log classification in the hardwood timber industry: method and value analysis

Gil, Alvaro (2014)Log Classification in the Hardwood Timber Industry: Method and Value Analysis

LOG CLASSIFICATION IN THE HARDWOOD TIMBER INDUSTRY: METHOD AND VALUE ANALYSIS

Présenté par: Alvaro Gil

Candidat au Maîtrise Ès Sciences Appliquées

École Polytechnique de Montréal

Sous la supervision de: Jean-Marc Frayret Ph.D.


Plan de la présentation

1. Introduction

2. Revue de la littérature

3. Méthodologie

4. Simulation

5. Analyse des résultats

6. Conclusions


Introduction• Incertitude de matière primaire• Problématique de différentes industries : l'industrie minière,

l'industrie du recyclage, l'industrie des produits forestiers (FPI), etc.

• Solutions : réduire l'incertitude dans la source, ou planifier les opérations en tenant compte de l'incertitude

• Cette recherche est basée sur l’industrie des produits forestiers, dans le cadre d’une scierie des bois feuillus.

• Proposition: Nouvelle méthodologie de classification de la matière primaire (billes) basée sur des critères dimensionnels et qualitatifs qui permettront à l’industrie de la première transformation de mieux répondre aux besoins des utilisateurs des secteurs de transformation secondaire et tertiaire.


Introduction

Problématique de scieries : Processus de transformation des billes en grosses étapes:

1. Réception et Triage

2. Sciage

3. Séchage

4. Rabotage

5. Distribution

De façon générale, le processus le plus critique est le sciage. Une grosse partie des efforts de recherche, planification et optimisation sont concentrés sur cette activité.

Plancher Armoire Escalier

Panneautage Meuble Moulure Palette

Entreprises de deuxième transformation


Introduction

Problématique de scieries : • Le stratégie des scieries est limité à minimiser les coûts

d’approvisionnement qui sont basés dans les règles NHLA (« National Hardwood Lumber Association ») et maximiser l’utilisation des sciages.

• Malgré les efforts pour maximiser les bénéfices, si la bille choisie pour la transformation n’est pas assez bonne pour l’application finale (deuxième transformation), elle sera vendue à un prix plus bas.

• Il y a une déconnection entre les décisions prises au niveau de production de la première et de la deuxième transformation.


Introduction

Problématique de scieries :(exemple de classification actuelle dans les scieries)

Attribues des billes

Espèce des billes

Prix de matière primairerésultantdes billes


Introduction

Objectifs de la recherche :1. Proposer une nouvelle méthodologie de classification des

billes basée sur les besoins des utilisateurs de deuxième transformation

2. Mesurer la performance logistique des différentes méthodologies de classification en utilisant niveaux d’agrégation


Revue de la littérature• Plusieurs sources consultées. • En général, nous avons trouvée en général, trois grosses

tendances dans la littérature1. Optimisation mathématique

2. Simulation

3. Classification des matérielles


Revue de la littérature

1) Optimisation mathématique

• Maturana, Pizani, et Vera (2010) • Alvarez et Vera (2011)

• Beaudoin, LeBel, et Frayret (2007)

• Zanjani, Nourelfath, et Ait-Kadi (2009, 2010)

Remarquent la nécessité d’information précise dans le contexte de l’optimisation robuste et l’application des techniques heuristiques pour résoudre le problème de maximisation.







Proposent une approche MIP pour supporter la programmation annuelle de déforestation, en combinaison avec techniques de Monte-Carlo et une simulation à base des règles de base pour adresser le problème de l’incertitude d’information dans la source







Modèle de programmation stochastique multiétage pour l’ordonnancement de la production dans une scierie avec des rendements aléatoires et incertitude dans la demande.



2) Simulation

• Reeb (2003) • Grigolato, Bietresato, Asson, et

Cavalli (2011)

• Beaudoin et al. (2013)

• Frayret (2011)• J. M. Frayret et al. (2007) • Forget et al, (2008) • Yanez et al (2009) • Elghoneimy et Gruver (2011)

Simulation à événements discrets pour prédire le volume de production dans différents scénarios, basés sur certains attributs des billes.



2) Simulation


Cavalli (2011)



Simulation à événements discrets dans le contexte de gestion de parc à grumes (log yard), pour réduire le temps de cycle des camions et la distance totale parcourue par chargeur.



2) Simulation


Cavalli (2011)



Simulation à base d’agents pour tester différentes stratégies d’ordonnancement de la production et de collaboration des intervenants dans la chaine d’approvisionnement, pour répondre aux changements de l’environnement (exogènes).



3) Classification des matérielles

• Petutschnigg and Katz (2005)

• Zhang & Liu (2006)

• Tong and Zhang (2006) used

Modèle non-linéaire pour prédire le rendement des billes selon le diamètre et la longueur, et le type de bille. Le modèle a été basée sur les observations historiques.






• Tong and Zhang (2006) used

Techniques paramétriques et non paramétriques pour prédire le volume de récupération des billes d’un type spécifique (black spruce).






• Tong and Zhang (2006) usedLogiciel de simulation dédié Optitek pour prédire le rendement des billes basé sur le scanning des billes.


Méthodologie Information disponible

Analyse des données

Arbres de classification


Méthodologie• Information réelle d’une scierie feuillue au Québec• Recherche d’information détaillée par FPInnovations en

utilisant technologie de numérisation• Base des données avec plusieurs mesures de 240 billes, qui

représentent la production d’une journée de travail complet dans une scierie à deux lignes (1900 billes).

• Pour chaque bille on a :

Information disponible



• Position (U ou B)• Diamètre de fin de but

MRN (cm)• Nombre des faces

claires• Pourcentage de cœur

par rapport au diamètre de fin de but

• Pourcentage de

déduction totale• Temps de sciage• Coût• Qualité selon la norme

MRN• Volume de la bille• Volume de sciage


Méthodologie• Après le processus de sciage, les 240 billes ont été

transformées en 2150 planches et analyses avec un scanneur industriel (BorealScan) qui a permis de prédire le rendement par type d’application dans la deuxième transformation.

