Zarządzanie logistyką biomasy z wykorzystaniem sztucznej inteligencji…104

Przedsiębiorcy z sektora biopaliw, producenci peletów, biomasy, ciepłownie, elektrownie, przedsiębiorstwa leśne etc. – nie znają dokładnej lokalizacji, jakości, ilości i wartości biomasy co stanowi główny problem na rynku. Obok narzędzi opisanych powyżej istnieje pilna potrzeba opracowania bardziej subtelnego modelu zarządzania biomasą. Techniki programowania matematycznego są szeroko stosowane w transporcie, zarządzania logistyką, wyborze tras i konfiguracji sprzętu. Modele optymalizacyjne mają tą zaletę, że zapewniają najlepsze rozwiązanie problemu logistyki wśród rozwiązań alternatywnych. Jednak problemy te są często trudne do sformułowania i stanowią wyzwanie obliczeniowe co powoduje ograniczenie ich możliwości wykorzystania w kompleksowej logistyce dostaw. Podejścia oparte na GIS mają tę zaletę, że wykorzystują informacje w czasie rzeczywistym (takie jak sieci drogowej i zatorów komunikacyjnych) przy analizie logistyki transportu. Dostępność wiarygodnych danych w połączeniu z wysoką wydajnością obliczeniową czyni te podejście bardziej atrakcyjnym.

Narzędzia sztucznej inteligencji, w tym przede wszystkim sztuczne sieci neuronowe, są coraz powszechniej stosowane nie tylko w obszarach nauk technicznych, ale i w ekonomii oraz zarządzaniu. Sztuczne sieci neuronowe należą do metod analizy danych o bardzo dużych możliwościach aplikacyjnych i są coraz powszechniej stosowane alternatywnie do tradycyjnych metod analitycznych, zapewniając bardziej rzetelne wyniki. Takie podejście modelowania zostało z powodzeniem wykorzystane w przeszłości do modelowania systemów nieliniowych [89]. Sieci ANN są szeroko stosowane w dziedzinie dostaw energii i modelowania przestrzennego [90]. Ponieważ transport biomasy obejmuje planowanie i optymalizację lokalizacji gospodarstw rolnych, wyznaczanie tras ruchu i planowanie, w pracy [91] zastosowano sieci neuronowe w celu optymalizacji produkcji biomasy i przepływu ładunków w odstępach czasowych i przestrzennych. Zdolność sieci neuronowych do wywierania wpływu w czasie rzeczywistym, adaptacyjnego sterowania procesami transportowymi jest podstawą wielu inteligentnych narzędzi wspomagających podejmowanie decyzji transportowych [92].

Zadaniem naukowym jest opracowanie modelu pozwalającego na odzwierciedlenie istniejących w rzeczywistości zależności pomiędzy zmiennymi wejściowymi (właściwości biomasy, lokalizacji, odległość), a zmienną wyjściową - czyli wariantem ekonomicznych dostaw biomasy po najniższej cenie. Zastosowanie sztucznej inteligencji (AI) w aspekcie

105

podejmowania decyzji w zarządzaniu łańcuchem dostaw biomasy z uwzględnieniem wymagań elektrociepłowni opalanej biomasą stanowi oryginalny wkład autorki. Implementacja algorytmów AI do zarządzania łańcuchem dostaw biomasy pozwala na kompleksową analizę z uwzględnieniem priorytetowych aspektów ekonomicznych - kosztów, wydajności i niezawodności dostaw. Efektywne zarządzanie łańcuchem dostaw wymaga powiązania tych priorytetów ze strategią biznesową, tak aby nadać kierunek strategiom funkcjonalnym w zakresie spełniania oczekiwań klientów i pozostać konkurencyjnym na rynku biomasy. Z tego punktu widzenia, model predykcyjny, który jest w stanie planować, monitorować i kontrolować jest niezbędny do podjęcia taktycznej decyzji dotyczącej strategicznego projektowania biznesowego biomasy, aby zapewnić jej konkurencyjność zarówno w zakresie usług, jak i produktów. Sieć logistyczna lub strumień dostaw biomasy może zostać zoptymalizowany w celu zmniejszenia kosztów transportu i opłat za obsługę magazynową. Procesy te odbywają się równolegle do działań związanych z zamówieniami publicznymi. Działania związane z zakupem biomasy koncentrują się na najlepszej strategii zakupowej, aby „przechytrzyć” innych konkurentów w tym samym regionie. Analizując i wybierając odpowiednią strategię, ustalenia logistyczne dotyczące transportu biomasy z punktu zbiórki do magazynu mogą być bardziej efektywne i oszczędzające czas.

