Latuli - Logistics Asset Utilisation Increase

MIXMOVE software manages product deliveries in a network of logistics terminals across Europe. The solution "splits" the goods into individual packages, and sorts and reassembles them in such a way that all vehicles leaving a terminal do so with full loads. Worldwide, more than half of all freight vehicles drive half empty and many drive empty. By ensuring that all vehicles are full, the goods can be transported with less use of resources. Costs and emissions are reduced, even if the goods must be handled in the terminals. The need for transhipments is increasing with the establishment of emission-free zones in European cities. New logistics terminals must be established to transfer goods from vehicles that use fossil fuels to emission-free vehicles. Today, cargo is sorted in MIXMOVE-operated logistics terminals based on rules that have been set up manually. This works well when the volumes of goods are limited and the players are few. However, when the terminals become many and the volumes of goods are larger, manually defined rules for distribution are no longer sufficient. The ambition is to develop "self-learning" terminals that constantly make better and better decisions about how goods should move in a network of logistics terminals so that all resources are used efficiently and environmentally friendly. The manual decision rules are to be supplemented by machine learning algorithms based on big data analysis and precise semantic descriptions of available information about past and present transports. The algorithms were validated in the existing network of more than 25 terminals used to transport goods for 3M in Europe. The potential for savings and reduction of environmental impact is significant. In current operations, we have documented a reduction in emissions of 50% and costs of 35%. The project developed a data model ("Terminal Capacity Model" - TCM) with parameters to estimate freight terminals' capacity. This data model is realized as a UML class diagram. The initial basis for TCM is a literature study that analysed articles describing key indicators related to various logistics terminal capacity measurements. The data model contains 40 different parameters of different categories: 1) Physical parameters (e.g. terminal size, number of gates, geographical location), 2) Operational parameters (e.g. supported modes of transport, type of terminal equipment), 3) Efficiency measures (e.g. average loading and unloading time), and 4) Stock levels (e.g. number of a given product in stock). The project also developed a semantic model (OWL ontology) that describes concepts, relationships and properties related to terminal operations. The semantic model is largely harmonized with GS1's eCom standard and includes a module describing the TCM. A knowledge base has been developed. This is supplemented with software for automatically representing data from MIXMOVE's internal data repositories as linked data according to the semantic model. This enables, among other things, the generation of knowledge graphs for further machine learning-based data analysis. The project performed an analysis of all available data and established datasets that enable various forms of time series analysis. Experiments have been carried out with classic machine-learning techniques (classification and clustering). Furthermore, the project has defined usage patterns that describe how the previously mentioned artefacts can be used in operational settings. These usage patterns include optimisation of internal operations through key indicator measurement based on the TCM, support for existing decision rules for terminal operations, and more dynamic route planning in logistics networks. Climate change leads to disruptions in services and infrastructure for logistics (forest fires that close roads and railways, low water levels in pupils, floods, etc.). The need for automatic adaptation of decision rules in terminals increases because of this. Latuli has provided a good basis for the implementation of such dynamic decision rules in systems that already are in operation.

MIXMOVE Match er MIXMOVEs viktigste produkt. Resultatene fra Latuli vil ytterligere styrke MIXMOVE i markedet. Pandemien påvirket prosjektet i betydelig grad ved at samarbeidet mellom SINTEF i Norge og MIXMOVE’s tekniske avdeling i Portugal ikke kunne gjennomføres som planlagt. Integrasjon av de maskinlærings- og semantiske moduler ble derfor ikke gjennomført med en kvalitet som gjør at de kan introduseres i markedet som planlagt. Markedsintroduksjon av løsninene er deror utsatt til 2023. MIXMOVE har etablert et industri-initiativ mot logistikkmiljøet ALICE i EU, om realisering av ideene i «The Physical Internet Initiative». Initativet er en integrert del av det ALICE kaller temanisk gruppe 4 om samarbeide innen logistikkoperasjoner. Representanter for MIXMOVE er «vice chair» i denne tematiske gruppen. Brukerne av MIXMOVE Match kan øke fyllingsgraden i kjøretøy og andre lastbærere fra mindre enn 50% til 90%. Reduksjon i utslipp blir opp mot 50% kostnader reduseres med på opp mot 35% Selv om Elkem fikk samllet data fra sine logistikkoperasjoner, førte pandemiane til at praktisk validering mått utsettes. I stedet er resultatene fra Latuli en del av de systemer som nå et under laveranse til «DHL Supply chain» i UK. Det er for tidlig å dokumentere konkrete, kvantititative virkninger av løsningene, men starten er lovende. SINTEF Digital har økt sin kompetanse innenfor systemarkitektur i transport-logistikk, semantikk/datarepresentasjon og maskinlæring for analyse av stordata. SINTEF Digital styrket sin evne til å tiltrekke seg nye prosjekter styrke norsk industri i videre nasjonal- og EU-forskning og oppdrag for næringslivet.

Den teknologiske utviklingen gjør at beslutninger om reorganisering av gods og valg av transporttjenester i fremtiden vil tas i logistikk-terminalene og ikke hos speditører som i dag. Produktet MIXMOVE Match styrer varestrømmene i et logistikknettverk med mer enn 25 terminaler spredt over hele Europa, der terminalene spiller en slik rolle. Dette nettverket betjener en vareeier (3M), mens terminalene opereres av forskjellige logistikk-operatører (DHL, DB Schenker, etc.). MIXMOVE Match mottar informasjon om godset før varene ankommer. Beslutningsreglene i MIXMOVE Match gir grunnlag for å instruere operatører eller håndteringsutstyr om splitting av godset i enkeltpakker (hvis nødvendig) og sortering av disse. Sorteringen benyttes til å sikre at alle kjøretøy som forlater en terminal er fulle. Latuli skal erstatte nåværende enkle, manuelle beslutningsregler i terminalene med maskinlæringsalgoritmer basert på stordata-analyse og presis semantisk beskrivelse av tilgjengelige transport-data. Algoritmene skal benytte informasjon (historisk og nåværende) om alle godsbevegelser, transportressurser og infrastruktur i nettverket. Målet er å utvikle «selvlærende» terminaler som hele tiden tar bedre og bedre beslutninger om hvordan gods beveger seg i et logistikknettverk, slik at alle ressurser utnyttes effektivt og miljøvennlig. Logistikknettverket blir da mer dynamisk og gi både kostnadsmessig og miljømessig gevinst for alle aktører som er involvert, samt åpne opp for at det samme nettverket kan betjene flere vareeiere. Algoritmene skal valideres og prøves ut i full skala Elkems forsyningskjeder og i det nettverket av 25 terminaler som benytter den eksisterende utgave av MIXMOVE Match beslutningsregler