• Ceci nous a permis de connaitre le rendement dans chaque un des sept secteurs (Plancher, Armoire, Escalier, Panneautage, Meuble, Moulure, Palette) ainsi que le coût moyen d’approvisionnement par application (coût des billes / rendement obtenu en Mpmp)




Plancher Armoire Escalier Panneautage Meuble Moulure Palette

# des billes utiles 240 170 179 170 240 94 226

Coût moyen

d’approvisionnement

($/Mpmp)

$2,326 $3,498 $2,699 $3,664 $1,271 $6,964 $1,964

Tableau 1


MéthodologieAperçu de la base des données




# billeDgb réel

(cm)

Diam réel à 1

m du Dgb (cm)

Dfb réel (cm)

longueur réelle

(m)

Dgb MRN (cm)

Dfb MRN (cm)

longueur (m)

longueur (pi)

coeur par rapport au Dfb (%)

Pourcentage carie p/r MRN brut

(%)

% de bois de cœur p/r à MRN brut

Déduction total MRN

(%)

nombre de faces claires

positionnorme de

qualité MRN

norme de qualité

PETRO

Dfb Classe de cœur %

Volume bois de cœur classe

Carie classe en %

Déduction MRN classe

(%)

1 34.5 27.7 27.4 2.54 34 28 2.54 8 62% 23% 40% 51% 3 B Pâte Pâte 61 + 31 à 40 21+ 41 +2 37.4 31.7 28.5 2.56 38 28 2.56 8 42% 0% 18% 0% 3 B B F3 41 à 60 11 à 20 0 03 31.2 25.9 22.8 2.48 32 22 2.48 8 61% 1% 33% 6% 4 B C F3 61 + 31 à 40 1 à 5 1 à 104 31.5 29.1 22.5 2.58 32 22 2.58 8 31% 2% 9% 23% 3 B Pâte F3 21 à 40 0 à 10 1 à 5 21 à 405 30.5 24.2 23.9 2.46 30 24 2.46 8 21% 0% 3% 13% 4 B C F3 21 à 40 0 à 10 0 11 à 206 43.2 39.9 36.0 2.50 44 36 2.50 8 44% 0% 13% 0% 4 B B F2 41 à 60 11 à 20 0 07 25.4 25.2 24.6 2.54 26 24 2.54 8 16% 0% 5% 9% 3 B C F3 0 à 20 0 à 10 0 1 à 108 25.6 21.5 2.54 26 22 2.54 8 33% 1% 15% 5% 2 U C F3 21 à 40 11 à 20 1 à 5 1 à 109 29.5 29.0 2.54 30 28 2.54 8 59% 1% 31% 4% 3 U C F3 41 à 60 31 à 40 1 à 5 1 à 1010 42.2 38.6 33.6 2.54 42 34 2.54 8 42% 6% 17% 16% 1 B B F2 41 à 60 11 à 20 6 à 10 11 à 20

# billePlancher pmp

comp / m3

Plancher $ ressource /

Mpmp comp

armoire pmp comp /

m3

armoire $ ressource /

Mpmp comp

Escalier pmp comp /

m3

Escalier $ ressource /

Mpmp comp

Panneautage G&M pmp comp / m3

Panneautage G&M $

ressource / Mpmp comp

meuble pmp comp /

m3

meuble $ ressource /

Mpmp comp

moulure pmp comp /

m3

moulure $ ressource /

Mpmp comp

palette pmp comp /

m3

palette $ ressource /

Mpmp comp

1 36.8 1,494.4 16.2 3,396.5 11.7 4,708.2 16.2 3,390.9 53.9 1,020.5 - - 8.5 6,508.4 2 33.8 2,283.3 39.0 1,981.0 42.3 1,826.4 32.1 2,403.7 63.1 1,224.5 6.7 11,462.5 44.9 1,719.1 3 14.4 4,908.6 10.5 6,758.5 10.9 6,526.9 11.6 6,116.6 47.3 1,499.4 - - 70.0 1,012.3 4 54.8 1,004.1 6.7 8,248.9 6.7 8,183.4 7.9 6,923.5 62.3 882.5 - - 68.5 802.3 5 66.2 1,071.4 - - - - - - 63.5 1,116.1 - - 9.2 7,735.7 6 0.8 93,142.9 111.6 692.1 123.7 624.6 113.7 679.4 32.4 2,386.3 68.8 1,123.4 35.8 2,159.0 7 44.9 1,577.7 30.3 2,336.2 31.9 2,223.8 27.9 2,537.8 58.4 1,212.7 - - - - 8 33.4 2,122.3 - - - - - - 27.9 2,539.2 - - 95.1 744.9 9 69.4 1,021.9 11.5 6,188.6 21.8 3,258.0 7.7 9,208.5 80.1 885.0 - - 31.6 2,240.6 10 50.2 1,538.9 - - 39.9 1,938.2 - - 91.2 847.0 - - 30.7 2,519.9


Méthodologie• Estimation de rendements par application : Très basse efficacité

de prédiction par des méthodes linéaires et non linéaires. En plus, les modèles prédictifs demandent une seule application par bille ce qui n’est pas véridique.

• Arbres de classification : • Technique non linéaire pour prédire l’appartenance d’une observation à une ou

plusieurs catégories basé sur un ensemble d'attributs appelés variables prédictives.





MéthodologieApplication des arbres de classification à la base des données des billes• Variables prédictives : Attributs des billes• Variables dépendantes : Valeurs binaires en indiquant si la bille

appartient ou pas au secteur de transformation• Comme il n'y a pas suffisamment d'informations pour toutes les billes,

la première étape consiste à choisir le nombre des observations correspondantes à chaque application.

• Pour ce faire, nous avons divisé la gamme de coûts unitaires du bois par application de toutes les billes en percentiles.

• Cela s'est traduit par une matrice de valeurs binaires indiquant si oui ou non la bille vient du percentile (voir tableau 2).

• En plus, nous avons calculé le coût moyen d’approvisionnement par seuil (voir tableau 3).




Voir exemple





Seuil Plancher Armoire Escalier Panneautage Meuble Moulure Palette

10% 24 17 18 17 24 10 23

20% 48 34 36 34 48 19 45

30% 72 51 54 51 72 28 68

40% 96 68 72 68 96 38 90

50% 120 85 89 85 120 47 113

60% 144 102 107 102 144 56 135

70% 168 119 125 119 168 66 158

80% 192 136 143 136 192 75 180

90% 216 153 178 170 239 94 226

100% 240 170 179 170 240 94 226


10% $ 788 $ 860 $ 746 $ 837 $ 599 $ 1,500 $ 535

20% $ 876 $ 1,000 $ 822 $ 1,006 $ 652 $ 1,711 $ 666

30% $ 941 $ 1,161 $ 914 $ 1,188 $ 698 $ 1,882 $ 782

40% $ 1,010 $ 1,339 $ 1,019 $ 1,373 $ 735 $ 2,251 $ 899

50% $ 1,085 $ 1,526 $ 1,146 $ 1,565 $ 769 $ 2,688 $ 1,025

60% $ 1,167 $ 1,701 $ 1,297 $ 1,752 $ 806 $ 3,150 $ 1,154

70% $ 1,261 $ 1,906 $ 1,475 $ 1,979 $ 847 $ 3,710 $ 1,292

80% $ 1,378 $ 2,191 $ 1,709 $ 2,309 $ 896 $ 4,439 $ 1,418

90% $ 1,547 $ 2,624 $ 2,674 $ 3,664 $ 1,265 $ 6,964 $ 1,964

100% $ 2,326 $ 3,498 $ 2,699 $ 3,664 $ 1,271 $ 6,964 $ 1,964

Tableau 2Nombre des billes par

application et seuil

Tableau 3Coût moyen

d’approvisionnement par application et seuil


Méthodologie• Un arbre de classification a été construit pour chaque secteur

et seuil (70 au total)• Avec les équations de chaque arbre, nous avons calculé

manuellement si la bille appartient ou pas à chaque secteur• Cela nous a permis construire une matrice d’efficacité de

prédiction (voir tableau 4).





