.png){kind=icon}
返回
Computationally Efficient Optimization of Bio-Jet Fuel Supply Chains Using Machine-Learning-Assisted Mixed-Integer Programming
.png){kind=icon}
OA
AI
DOI：10.3390/en19153570.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
生物质衍生的原料生产的生物喷气燃料代表了减少航空能源系统碳强度的有前景的途径。然而，设计生物喷气燃料生产的供应链网络需要解决大规模混合整数线性规划（MILP）模型，这些模型集成了设施选址、原料分配、物料流和路径决策。这些模型在评估多个网络配置或大量生产和加工设施候选集时可能变得计算成本高昂。本研究开发了一个混合机器学习和优化框架，以提高生物喷气燃料供应链网络设计的计算效率，同时保持高质量的决策结果。所提出的迭代过程使用监督学习来近似设施选址决策与总供应链成本之间的关系。首先，通过使用随机选择的设施位置解决优化模型来生成初始的供应链配置集。然后使用这些解来训练预测模型，包括岭回归、前馈神经网络和集成神经网络，以设施位置配置作为输入，总供应链成本作为输出。随后使用训练好的学习器通过汤普森采样和小规模线性规划识别有前景的设施位置候选。这些候选解由原始混合整数模型进行评估，结果观测值反馈到学习过程中直至收敛。数值实验表明，所提出的混合方法能够在显著减少计算时间的同时获得近优的生物喷气燃料供应链设计方案。对于线性案例，该方法在目标函数值0.23–0.29%的范围内获得了解，同时将计算时间减少了70.95–81.95%。对于非线性学习模型，最优性差距进一步降低至0.13–0.15%，计算时间减少了45.37–60.36%。对于德克萨斯案例研究和评估的建模假设，研究结果证明机器学习辅助优化可以在保持高质量供应链解决方案的同时减少计算工作量。这些效益的程度可能随网络规模、候选设施结构、设施容量假设、需求特征以及用于训练学习模型的信息量而变化。
Keyword:
bio-jet fuel
biomass supply chain
mixed-integer linear programming
machine learning
supply chain network design
neural network
bioenergy systems
期刊
IF:
3.2
论文数:
1.6W
被引数:
14.2W
机构
引用论文
Scenario Trees and Policy Selection for Multistage Stochastic Programming Using Machine LearningOAAI
OAAI分享收藏Machine-Learning Methods to Select Potential Depot Locations for the Supply Chain of Biomass Co-Firing.png)
EnergiesOAAI
EnergiesIF0
OAAI分享收藏
分享收藏Biomass-to-bioenergy and biofuel supply chain optimization: Overview, key issues and challenges生物质转化为生物能源和生物燃料供应链优化: 概述、关键问题和挑战
PREAI
分享收藏
查看更多内容