بهینه سازی چیدمان انبار های بزرگ مواد اولیه شیمیایی با استفاده از هوش مصنوعی با رویکردی نوین جهت ایمنی و بهره وری

انبارش مواد شیمیایی در صنایع بزرگ به دلیل ویژگیهای گوناگون فیزیکی و شیمیایی این مواد ، از جمله قابلیت اشتعال ، خورندگی و سمیت ، نیازمند رویکردی دقیق و چند بعدی است . روشهای متداول مانند FIFO یا LIFO ، اگرچه در انبارهای عمومی جوابگو هستند ، اما در مواجهه با ریسک های بالای انبارهای شیمیایی قادر به تامین توامان ایمنی ، بهینه سازی فضا و بهره وری عملیاتی نیستند . این پژوهش با تلفیق الگوریتم های یادگیری ماشین ، تحلیل داده های انبار و رعایت استاندارد های جهانی همچون NFPA و OSHA ، چارچوبی نوین برای طراحی چیدمان ارائه می دهد . مدل پیشنهادی در چهار مرحله شامل گردآوری داده ها ، خوشه بندی براساس سازگاری شیمیایی ، بهینه سازی چیدمان با الگوریتم ژنتیک و پایش لحظه ای با IoT پیاده سازی شد . آزمایش روی نمونه ای با بیش از 200 نوع ماده شیمیایی نشان داد که این مدل زمان دسترسی را کاهش داده ، هزینه ها را پایین آورده و ریسک بروز حادثه را کم کرده است ( در ادامه با مقادیر واقعی تر به آن خواهیم پرداخت ) . از نوآوری های کلیدی این تحقیق ، توسعه ماتریس سازگاری چند بعدی است که روابط پیچیده بین مواد مختلف را با دقت بالا مدل سازی می کند که این مدل چیدمان مواد شیمیایی در انبار ها علاوه بر صنایع پتروشیمی ، توانایی انطباق با سایر بخشهای صنعتی را نیز دارد .

کلیدواژه ها:

بهینه سازی انبار ، مواد شیمیایی ، هوش مصنوعی ، ایمنی صنعتی ، یادگیری ماشین