10% 85% 95% 90% 93% 90% 95% 90%

20% 80% 88% 86% 88% 81% 92% 89%

30% 71% 86% 85% 85% 77% 90% 82%

40% 73% 79% 81% 82% 69% 89% 82%

50% 71% 75% 82% 80% 68% 88% 78%

60% 71% 78% 77% 79% 72% 83% 76%

70% 74% 78% 76% 77% 83% 80% 75%

80% 80% 80% 82% 80% 89% 76% 79%

90% 100% 85% 90% 85% 100% 75% 94%

Tableau 4Efficacité de prédiction par

application et par seuil


Méthodologie• Normalement, les efficacités de prédiction plus élevées sont

dans les seuils supérieurs• Cependant, ces seuils sont aussi les plus couteux (voir

graphiques dans la diapositive suivante)• Le but de cette étape est de choisir le seuil avec la plus haute

efficacité de prédiction à coût plus bas. • Après avoir choisi les seuils corrects, nous avons réévalué le

niveau de branchement des arbres, ce qui nous a permis d’augmenter légèrement l’efficacité de prédiction.








Efficacité de prédiction Vs. Coût moyen d’approvisionnement par application





Exemple d’un arbre de classification pour l’application panneautage

PANNEAUTAGE

Position de la bille dans l'arbre

Diamètre minimal 26 à 32 cm >= 34 cm

Nombre de faces claires 4 0 à 3Grosseur du cœur au fin bout < 45%

Pourcentage de déduction MRN

Diamètre < 26 No

% Cœur >= 45%

Oui

No

No

Oui

Faces claires < 4

Oui

Oui

Oui

Début

Diamètre < 34

No

No


Méthodologie• Avec les arbres finaux, nous avons calculé le coût moyen

d’approvisionnement par application avant et après la méthode (voir tableau 5).

• Le pourcentage de réduction théorique des coûts d’approvisionnement après l’application de la technique est de minimum 30% dans tous les cas




Tableau 5Comparaison des indicateurs par application avant et après la classification


Coût moyen

d’approvisionnement ($/Mpmp)

avant la classification

$2,326 $3,498 $2,699 $3,664 $1,271 $6,964 $1,964

Seuil choisi 40% 30% 30% 40% 50% 50% 30%

Nombre des branches 6 4 6 4 5 5 5

Nombre des billes dans le seuil 109 53 44 53 72 26 78

Efficacité de prédiction 75.4% 85.8% 87.5% 82.1% 67.5% 87.9% 81.7%

Coût moyen

d’approvisionnement ($/Mpmp)

après la classification

$1,594 $1,762 $1,216 $1,744 $866 $1,987 $1,235

Pourcentage de réduction après

la classification31.4% 49.6% 55.0% 52.4% 31.9% 71.5% 37.1%





PLANCHER ARMOIRE ESCALIER PANNEAUTAGE MEUBLE MOULURE PALETTE

Position de la bille dans l'arbre U B B U B

Diamètre minimal >= 32 cm < 32

cm26 à 32

cm>= 34

cm26 à 30

cm>= 32

cm26 à 32

cm >= 34 cm>= 26 cm

>= 38 cm >= 22 cm <= 22

cm24 à 26

cm

Nombre de faces claires 0 à 1 >=2 >= 3 4 0 à 3 4 3 à 4 4 0 à 3 4

Grosseur du cœur au fin bout < 45% < 28% < 45% < 46% >= 32%

Pourcentage de déduction MRN > 12% <

17% < 7 %

• Finalement, avec les arbres de classification individuels, nous avons construit un grille de classification qui peut être utilisé dans le processus de réception pour classer les arbres par application en fonction des attributs.

Tableau 6Grille de classification


Simulation Description du processus

Modèle de simulation

Design des expériences


Simulation

Processus à quatre grosses étapes:1. Les camions arrivent dans la zone de

réception avec une charge d’entre 80 à 120 billes (distribution aléatoire). Les billes sont déchargées à terre et mesurées pour payer la charge.

2. Les billes sont transportées par un chargeur (Loader) vers le parc à grumes.

3. Lorsque la quantité des billes est relativement basse dans la zone de sciage, les billes sont transportées vers la scierie.

4. Les sciages sortent de la scierie vers les processus de séchage, rabotage et distribution.

Description du processus



Scierie

Reception

Parc

à g

rum

es

1

2

3

4





Réception

Parc à grumes

Sciage

Parc à sciages


Simulation• Modèle hybride de simulation des événements discrets et de

simulation à base d’agents• Architecture générale du modèle (figure ci-dessous)• Logiciel spécialisé (AnyLogic)




Agent planificateur

Séchage RabotageTriage basé sur les règles

Deuxième transformation

Source externe

Processus de sciage

Utilisateur final

Triage de base

b c da


SimulationDéfinition des agents

• Agent Camion

• Agent Chargeur

• Agent Scierie






• Agent Camion

• Agent Chargeur

• Agent Scierie




Agent réactif, avec une capacité de transport limité, et temps d’arrivée aléatoire pendant la journée.



• Agent Camion

• Agent Chargeur

• Agent Scierie




Deux tâches: Décharger le camion et transporter les billes vers le parc à grumes ainsi que vers la scierie.

Dans l’activité de déchargement, étant donné qu’il faut mesurer les billes, on veut utiliser la grille de classification pour établir la ou les applications pour lesquelles la bille est valide. À partir de cette classification, la bille est placée dans des piles temporaires avant d’être transportée vers le parc. Ces piles sont créées en fonction de la stratégie de classification.



• Agent Camion

• Agent Chargeur

• Agent Scierie




Les billes classées sont transportées vers le parc à grumes en lots de 5 à 10 billes, et placées dans zones prédéfinies. En fonction du plan de production, une zone est périodiquement définie comme principale, donc toutes les billes sont prises de cette pile.Lorsque l’inventaire tampon en face de la scierie est plus bas qu’une valeur fixe, le chargeur cherche les billes pour alimenter le processus. Si la pile est vide, le chargeur prend une bille d’une pile alternative (la plus proche) pour éviter que le processus s’arrête.



• Agent Camion

• Agent Chargeur

• Agent Scierie




Agent réactif. Le temps de travail est défini en fonction de volume des billes (connu). Flux poussé, sans priorité.


Simulation

Parc à grumes

À fin de conserver le même schéma de la scierie de référence, nous avons désignée un parc à grumes avec des caractéristiques similaires pour mieux capturer des aspects clés comme le espace et la distance.