Sieci neuronowe mają umiejętność konstruowania potrzebnych modeli, ponieważ są wyposażone w możliwości automatycznego uczenia się. Użytkownik sieci gromadzi potrzebne dane, które pokazują jak kształtuje się interesująca go zależność, a następnie uruchamia algorytm uczenia, który ma na celu automatyczne wytworzenie w pamięci sieci potrzebnej struktury danych.

Do najważniejszych cech sieci neuronowych należy zaliczyć:

• łatwość i zdolność „uczenia się”, co pozwala sieci neuronowej przyswoić prawidłowe reakcje na określone bodźce,

• uogólnianie wiedzy przyswojonej w trakcie trenowania (umiejętność abstrakcji), • odporność na uszkodzenia – sieć neuronowa potrafi działać poprawnie nawet z

uszkodzonymi elementami.

Sieci neuronowe są modelami nieliniowymi, a więc dają większe szanse rozwiązania problemu niż tradycyjnie stosowane modele szeregów czasowych. Warto zaznaczyć, że bardzo często brak kompletnych danych odnośnie potencjalnych dostaw biomasy, mała liczba obserwacji wyklucza zastosowanie tradycyjnych metod statystycznych w sytuacji, gdy sieci neuronowe doskonale radzą sobie z takim zbiorem danych. Sieci te potrafią też doskonale

106

działać nawet w sytuacji, gdy mamy do czynienia z błędnymi danymi wejściowymi dotyczącymi np. parametrów biomasy.

Do zarządzania logistyką biomasy opartego na sztucznej sieci neuronowej (SSN) można wykorzystać wiele programów opisanych w literaturze.

Można je podzielić na [92]:

• profesjonale aplikacje neuronowe (np. Neural Works, Matlab, Statistica, Neural Designer) – tworzone przez największe firmy informatyczne; budowa tych programów opiera się na dużej ilości algorytmów uczenia, co umożliwia tworzenie odpowiednich typów sieci neuronowych; atutem tych programów jest radzenie sobie z dużą liczbą danych;

• niekomercyjne aplikacje (np. WinNN, Qnet, Neural Planner) – aplikacje z ograniczonymi możliwościami technicznymi, które często uwzględniają tylko jeden algorytm uczenia, przez co ich możliwości wykorzystania są ograniczone;

• programy oparte na języku komend (np. NetTeach) –programy te nie mają graficznego interfejsu, co stanowi poważne utrudnienie w ich obsłudze;

• programy specjalistyczne (np. AINet) – są przeznaczone do zastosowania w obszarze danej specjalizacji bądź dziedzinie, nie wymagają znajomości problematyki SSN; programy te są adresowane do użytkowników, którzy postrzegają sieci neuronowe jako odpowiednie narzędzie, gdzie wprowadzając pewne dane, otrzymamy konkretną odpowiedź;

• moduły współpracujące z innymi programami – do ich zastosowania jest konieczne posiadanie zewnętrznego programu, gdzie następuje wymiana danych; w tej kategorii programów można wskazać na makrodefinicje, które są adresowane do rozszerzenia programów matematycznych i statystycznych oraz modułów bibliotecznych (Visual Basic).

Cele szczegółowe symulacji obejmują:

1. opracowanie ram dla dynamicznego modelu do zarządzania logistyką biomasy z wykorzystaniem sztucznej inteligencji,

2. zbiór modułowych rozwiązań w zakresie zarządzania informacjami uwzględniający potrzeby i specyfikę wybranej elektrociepłowni,

3. ocena uwarunkowań technicznych, które mogą mieć wpływ na dostępność biomasy. 4. opracowanie modelu ilościowego alokacji zasobów biomasy, w tym sprzętu, jego

107

5. analizę uwarunkowań logistycznych biomasy dla studium przypadku.

Wykorzystanie sztucznych sieci neuronowych do zarządzania logistyką biomasy stanowi oryginalne osiągnięcie naukowe. Autorka wykorzystała takie podejście do symulacji innych procesów technologicznych i przedstawiła jej w kilku publikacjach o wysokim IF [93, 94, 99, 110, 111, 112]. Zaletą sztucznych sieci neuronowych jest możliwość symulacji słabo zdefiniowanych procesów fizycznych [95]. Mają bowiem zdolność do zamodelowania skomplikowanych, nieliniowych zagadnień na drodze prezentacji przykładowych danych wejściowych, ewentualnie zestawów danych wejściowych i wyjściowych. Posiadają one także zdolność do obsługiwania dużych i skomplikowanych systemów jakim jest łańcuch dostaw biomasy od wielu dostawców.

