AI Spotlight
KI-Prognosen für Belade-, Fahr- und Entladezeiten von Transportbetonlieferungen
Transportbeton ist ein verderbliches Produkt. Die Lieferung des Baustoffes muss innerhalb von 90 Minuten auf der Baustelle erfolgen, sonst beginnt die Mischung zu erhärten, was das Eingießen erschwert. Lesen Sie hier, wie Maschinelles Lernen (ML) in der Baustofflogistik dabei helfen kann, bessere Vorhersagen für die Belade-, Fahr- und Entladezeiten von Betonmischfahrzeugen zu treffen.
Die Vorteile
- Erhöhte Genauigkeit: Maschinelles Lernen verbessert die Vorhersagegenauigkeit von Entladezeiten auf Baustellen erheblich.
- Kosteneinsparungen: Der Einsatz von ML ermöglicht eine bessere Nutzung der Lkw-Flotte und reduziert so die Betriebskosten.
- Verbesserter CO2-Fußabdruck: Die Anwendungen verringern Betonabfall und CO2-Emissionen, da es zu weniger Leerlaufzeiten der Lkw kommt.
Use Case
Überblick
- Jede Planungssoftware ist nur so gut wie die Qualität ihrer Eingabedaten. Schlechte Eingaben führen zu schlechten Ergebnissen.
- Daher führten wir ein Analyseprojekt durch, bei dem wir untersuchten, wie Maschinelles Lernen (ML) eingesetzt werden kann, um die Qualität der Eingabeparameter zu verbessern, die die Optimierungsberechnungen unserer Transportplanungssoftware beeinflussen.
SO FUNKTIONIERT’S
- Als ersten Schritt haben wir Belade-, Fahr- und Entladezeiten genauer betrachtet.
- Wir analysierten die Daten von 150.000 Transportbetonlieferungen und verglichen unsere erwarteten Belade-, Fahr- und Entladezeiten mit den tatsächlichen Werten.
- Der nächste Schritt bestand darin, die relevantesten Variablen zu identifizieren, die genauere Vorhersagen ermöglichen. Hierfür verwendeten wir den sogenannten „Random-Forest-Ansatz“, eine weit verbreitete und bewährte ML-Methode zur Bewertung der Bedeutung von Variablen in einem Regressionsproblem.
- Nach Abschluss aller Analysen und Modellierungen setzten wir das neue Modell in einem Praxistest ein.
- Das war unsere Testumgebung: 40 Transportbetonwerke, fünf aufeinanderfolgende Planungstage und im Durchschnitt 275 Lkw, die täglich mehr als 1.000 Lieferungen an durchschnittlich 350 Kundenstandorte durchführten und fast 10.000 m³ Beton lieferten.
Das Ergebnis
- Wir konnten die durchschnittliche Beladezeit um 1:23 Minuten genauer schätzen, während die Ergebnisse der durchschnittlichen Fahrzeit um sechs Sekunden genauer waren. Die größten Gewinne in puncto Genauigkeit erzielten wir erwartungsgemäß bei den Entladezeiten: 8:45 Minuten.
- Oder anders ausgedrückt: Für eine Lieferung, die insgesamt 2 Stunden und 10 Minuten dauert, konnten wir unsere Planungsberechnungen um fast 10 Minuten näher an die tatsächlich benötigte Zeit bringen.