Simulation

Parc à grumes





SimulationConfiguration de la simulation• Horizon : Une semaine de production (lundi à vendredi)• Journée de travail : 8h à 17h• Une seule espèce : bouleau jaune (Yellow birch)• Une ligne de production dans la scierie (20 Mpmp /faction de

9h ou 1.000 billes approximatives) • Un chargeur (capacité maximale = 15 billes)• Allocation d’un inventaire initial (trois scénarios possibles)





SimulationInventaire initial• Trois niveaux prédéfinis: 0, 12.000 et 24.000 billes• Ce qui représente: 0, 2 et 4 semaines de production

approximatives. • Les billes sont incluses dans le modèle dès le début et

classées selon la stratégie du scénario.





SimulationOrdonnancement de la production• En ligne avec les applications de deuxième transformation. • Normalement les scieries utilisent longes périodes de

production dédiées par type de produit (ici application au lieu d’espèce ou diamètre).

• L’application palette est exclue du programme (entre semaine), car cela n’est pas vraiment demandé

• 10 sections de demi-journée pendant la semaine (AM et PM)• Afin de réduire la quantité des billes cumulées dans le modèle,

la période du vendredi PM est dédié à l’application palette.





SimulationOrdonnancement de la production• 156 scénarios totaux (6P1 + 6P2 + 6P3)




LundiAM

LundiPM

MardiAM

MardiPM

MercrediAM

MercrediPM

JeudiAM

JeudiPM

VendrediAM

VendrediPM

Produit 1

Produit 1 Produit 2

Produit 1 Produit 2 Produit 3

6 Combinaisons

30 Combinaisons

120 Combinaisons

156Combinaisons totales

Palette

Palette

Palette


SimulationStratégies d’agrégation • L’ordonnancement peut inclure jusqu’à 3 produits par semaine• Grille de classification = 7 applications• Réduire la grille à 1, 2 ou 3 groupes• 1 groupe = situation actuelle (benchmark)• Définition de 2 et 3 groupes à partir des applications qui

ressemblent. • On utilise la matrice de corrélation des rendements





Plancher 1.000 0.320 0.380 0.320 0.879 0.307 -0.041

Armoire 1.000 0.873 1.000 0.631 0.941 -0.063

Escalier 1.000 0.873 0.720 0.812 -0.040

Panneautage 1.000 0.631 0.941 -0.063

Meuble 1.000 0.594 -0.024

Moulure 1.000 -0.039

Palette 1.000

Tableau 7Matrice de corrélation

des rendements par application


SimulationStratégies d’agrégation





Plancher 1.000 0.320 0.380 0.320 0.879 0.307 -0.041

Armoire 1.000 0.873 1.000 0.631 0.941 -0.063

Escalier 1.000 0.873 0.720 0.812 -0.040

Panneautage 1.000 0.631 0.941 -0.063

Meuble 1.000 0.594 -0.024

Moulure 1.000 -0.039

Palette 1.000







Plancher 1.000 0.320 0.380 0.320 0.879 0.307 -0.041

Armoire 1.000 0.873 1.000 0.631 0.941 -0.063

Escalier 1.000 0.873 0.720 0.812 -0.040

Panneautage 1.000 0.631 0.941 -0.063

Meuble 1.000 0.594 -0.024

Moulure 1.000 -0.039

Palette 1.000

Groupe 1: Plancher, Armoire, Escalier, Panneautage, Meuble, MoulureGroupe 2: Palette







Plancher 1.000 0.320 0.380 0.320 0.879 0.307 -0.041

Armoire 1.000 0.873 1.000 0.631 0.941 -0.063

Escalier 1.000 0.873 0.720 0.812 -0.040

Panneautage 1.000 0.631 0.941 -0.063

Meuble 1.000 0.594 -0.024

Moulure 1.000 -0.039

Palette 1.000







Plancher 1.000 0.320 0.380 0.320 0.879 0.307 -0.041

Armoire 1.000 0.873 1.000 0.631 0.941 -0.063

Escalier 1.000 0.873 0.720 0.812 -0.040

Panneautage 1.000 0.631 0.941 -0.063

Meuble 1.000 0.594 -0.024

Moulure 1.000 -0.039

Palette 1.000

Groupe 1: Plancher, MeubleGroupe 2: Armoire, Escalier, Panneautage, MoulureGroupe 3: Palette



Résultats de l’agrégation à partir de la matrice de corrélation des rendements de deuxième transformation.




Stratégie de classification

Applications par pile

1 Groupe Toutes les applications dans la même pile

2 GroupesG1: Plancher, Armoire, Escalier, Panneautage, Meuble et Moulure G2: Palette

3 GroupesG1: Plancher and Meuble G2: Armoire, Escalier, Panneautage et MoulureG3: Palette

4 Groupes

G1: Plancher and MeubleG2: Armoire, Escalier et PanneautageG3: MoulureG4: Palette

5 Groupes

G1: PlancherG2: Armoire, Escalier et Panneautage G3: MeubleG4: MoulureG5: Palette

6 Groupes

G1: PlancherG2: Armoire et PanneautageG3: EscalierG4: MeubleG5: MoulureG6: Palette

7 Groupes Une pile pour chaque application

Tableau 8Types d’application par groupe selon la stratégie de classification


SimulationStratégie de gestion du parc à grumes• Géométrie irrégulier• Le parc est divisée en 7 sections





SimulationStratégie de gestion du parc à grumes• À partir des stratégies de

classification déjà définies, on peut allouer les (zones) aux groupes.




Nombre des

groups dans la

stratégie

Zone 1 Zone 2 Zone 3 Zone 4 Zone 5 Zone 6 Zone 7

1

Plancher, Armoire, Escalier,

Panneautage, Meuble, Moulure, Palette

2

Plancher, Armoire, Escalier,

Panneautage, Meuble, Moulure

Palette

3Plancher, Meuble

Armoire, Escalier,

Panneautage, Moulure

Palette

4Plancher, Meuble

Armoire, Escalier,

Panneautage

Moulure

Palette

5 Plancher

Armoire, Escalier,

Panneautage

Moulure Meuble Palette

6 Plancher

Armoire, Panneautage

Escalier Moulure Meuble Palette

7 Plancher Armoire Panneautage Escalier Moulure Meuble Palette

Tableau 9Distribution des applications par zone selon la stratégie de classification


Analyse des résultats• Indicateurs clés de performance (KPI)

1. Rendement total de la première transformation

2. Rendement total de deuxième transformation

3. Relation entre rendements de deuxième transformation et le coût

4. Utilisation totale de chargeur

• Indicateurs secondaires1. Piles alternatives


Analyse des résultats

1) Rendement total de la première transformation

1 2 3 4 5 6 7

80,000 90,000

100,000 110,000 120,000 130,000 140,000 150,000

Rendement moyen de la première transformation (fbm) à différents niveaux d'inventaire

Stock: 0 Stock: 12,000 Stock: 24,000

Stratégie d'agrégation

Stratégie

Inventaire initial% changement

vs. Stratégie 1Stock: 0Stock:

12,000

Stock:

24,000

Rend.