Cechę tę zawdzięczają umiejętności „uczenia się” zależności istniejących między parametrami wejściowymi i wyjściowymi. Prezentowane sieci mogą zawierać sygnały o charakterze zakłóceń, a nawet sygnały nadmiarowe [96]. Sieci „potrafią” ignorować dane nadmiarowe oraz te, których wpływ na proces logistyczny jest pomijalnie mały, „koncentrując” się na wielkościach wejściowych o decydującym znaczeniu dla opisu procesu [97]. Powyższe zadecydowało o szerokim ich wykorzystaniu w wielu gałęziach nauki i techniki. Dotyczy to w szczególności zagadnień optymalizacji, nadzoru, robotyki, prognozowania nawet obróbki sygnałów. Jako przykłady wymienić tu można: modelowanie i sterowanie obiektów dynamicznych, predykcja obciążeń systemu elektroenergetycznego, rozpoznawanie wzorców, kompresja danych [95-99]. Stworzenie modelu wykorzystującego zalety sieci neuronowej umożliwiło prowadzenie analiz pozwalających rozpoznać wpływ zmiennych warunków logistycznych biomasy na eksploatację elektrociepłowni zasilanej biomasą z różnych źródeł i o różnych właściwościach fizyko-chemicznych.

108

3.3. Struktura modelu i założenia

Sztuczne sieci neuronowe stanowią grupę wzajemnie połączonych neuronów naśladujących proces uczenia mózgu człowieka [99, 101]. Rysunek 11 przedstawia uproszczony schemat sieci, w skład której wchodzą trzy rodzaje warstw neuronów:

• warstwa wejściowa, • warstwy ukryte, • warstwa wyjściowa.

Sieć neuronowa gromadzi i przechowuje informacje w postaci wzajemnych połączeń neuronów, zwanych wagami. Z uwagi (szczególnie występuje to dla dużych sieci neuronowych) na brak praktycznej możliwości prawidłowego ustawienia wag, konieczne jest wykorzystanie zdolności tzw. „uczenia się sieci”, celem ustawienia wag [97]. Proces taki odbywa się w fazie nauki, w czasie którego każda z danych wejściowych oraz odpowiadający jej wzorzec są wielokrotnie prezentowane. Różnica pomiędzy wartością wzorca i odpowiadającego mu, wygenerowanego przez sieć, sygnału wyjściowego, stanowi miarę stopnia modyfikacji wag.

Najbardziej popularnym i skutecznym algorytmem uczenia wielowarstwowej sieci neuronowej jest metoda wstecznej propagacji błędów (ang. Back Propagation - BP). Modyfikacjami algorytmu BP są: momentowa metoda wstecznej propagacji błędów, metody ze zmiennymi współczynnikami uczenia i momentu oraz metody uwzględniające alternatywną postać funkcji błędu [95].

109

Rys. 11. Przykładowa sieć neuronowa.

Aby uzyskać dokładny model dla całej przestrzeni zmian wartości parametrów wejściowych sieć musi posiadać umiejętność uogólniania. W tym celu w procesie uczenia należy uwzględnić dostatecznie dużą liczbę danych uczących, pokrywających swymi wartościami cały zakres zmienności danych [101]. Sieć neuronowa wyuczona na wąskim zakresie danych wejściowych może nie mieć zdolności do generowania prawidłowych odpowiedzi. Z drugiej jednak strony, sieć wyuczona na zbyt dużym zakresie może utracić zdolności do koncentracji na rzeczywistych zależnościach, a stąd dokładność modelu również może ulec pogorszeniu [95]. Poprawę zdolności i dokładności przewidywania sieci neuronowej można uzyskać stosując odpowiednią liczbę neuronów ukrytych oraz poprzez dobór właściwej funkcji aktywacji. Podczas modelowania przy użyciu sieci neuronowych funkcję aktywacji z reguły wybiera twórca sieci, a wagi są dopasowywane w fazie nauki sieci [95, 96, 97]. Jednym z kryteriów zakończenia fazy nauki jest wartość błędu średniokwadratowego na wyjściu sieci. Po przejściu fazy uczenia sieć poddawana jest testom przy użyciu zestawu próbek losowo wybranych spośród zakresu zmienności danych wejściowych. Faza ta pozwala na dokonanie oceny stopnia „nauczenia” się analizowanych zależności przez sieć. Tak przygotowana sieć neuronowa może zostać już wykorzystana dla celów uzyskania gotowej odpowiedzi jako reakcji na podany sygnał wejściowy. Wykorzystując prawidłowo zbudowaną oraz „nauczoną” sieć, uzyskać można dobre wyniki przy jednocześnie krótkim czasie obliczeń i niskich wymaganiach sprzętowych.

110