Latuli - Logistics Asset Utilisation Increase

MIXMOVE programvare styrer vareleveranser i et nettverk av logistikk-terminaler over hele Europa. Løsningen «splitter» godset i enkeltpakker, sorterer og setter disse sammen igjen på en slik måte at alle kjøretøy som forlater en terminal kan gjøre det med full last. På verdensbasis i dag kjører mer enn halvparten av alle godskjøretøy med halv last og mange kjører tomme. Ved å sikre at alle kjøretøy er fulle kan godset transporteres med mindre bruk av ressurser. Kostnader og utslipp reduseres, selv om godset må håndteres i terminalene. I og med etablering av utslippsfrie soner i Europeiske byer er behovet for omlasting økende. Nye logistikk-terminaler må etableres for å overføre varer fra kjøretøy som bruker disel og annet konvensjonelt drivstoff til utslippsfrie kjøretøy. I dag sorteres godset i logistikkterminalene basert på regler som er satt opp manuelt. Dette fungerer bra når godsvolumene er begrensede og aktørene få, men når terminalene blir mange og godsvolumene større er det ikke lenger tilstrekkelig med manuelt definerte regler for distribusjon. Målet for prosjektet var derfor å utvikle «selvlærende» terminaler som hele tiden tar bedre og bedre beslutninger om hvordan gods skal bevege seg i et nettverk av logistikkterminaler, slik at alle ressurser utnyttes effektiv og miljøvennlig. De manuelle beslutningsreglene erstattes av maskinlæringsalgoritmer basert på stordata-analyse og presis semantiske beskrivelse av tilgjengelig informasjon om tidligere og nåværende transporter. Algoritmene ble validert det eksisterende nettverket på mer enn 25 terminaler som brukes til å transportere varer fopr 3M i Europa. Disse terminalene benytter programvaren til MIXMOVE. Potensialet for besparelser og reduksjon av miljøpåvirkning er stort. I nåværende operasjoner har vi dokumentert en reduksjon i utslipp på 50% og kostnader på 35%. Prosjektet har utviklet en datamodell («Terminal Capacity Model») som inneholder parametere for å estimere kapasitet for godsterminaler. Denne datamodellen, som er realisert som et UML klassediagram, er basert på en litteraturstudie hvor vi analyserte artikler som beskriver nøkkelindikatorer relatert til ulike former for kapasitetsmålinger. Datamodellen inneholder 40 ulike parametere kategorisert i fysiske parametere (f.eks. terminalstørrelse, antall porter, geografisk lokasjon), operasjonelle parametere (f.eks. støttede transportmåter, type terminalutstyr), effektivitetsmål (f.eks. gjennomsnittlig laste- og lossetid) og lagerhold (f.eks. antall av et gitt produkt på lager). Videre har prosjektet utviklet en semantisk modell (OWL ontologi) som beskriver konsepter, relasjoner og egenskaper relatert til terminaloperasjoner. Den semantiske modellen er i stor grad harmonisert med GS1´s eCom-standard og inkluderer også en modul som beskriver «Terminal Capacity Model». Det er i forbindelse med dette utviklet kode for å automatisk representere data fra MIXMOVE´s databaser som lenkede data i henhold til den semantiske modellen i en kunnskapsbase (eng: triple store). Dette muliggjør bl.a. generering av kunnskapsgrafer for videre maskinlæringsbasert dataanalyse. Prosjektet har gjennomført en analyse av all tilgjengelig data og etablert datasett som muliggjør ulike former for tidsserieanalyser. Det er gjennomført eksperimenter med klassiske maskinlærings-teknikker (klassifisering og klynging). Videre har prosjektet definert bruksmønstre som beskriver hvordan de nevnte artefaktene kan benyttes i operasjonell setting. Disse bruksmønstrene omfatter optimalisering av interne operasjoner gjennom nøkkelindikatormåling basert på Terminal Capacity Model, støtte for eksisterende beslutningsregler for terminaloperasjoner, og mer dynamisk ruteplanlegging i logistikknettverk. Klimaendringer fører til plutselige endringer i tilgjengelige tjenester og infrastruktur for logistikk (skogbranner som stenger vei og jernbane, lavt vannstand i elever, flom, etc.). Behovet for automatsik tilpasning av beslutningsregler i terminaler øker som en konsekvens av dette. Latuli har gitt et godt grunnlag for implementering av slike dynamiske beslutningesregeler.

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