Moyen

1 90,878 100,162 100,231 97,090

2 83,427 123,682 141,135 116,081 20%

3 84,127 121,277 132,746 112,717 16%

4 84,052 119,579 132,386 112,005 15%

5 83,879 114,151 123,636 107,222 10%

6 83,768 112,573 119,447 105,263 8%

7 83,896 112,770 119,776 105,481 9%

1 2 3 4 5 6 7

95,000

100,000

105,000

110,000

115,000

120,000

Rendement moyen de la première transformation (fbm) pour différents type des produits dans le plan de produc-

tion

1 type 2 types 3 types

Stragégie d'agrégation

Stratégie

Total types des produits dans le plan de production% change vs.

Stratégie 11 type 2 types 3 types Rend. Moyen

1 97,252 97,117 96,901 97,090

2 116,421 117,154 114,670 116,081 20%

3 110,105 113,343 114,703 112,717 16%

4 109,942 112,056 114,018 112,005 15%

5 106,898 106,279 108,488 107,222 10%

6 104,431 104,053 107,304 105,263 8%

7 106,027 104,394 106,022 105,481 9%

Rend. Moyen 107,297 107,771 108,872

% Changement 0.0% 0.4% 1.5%



1) Rendement total de la première transformation• Si inventaire initiale = 0, le rendement est diminue lorsqu’une

stratégie de triage est appliquée.• Si inventaire initiale > 0, le rendement augmente entre 8 et

20%• Seulement en identifient les billes de l’application Palette, le

rendement est amélioré. • Par rapport au nombre des produits (types), les stratégies de

classification sont plus efficaces lorsque le nombre est élevé (type = 3 et plus).



2) Rendement total de deuxième transformation

Stratégie

Inventaire initial% change vs

stratégie1Stock: 0Stock:

12,000

Stock:

24,000

Rend.

Moyen

1 26,102 28,933 28,991 28,009

2 25,718 37,678 43,777 35,724 28%

3 25,998 38,519 43,879 36,132 29%

4 26,063 38,599 44,086 36,249 29%

5 25,899 38,192 41,446 35,179 26%

6 25,890 37,428 41,847 35,055 25%

7 25,827 37,557 41,032 34,806 24%

1 2 3 4 5 6 7

25,000 27,000 29,000 31,000 33,000 35,000 37,000 39,000 41,000 43,000 45,000

Rendement moyen de deuxième transformation (fbm) à différents niveaux d'inventaire initial



1 2 3 4 5 6 7

27,000

29,000

31,000

33,000

35,000

37,000

39,000

Rendement moyen de deuxième transformation (fbm) pour différents types des produits dans le plan de production



Stratégie


Stratégie 11 type 2 types 3 types Rend. Moyen

1 28,094 28,002 27,930 28,009

2 35,674 35,929 35,569 35,724 28%

3 35,381 36,091 36,923 36,132 29%

4 35,603 35,899 37,247 36,249 29%

5 34,822 34,891 35,824 35,179 26%

6 34,143 34,578 36,443 35,055 25%

7 34,688 34,340 35,388 34,806 24%

Rend. Moyen 34,058 34,247 35,046

% Changement 0.0% 0.6% 2.9%



2) Rendement total de deuxième transformation• Si inventaire initiale = 0, il n’y a pas de changement avec

l’application des stratégies de classification.• Si inventaire initiale > 0, le rendement augmente environ 28%• Par rapport au nombre des produits (types), les stratégies de

classification sont plus efficaces lorsque le nombre est élevé (type = 3 et plus).


Analyse des résultats3) Relation entre rendements de deuxième transformation et le coût

Stratégie

Inventaire initial% change vs

Stratégie 1Stock: 0Stock:

12,000

Stock:

24,000

Rend.

Moyen

1 $ 35,070 $ 38,868 $ 38,724 $ 37,554

2 $ 31,905 $ 46,070 $ 52,789 $ 43,588 16%

3 $ 32,226 $ 45,386 $ 50,349 $ 42,654 14%

4 $ 32,351 $ 45,182 $ 50,134 $ 42,555 13%

5 $ 32,219 $ 44,349 $ 47,322 $ 41,297 10%

6 $ 32,097 $ 43,495 $ 45,964 $ 40,519 8%

7 $ 32,119 $ 43,807 $ 45,523 $ 40,483 8%

Stratégie


Stratégie 11 type 2 types 3 typesRend.

Moyen

1 $ 41,775 $ 36,493 $ 34,416 $ 37,561

2 $ 47,088 $ 43,045 $ 40,605 $ 43,579 16%

3 $ 45,165 $ 41,856 $ 40,824 $ 42,615 13%

4 $ 45,924 $ 41,147 $ 40,440 $ 42,504 13%

5 $ 44,593 $ 40,272 $ 38,940 $ 41,268 10%

6 $ 44,125 $ 38,881 $ 38,293 $ 40,433 8%

7 $ 44,446 $ 39,039 $ 37,896 $ 40,460 8%

Rend. Moyen $ 44,731 $ 40,105 $ 38,773

% Change 0.0% -10.3% -13.3%

Coût d’approvisionnement moyen pour chaque stratégie d’agrégation à chaque niveau d’inventaire initial($)

Coût d’approvisionnement total pour différents types de produit dans le plan de production($)



• Apparemment, lorsque les stratégies de classification sont appliquées, le coût d’approvisionnement est plus élevé

• Cette interprétation peut être erronée, car l’application de ces stratégies augmente la production totale de deuxième transformation comme présentée avant.

• On introduit un indicateur pour calculer la relation entre le coût d’approvisionnement et production totale : coût / rendement ($/fbm)

• Plus bas l’indicateur = meilleur scénario.



Stratégie

Inventaire initial% change

vs Stratégie

10 12000 24000

Relation

moyenne

1 1.3436 1.3434 1.3357 1.3409

2 1.2406 1.2227 1.2059 1.2231 -9%

3 1.2396 1.1783 1.1475 1.1884 -11%

4 1.2413 1.1705 1.1372 1.1830 -12%

5 1.2440 1.1612 1.1418 1.1823 -12%

6 1.2398 1.1621 1.0984 1.1668 -13%

7 1.2436 1.1664 1.1094 1.1732 -13%

1 2 3 4 5 6 7

1.0000

1.0500

1.1000

1.1500

1.2000

1.2500

1.3000

1.3500

1.4000

Relation entre le rendement de deuxième transformation et le coût d'approvisionnement


Stratégie d'agrégation1 2 3 4 5 6 7

1.0000

1.1000

1.2000

1.3000

1.4000

1.5000

1.6000

Relation entre le rendement de deuxième transformation et le coût d'approvisionnement par différents produits dans le plan de produc-

tion



Stratégie


Stratégie 11 type 2 types 3 typesRelation

Moyenne

1 1.4869 1.3034 1.2324 1.3409

2 1.3250 1.2004 1.1438 1.2231 -9%

3 1.2877 1.1658 1.1118 1.1884 -11%

4 1.2991 1.1553 1.0945 1.1830 -12%

5 1.2913 1.1614 1.0943 1.1823 -12%

6 1.3009 1.1352 1.0641 1.1668 -13%

7 1.2916 1.1470 1.0809 1.1732 -13%

Relation Moyenne 1.3261 1.1812 1.1174

% Change 0.0% -10.9% -15.7%



• Réduction moyenne de 12% dans le ratio avec l’application des stratégies de classification

• Stratégies avec plus haute complexité (7 groupes) ont des valeurs plus petites

• Une plus haute disponibilité d’inventaire permet d’avoir meilleurs résultats

• Par rapport au nombre des produits (types), les stratégies de classification sont plus efficaces lorsque le nombre est élevé (type = 3 et plus).



