Klar til Smart Vækst Smart og effektiv affaldsindsamling

Præsentationer af emnet: "Klar til Smart Vækst Smart og effektiv affaldsindsamling"— Præsentationens transcript:

1 Klar til Smart Vækst Smart og effektiv affaldsindsamling
gennem brug af algoritmer Sanne Wøhlk Aarhus Universitet Klar til Smart Vækst

2 Operations research (OR)
Operations analyse Operations research (OR) Optimering Algoritmer Baggrund

3 Baggrund: Projekt Transportation issues related to waste management
Forskning og studenterprojekter Kuber Genbrugspladser Husstandsindsamling

4 Partnere i Projektet

5 Rå data Brugbart data Resultater System Simulations model
Rens and statistik Simulations model Matematisk model og algoritmer Resultater System ”omkostning” Analyse

6 Baggrund: Projekt Transportation issues related to waste management
Forskning og studenterprojekter Kuber Genbrugspladser Husstandsindsamling

7 Kuber

8 Kuber og OR Hvilke dage skal de forskellige lokationer besøges?
Matematisk model og algoritmer Hvilke dage skal de forskellige lokationer besøges? Hvilke kuber skal tømmes? Hvilken rute skal lastbilen køre? Hvilke dage skal der køres til modtageranlægene?

9 Kuber - data Hvilken form for Data skal man bruge
Hvor er kuberne – og hvor mange kuber er der/ hvor store Total indvejet vægt Ca vægtfylder For hver dag et helt år: Hvilke kuber blev tømt Hvor fyldte var de (chaufførens estimat) Alternativt: Estimat for den daglige fyldning (Gennemsnit og variation)

10 Kuber – spørgsmål og resultater
Manuel planlægning vs. brug af optimering til planlægning Metode: En algoritme der ”efterligner” hvordan man planlægger manuelt En optimeringsalgoritme Resultat: Ca 36% besparelse i kørte kilometer ved at bruge optimerings algoritme fremfor at planlægge manuelt Bemærk: Det kræver gode forecasts!

11 Kuber – spørgsmål og resultater
Brug af sensorer Metode: Med sensorer får man at vide hvad der er i kuberne NU. Bruger stadig forecasts til at vurdere den FREMTIDIGE fyldning Resultat: Uden sensorer (bare forecast og algoritme) Brug af sensorer, forecasts og algoritme

12 Kuber – spørgsmål og resultater
Outsourcing 1/2 Traditional outsourcing kontrakt: Betaling pr tømt kube Det betyder Renovationsselskabet ønsker få tømninger (men nok) Vognmanden har incitament til at tømme ekstra Analyse: Scenarier hvor vi ”ændrer det vi optimerer” Med vognmandens formål Som om det ikke var outsourcet

13 Kuber – spørgsmål og resultater
Outsourcing 2/2 Ved at ændre betalingsstrukturen kan man give vognmanden incitament til at agere ”som om det ikke var outsourcet” Vognmandens ”profit” fastholdes Resultat: Renovationsselskabet kan spare 18% af deres omkostning Vognmanden kan spare 30% af sit tidsforbrug (opretholde “profit”)

14 Baggrund: Projekt Transportation issues related to waste management
Forskning og studenterprojekter Kuber Genbrugspladser Husstandsindsamling

15 Husstandsindsamling - data
Vejnetværk baseret på GIS information For hver husstand GIS Location Indsamlingsordning (hver husstand) Hvor ofte Hvilke fraktioner Beholderstørrelse/affaldsmængder Køretøjsinformationer Opdeling, størrelser, komprimering Estimat for tømningstider Standardiseret, for at kunne sammenligne

16 Husstandsindsamling Akademisk udfordring
Ca 9000 vejstykker i netværket Akademisk benchmark data har højst 200… Det betyder at det løsningsrum vores algoritmer skal finde løsningerne i er mere end gange større end det der normalt bruges i den akademiske verden Det betyder at Beregningerne tager temmelig lang tid Vores algoritmer bliver mindre ”fancy” Vores konklusioner bliver mindre sikre

17 Husstandsindsamling – sCenarie analyse
Når vi laver scenarie analyse, skelner vi mellem forskellige typer af områder (tæt bebyggelse, landområde, osv.) Omkostning = kørte kilometer / antal biler / tid (ikke kr)

18 Husstandsindsamling – sCenarie analyse
Indsamling af 1, 2, 3, eller 4 forskellige fraktioner En bil To biler Tre biler….

19 Husstandsindsamling – sCenarie analyse
Indsamling af 1, 2, 3, eller 4 forskellige fraktioner Sorter, så indsamle (flere biler eller multikammer biler) Eller Indsamle, så sortere

20 Husstandsindsamling – sCenarie analyse
Hvordan ændres omkostningen for indsamling når bilens størrelse ændres ? Hvor meget ekstra koster det egentlig at tilbyde borgerne fleksibelt valg af indsamlingsordning fremfor at bruge én ordning til alle ? Hvor meget kan spares hvis kuber kunne tømmes af den almindelige (papir hhv glas) skraldebil?

21 Husstandsindsamling – sCenarie analyse
Hvor meget ekstra koster det at koordinere så indsamling af forskellige fraktioner for den enkelte husstand sker samme ugedag ?

22 Konklusion og tid til spørgsmål
Der er store besparelser at hente ved brug of ”Big data” og optimering, men det er komplekst at arbejde med