نرخ بازگشت مشتری تاثیر بسیار مهمی دارد.یکی از راه حل های اساسی برای شرکت های لجستیک فرآورده های نفتی استفاده از نرم افزارهای ویژه‌ای برای مدیریت مسائل مربوط به لجستیک در گام تحویل نهایی است .چالش های شهر های بزرگ و پر ترافیک در حوزه لست مایل دلیوری به صورت داینامیک تغییر میکند و این پویایی سیستم ترافیک و پراکندگی درخواست ها در شهر های بزرگ برای انرژی و به خصوص بنزین و فرآورده های نفتی باعث به وجود آمدن پیچیدگی زیاد میشود. پیچیدگی زیاد منجر به خطای مکرر انسانی شده و شاخص های اصلی یعنی تحویل به موقع و ایمن فرآورده را تحت الشعاع خود قرار میدهد .با کمک الگوریتم های پیش رونده و الگوریتم های یادگیرنده میتوان با استفاده از فناوری هوش مصنوعی مسائل مربوط به ردیابی ناوگان توزیع، مشکلات مربوط به موقعیت مکانی و الگوریتم های پیچیده مسیر یابی ، نگرانی های سطح موجودی قابل توزیع و قیمت گذاری خدمات توزیع را تا حد زیادی برطرف نمود.ادامه دارد.... یونش:انرژی تا بینهایت یونش:انرژی تا بینهایت Sat, 05 Oct 2019 12:10:57 +0330 https://virgool.io/@yonesh/%D9%87%D9%88%D8%B4-%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C-%D8%AF%D8%B1-%D9%84%D8%AC%D8%B3%D8%AA%DB%8C%DA%A9-%D9%81%D8%B1%D8%A2%D9%88%D8%B1%D8%AF%D9%87-%D9%87%D8%A7%DB%8C-%D9%86%D9%81%D8%AA%DB%8C-yshymblcx2gb محسن مولایی نسبمدیرعامل شرکت زنجیره تامین هوشمند انرژی/یونشwww.yonesh.comمقدمهبا 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 نفتی1- هزینه های بارگیری ، حمل و تحویل فرآوردههزینه 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 انبارهاهوش 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 نشدهدر 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.نتیجهلجستیک 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. یونش:انرژی تا بینهایت یونش:انرژی تا بینهایت Sat, 05 Oct 2019 12:09:02 +0330 https://virgool.io/@yonesh/%D8%A2%DB%8C%D8%A7-%D8%B3%D9%87%D9%85%DB%8C%D9%87-%D8%A8%D9%86%D8%AF%DB%8C-%D8%A8%D9%86%D8%B2%DB%8C%D9%86-%D8%A7%D9%86%D8%AC%D8%A7%D9%85-%D9%85%DB%8C%D8%B4%D9%88%D8%AF-k611pvsampmn مدت هاست که بحث سهمیه بندی بنزین داغ شده است . خیلی ها فکر میکنند که این امر به سادگی اممکان پذیر است و وزیر جوان فناوری اطلاعات هم با یک مانور رسانه ای این امر را به سادگی چند کلیک برای تبدیل و اتصال کارت بانکی معمولی به کارت سوخت دانست.از مانور های رسانه ای که بگذریم بیایید ببینیم برای راه اندازی سیستم سهمیه بندی و نظارت بر مصرف سوخت لازم است چه اتفاقاتی در دنیای واقعی رخ بدهد تا بتوانیم این مهم را به انجام برسانیم .در کشور حدود 50000 نازل سوخت ( همان تلمبه های پمپ بنزین ) وجود دارد .در حال حاضر سیستم قدیمی روی این نازل ها در حال کار است که هم از نظر فناوری و هم از نظر دوره نگهداری مدت زیادی است که از عمر مفید آنها گذشته و عملا غیر قابل استفاده هستند و باید دور ریخته شوند.اما چه چیزی باید جایگزین آنها شود ؟ بله درست حدس زدید کارتخوان های بانکی ... خوب بیایید حساب کنیم که نصب ،راه اندازی و توزیع کارتخوان ها در جایگاههای سوخت چقدر زمان و هزینه بر میدارد .قیمت متوسط این کارتخوان ها حدود 700 دلار است که به پول امروز میشود حدود 7 میلیون تومان تعداد مورد نیاز 50000 عدد است که میکند به عبارتی 350 میلیارد تومان . از طرفی همه این کارتخوان ها وارداتی هستند یعنی از لحظه ثبت سفارش و پرداخت پول که حالا بماند چطور باید انجام شود حداقل 15 روز طول میکشد تا با بهترین حالت یعنی پست هوایی این تعداد وارد کشور شود!!( البته پست هوایی خیلی گرونه و عملا نشدنی ... ) پس فرض متوسط 45 روز را در نظر میگیریم . حالا بریم سراغ اجرا که حداقل هر جایگاه یک روز وقت بگیرد و به صورت همزمان بین 7 psp بزرگ کشور هم تقسیم شود میشود سهم هر کدام7000 نازل یا به عبارتی 400 جایگاه که با فرض 10 تیم کاری میشود حداقل 40 روز ...پس تااینجای کار 85 روز کاری ...حالا زمان بندی ها را که نگاه کنیم از همین امروز میخوریم دقیقا به شب عید و بعد هم سال 1398 یعنی سال انتخابات مجلس که همه دوستان محتاج رای مردم میشوند.پس با یه حساب سر انگشتی یکسالی تا سهمیه بندی باقی مانده ... یونش:انرژی تا بینهایت یونش:انرژی تا بینهایت Sun, 23 Dec 2018 10:10:03 +0330