4) Utilisation totale de chargeur

Stratégie

Inventaire initial% change vs.

Stratégie 1Stock: 0Stock:

12,000

Stock:

24,000

Utilisation

moyenne

1 42.1% 55.3% 63.0% 53.5%

2 53.5% 71.5% 83.3% 69.4% 30%

3 53.9% 75.3% 85.9% 71.7% 34%

4 54.8% 76.9% 88.9% 73.6% 38%

5 56.4% 77.2% 90.7% 74.8% 40%

6 57.8% 77.1% 89.5% 74.8% 40%

7 59.2% 78.3% 91.8% 76.4% 43%

1 2 3 4 5 6 7

40.0%50.0%60.0%70.0%80.0%90.0%

100.0%

Utilisation moyenne de chargeur à différents niveaux d’inventaire

Stock: 0

Stock: 12,000

Stock: 24,000

Stratégie d’agrégation

1 2 3 4 5 6 7

50.0%55.0%60.0%65.0%70.0%75.0%80.0%

Utilisation moyenne de chargeur par différents types de produits dans le plan de production

1 type

2 types

3 types

Stratégie d’agrégation

Stratégie

Total types des produits dans le plan de

production % change vs.

Stratégie 11 type 2 types 3 types

Utilisation

moyenne

1 55.9% 52.5% 52.1% 53.5%

2 69.1% 70.2% 69.0% 69.4% 30%

3 71.9% 71.1% 72.0% 71.7% 34%

4 73.8% 73.2% 73.6% 73.6% 38%

5 75.4% 74.7% 74.2% 74.8% 40%

6 76.5% 74.2% 73.8% 74.8% 40%

7 75.6% 77.2% 76.5% 76.4% 43%

Utilisation

moyenne 71.2% 70.5% 70.2%

% Change 0.0% -1.0% -1.4%



4) Utilisation totale de chargeur

• L’implémentation d’une stratégie de classification augmente l’utilisation de chargeur en 37%

• Lorsque l’inventaire initial est haut, et la stratégie de classification est complexe (24.000 billes et 7 groupes), l’utilisation croit jusqu’à 100%

• L’utilisation du chargeur est due à cause de la stratégie de classification utilisée et non pas à cause du mix des produits, donc, d’autres types des produits peuvent être ajoutés sans affecter cet indicateur.

1 2 3 4 5 6 7 25,000

30,000

35,000

40,000

45,000

30.0%

40.0%

50.0%

60.0%

70.0%

80.0%

90.0%

100.0%

Rendement de deuxième transformation Vs. utilisation de chargeur


Util S:0 Util S:12,000 Util S:24,000

Stratégie d'agrégationRe

nd

em

en

t d

e d

eu

xiè

me

tra

ns

form

ati

on

Uti

lisa

tio

n d

e c

ha

rge

ur

• Si stratégie > 4 → l’utilisation de chargeur augmente plus que la production totale de deuxième transformation.



D’autres indicateurs• Piles alternatives

• Lorsque cet indicateur est haut, le rendement de deuxième transformation est affecté négativement

• Les types des produits dans le plan ne sont pas importants• L’inventaire initial a une haute incidence dans l’indicateur• Stratégies plus complexes sont susceptibles des visites aux piles

alternatives

Stratégie

Inventaire initial

Stock: 0Stock:

12,000

Stock:

24,000

Visites

moyennes

1 0.01 0.29 0.21 0.17

2 0.08 0.79 0.04 0.30

3 18.12 2.00 0.00 6.71

4 19.85 5.80 0.28 8.64

5 21.27 0.93 0.31 7.50

6 21.99 4.62 4.86 10.49

7 21.27 1.78 3.12 8.72

Total 102.59 16.21 8.82 42.54

Stratégie

Total types des produits dans le plan de production

1 type 2 types 3 typesVisites

moyennes

1 0.00 0.22 0.29 0.17

2 0.56 0.13 0.22 0.30

3 7.56 6.37 6.20 6.71

4 10.61 6.30 9.02 8.64

5 7.56 6.72 8.24 7.50

6 9.17 9.27 13.04 10.49

7 6.94 9.10 10.12 8.72

Total 42.39 38.11 47.12 42.54


Conclusions• Cette recherche a présenté une nouvelle méthodologie de

classification des matières primaires pour gérer l’incertitude, appliquée sur l’industrie du bois feuillu.

• En utilisant arbres de classification, nous avons développé des règles simples de classification pour classer une bille quelconque dans une ou plusieurs applications de deuxième transformation.

• Ceci signifie une connexion entre la production et la demande finale, une approche inexistante jusqu’à maintenant.

• Les règles ont été condensées dans une grille de classification• En théorie, l’utilisation de la grille représente une diminution au

minimum de 30% dans les coûts d’approvisionnement.


Conclusions• Pour appliquer les règles, il faut changer la gestion du parc à

grumes pour avoir zones prédéfinies.• Pour adapter la méthode de classification à la situation réelle

des scieries, nous avons condensé les classifications dans 2 ou 3 groupes avec plusieurs applications.

• Les groupes ont été adaptés au parc à grumes.• Pour valider les bénéfices du modèle, nous avons développé

un modèle de simulation.• La nouvelle méthode implique une augmentation de l’utilisation

du chargeur moyenne de 37%. • Malgré cette augmentation, le rendement total de deuxième

transformation peut augmenter environ 28%.• Identification des palettes = très aidant


Conclusions• Meilleurs résultats sont obtenus avec un inventaire initial de

12.000 billes ou plus.• Les stratégies de classification ont donné meilleurs résultats

avec programmes de production nombreuses.


ConclusionsRecommandations et travaux futurs • Analyse financière pour valider la compensation entre

l’augmentation de la production de deuxième transformation et l’augmentation d’utilisation de chargeur

• Travail de recherche sur la gestion du parc à grumes de façon optimal

• Répéter l’étude pour d’autres espèces


Références • Alvarez, P., & Vera, J. (2011). Application of Robust Optimization to the Sawmill Planning Problem. Annals of Operations

Research, 1-19. doi: 10.1007/s10479-011-1002-4• Beaudoin, D., LeBel, L., & Frayret, J. M. (2007). Tactical supply chain planning in the forest products industry through

optimization and scenario-based analysis. Canadian Journal of Forest Research-Revue Canadienne De Recherche Forestiere, 37(1), 128-140. doi: Doi 10.1139/X06-223

• Beaudoin, D., LeBel, L., & Soussi, M. (2013). Discrete Event Simulation to Improve Log Yard Operations. Centre interuniversitaire de recherche sur les réseaux d'entreprise, la logistique et le transport. Retrieved from https://www.cirrelt.ca/DocumentsTravail/CIRRELT-2013-16.pdf

• Breiman, L., Friedman, J., Stone, C., & Olshen, R. A. (1984). Classification and Regression Trees (Vol. 1): Chapman and Hall/CRC.

• Caron, M. (2005, July 25-26, 2005). BorealScanTM: CRIQ's endline achievement in vision and process optimisation technologies. . Paper presented at the 1 Ith International Conference on Scanning Technology and Process Optimization for the Wood Industry (ScanTech), Las Vegas, Nevada.

• D'Amours, S., Montreuil, B., Lefrançois, P., & Soumis, F. (1999). Networked manufacturing:: The impact of information sharing. International Journal of Production Economics, 58(1), 63-79. doi: http://dx.doi.org/10.1016/S0925-5273(98)00088-7

• Drouin, M., Beauregard, R., & Duchesne, I. (2010). Impact of Paper Birch (Betula papyrifera) Tree Characteristics on Lumber Color, Grade Recovery, and Lumber Value. Forest Products Journal, 60(3), 236-243.

• Elghoneimy, E., & Gruver, W. (2011). Intelligent Decision Support and Agent-Based Techniques Applied to Wood Manufacturing. In A. Abraham, J. Corchado, S. González & J. De Paz Santana (Eds.), (Vol. 91, pp. 85-88). International Symposium on Distributed Computing and Artificial Intelligence: Springer Berlin / Heidelberg.

• Forget, P., D'Amours, S., & Frayret, J. M. (2008). Multi-behavior agent model for planning in supply chains: An application to the lumber industry. Robotics and Computer-Integrated Manufacturing, 24(5), 664-679. doi: DOI 10.1016/j.rcim.2007.09.004

• Frayret, J.-M. (2011). Multi-Agent System applications in the forest products industry. [Invited review paper]. Journal of Science and Technology for Forest Products and Processes, 1(2), 15-29.

• Frayret, J. M., D'Amours, S., Rousseau, A., Harvey, S., & Gaudreault, J. (2007). Agent-based supply-chain planning in the forest products industry. International Journal of Flexible Manufacturing Systems, 19(4), 358-391. doi: DOI 10.1007/s10696-008-9034-z

http://www.cirrelt.ca/DocumentsTravail/CIRRELT-2013-16.pdf

http://dx.doi.org/10.1016/S0925-5273(98)00088-7


Références • Grigolato, S., Bietresato, M., Asson, D., & Cavalli, R. (2011). Evaluation of the manufacturing of desk and stringer boards for wood

pallets production by discrete event simulation. Biosystems Engineering, 109(4), 288-296. doi: 10.1016/j.biosystemseng.2011.04.009• Gunn, E. (2009). Some Perspectives on Strategic Forest Management Models and the Forest Products Supply Chain. Infor, 47(3),

261-272. doi: DOI 10.3138/infor.47.3.261• Kouiss, K., Pierreval, H., & Mebarki, N. (1997). Using multi-agent architecture in FMS for dynamic scheduling. Journal of Intelligent

Manufacturing, 8(1), 41-47. • Macal, C., & North, M. (2006). Introduction to Agent-Based Modeling and Simulation. Argonne (IL): Center for Complex Adaptive Agent

Systems Simulation (CAS2), Argonne National Laboratory.• Maturana, S., Pizani, E., & Vera, J. (2010). Scheduling production for a sawmill: A comparison of a mathematical model versus a

heuristic. Computers & Industrial Engineering, 59(4), 667-674. doi: DOI 10.1016/j.cie.2010.07.016• McDonald, J., & Drouin, M. (2010). Évaluation de procédés de débitage axés sur les besoins de la deuxième et de la troisième

transformation Programme des technologies transformatrices (pp. 47): FPInnovations.• Petutschnigg, A. J., & Katz, H. (2005). A loglinear model to predict lumber quality depending on quality parameters of logs. Holz als

Roh - und Werkstoff, 63(2), 112-117. doi: 10.1007/s00107-004-0537-3• Reeb, J. (2003). Simulating an extra grader in a sawmill. Forest Products Journal, 53(11/12), 81-84. • Rönnqvist, M. (2003). Optimization in forestry. Mathematical Programming, 97(1-2), 267-284. doi: 10.1007/s10107-003-0444-0• Tong, Q., & Zhang, S. (2006). Modelling jack pine lumber value recovery in relation to tree characteristics using Optitek simulation.

Forest Products Journal, 56(1), 66-72. • Yanez, F. C., Frayret, J. M., Leger, F., & Rousseau, A. (2009). Agent-based simulation and analysis of demand-driven production

strategies in the timber industry. International Journal of Production Research, 47(22), 6295-6319. doi: Doi 10.1080/00207540802158283

• Zanjani, M. K., Ait-Kadi, D., & Nourelfath, M. (2010). Robust production planning in a manufacturing environment with random yield: A case in sawmill production planning. European Journal of Operational Research, 201(3), 882-891. doi: DOI 10.1016/j.ejor.2009.03.041

• Zanjani, M. K., Nourelfath, M., & Ait-Kadi, D. (2009). A multi-stage stochastic programming approach for production planning with uncertainty in the quality of raw materials and demand. International Journal of Production Research, 48(16), 4701-4723. doi: 10.1080/00207540903055727

• Zhang, S. Y., & Liu, C. (2006). Predicting the lumber volume recovery of Picea mariana using parametric and non-parametric regression methods. Scandinavian Journal of Forest Research, 21(2), 158-166. doi: 10.1080/02827580500531791


Période des questions

Télécharger le modèle dans l’adresse: http://agiltools.com/Anylogic/Sawmill/SawmillModel.zip

Exécuter le fichier <Sawmill - Feb2014> .BAT (PC) ou .SH (MAC)

http://agiltools.com/Anylogic/Sawmill/SawmillModel.zip

http://agiltools.com/Anylogic/Sawmill/SawmillModel.zip


ANNEXES





Statistiques descriptives des attributs des billes

Retourner



Application des arbres de classification :

Plancher pmp comp / m3

armoire pmp comp / m3

Escalier pmp comp /

m3


meuble pmp comp / m3

moulure pmp comp /

m3

palette pmp comp / m3

36.8 16.2 11.7 16.2 53.9 - 8.5 33.8 39.0 42.3 32.1 63.1 6.7 44.9 14.4 10.5 10.9 11.6 47.3 - 70.0 54.8 6.7 6.7 7.9 62.3 - 68.5



Escalier pmp comp /

m3



moulure pmp comp /

m3


180% 79% 57% 79% 263% 0% 41%90% 104% 113% 86% 169% 18% 120%61% 45% 46% 49% 201% 0% 298%

185% 23% 23% 27% 211% 0% 232%



Escalier pmp comp /

m3



moulure pmp comp /

m3


105% 90% 65% 96% 95% 0% 18%97% 215% 236% 189% 111% 400% 94%41% 58% 61% 68% 83% 0% 146%

157% 37% 37% 47% 110% 0% 143%

Total Moyenne

143.30 23.88261.90 37.41164.70 27.45206.90 34.48

Valeur relative de ligne par rapport à la

moyenne

Valeur relative de colonne par

rapport à la moyenne






Escalier pmp comp /

m3



moulure pmp comp /

m3


36.8 16.2 11.7 16.2 53.9 - 8.5 33.8 39.0 42.3 32.1 63.1 6.7 44.9 14.4 10.5 10.9 11.6 47.3 - 70.0 54.8 6.7 6.7 7.9 62.3 - 68.5



Escalier pmp comp /

m3



moulure pmp comp /

m3


180% 79% 57% 79% 263% 0% 41%90% 104% 113% 86% 169% 18% 120%61% 45% 46% 49% 201% 0% 298%

185% 23% 23% 27% 211% 0% 232%



Escalier pmp comp /

m3



moulure pmp comp /

m3


105% 90% 65% 96% 95% 0% 18%97% 215% 236% 189% 111% 400% 94%41% 58% 61% 68% 83% 0% 146%

157% 37% 37% 47% 110% 0% 143%

Total Moyenne

143.30 23.88261.90 37.41164.70 27.45206.90 34.48


moyenne



Seuil = 80%




Plancher? Armoire? Escalier? Panneautage? Meuble? Moulure? Palette?

1 1 0 1 1 0 01 1 1 1 1 1 10 0 0 0 1 0 11 0 0 0 1 0 1



Escalier pmp comp /

m3



moulure pmp comp /

m3


180% 79% 57% 79% 263% 0% 41%90% 104% 113% 86% 169% 18% 120%61% 45% 46% 49% 201% 0% 298%

185% 23% 23% 27% 211% 0% 232%



Escalier pmp comp /

m3



moulure pmp comp /

m3


105% 90% 65% 96% 95% 0% 18%97% 215% 236% 189% 111% 400% 94%41% 58% 61% 68% 83% 0% 146%

157% 37% 37% 47% 110% 0% 143%


moyenne



Matrice binaire

résultant




Plancher? Armoire? Escalier? Panneautage? Meuble? Moulure? Palette?

1 1 0 1 1 0 01 1 1 1 1 1 10 0 0 0 1 0 11 0 0 0 1 0 1

Matrice binaire

résultant

Bille 1 -> PLANCHERARMOIRE, PANNEAUTAGE,MEUBLE

Bille 2 -> PLANCHER, ARMOIRE, ESCALIER, PANNEAUTAGE, MEUBLE, MOULURE, PALETTE

Bille 3 -> MEUBLE, PALETTE

Bille 4 -> PLANCHER, MEUBLE, PALETTE



Application des arbres de classification :• Maintenant, on exécute plusieurs recherches linéaires à

l’intérieur de chaque paramètre d’entrées jusqu’à trouver des règles qui expliquent le couplage de chaque observation dans chaque classification dans la matrice binaire.



Application des arbres de classification :• On a comme résultat 7 différents arbres de classification (voir

diapositives suivantes)• Les arbres ont 8 niveaux d’exploitation au maximum• L’efficacité dans la classification est de 80% dans tous les modèles

(au minimum)• Avec les arbres résultants, on peut :

1. Établir les règles intelligentes de classification pour chaque bille

2. Choisir les observations pertinentes de la base des données pour faire les régressions


Plancher

8 niveaux explorés85% de précision



Armoire

4 niveaux explorés81% de précision.



Escalier

7 niveaux explorés81% de précision



Panneautage




Meuble




Moulure




Palette


Retourner




D’autres indicateurs• Niveaux d’inventaire

• Cet indicateur permet de valider si les zones prédéfinies ont reçu les billes comme prévu

• Valider s’il y a des accumulations• Valider que la scierie ait tout traité• Le résultat est positif dans tous les scénarios d’inventaire initial




Stratégie Réception Z1 Z2 Z3 Z4 Z5 Z6 Z7 Buffer Inventaire

total

Inventai

re initial

1 - - - - - - - - - -

2 - - - - - - - - - -

3 - - - - - - - - - -

4 - - - - - - - - - -

5 - - - - - - - - - -

6 - - - - - - - - - -

7 - - - - - - - - - -

Inventai

re final

1 65 - - 7 - - - - 92 164

2 67 - - 182 - - - - 106 355

3 61 137 - 43 - 0 - - 104 346

4 59 136 - 31 - 14 2 - 105 347

5 63 83 - 31 1 13 54 - 99 343

6 64 85 1 13 18 14 54 - 102 350

7 62 80 13 - 16 13 51 5 96 336

Inventaire initial: 0





total

Inventaire

initial

1 51 - - 11,889 - - - - - 11,940

2 45 - - 10,239 - - - 1,656 - 11,940

3 45 7,518 - 2,454 - 46 - 1,877 - 11,940

4 45 7,614 - 1,790 - 643 13 1,834 - 11,940

5 45 6,034 - 1,857 - 700 1,351 1,953 - 11,940

6 45 6,329 0 1,120 732 574 1,287 1,853 - 11,940

7 45 6,465 589 596 679 551 1,243 1,772 - 11,940

Inventaire

final

1 67 - - 11,299 - - - 12 505 11,884

2 71 - - 9,329 - - - 1,961 512 11,874

3 71 7,559 - 1,550 - 38 - 2,154 513 11,884

4 81 7,578 - 1,151 - 485 9 2,076 513 11,893

5 84 6,133 - 1,180 0 511 1,276 2,192 512 11,887

6 98 6,291 1 765 536 431 1,228 2,022 510 11,882

7 104 6,336 458 444 507 418 1,175 1,919 510 11,871

Inventaire initial: 12.000





total

Inventaire

initial

1 2,153 - - 21,787 - - - - - 23,940

2 2,877 - - 17,683 - - - 3,380 - 23,940

3 890 13,532 - 5,293 - 108 - 4,117 - 23,940

4 1,449 13,176 - 4,024 - 1,337 105 3,850 - 23,940

5 2,221 10,171 - 3,741 25 1,192 2,735 3,855 - 23,940

6 2,043 11,598 11 2,309 1,215 1,031 2,417 3,316 - 23,940

7 2,057 10,144 1,484 1,591 1,421 1,024 2,549 3,670 - 23,940

Inventaire

final

1 69 - - 23,272 - - - 33 502 23,876

2 370 - - 18,729 - - - 4,270 515 23,884

3 67 14,137 - 4,355 - 106 - 4,706 513 23,884

4 190 14,131 - 3,343 - 1,206 103 4,402 518 23,893

5 364 11,421 - 3,194 21 1,091 2,835 4,434 516 23,876

6 356 12,622 11 2,001 1,080 910 2,501 3,891 513 23,885

7 347 11,095 1,342 1,584 1,282 918 2,619 4,180 514 23,881

Inventaire initial: 24.000