LafargeHolcim

Contexte

LafargeHolcim dispose de 6 usines en Europe avec plus de 80 recettes de ciments différentes et souhaite planifier la production annuelle afin d’optimiser les couts de production et de transport. Beaucoup de contraintes sont à prendre en compte dans cette volonté d’optimisation. Il y a les contraintes de production ciment/clinker, les contraintes de stockages, les capacités de chargement/déchargement, les couts d’achat de production de transport, etc…

Le Projet industriel est complexe car cette activité est marquée par la faible récurrence des flux et la difficulté à anticiper leurs évolutions.

L’ancien processus de planification était devenu inefficace :
Hypothèses sur les flux entrants basées sur des données incomplètes et complexes à réconcilier, à intégrer manuellement de surcroît
Sources de données multiples avec des formats de données différents
Utilisation d’un outil de simulation peu flexible, ne permettant d’intégrer de nouvelles contraintes avec un un paramétrage long ne permettant pas de faire de multi scénarisation
Manque de visibilité des flux entrants/sortants

L’impact sur les capacités d’entreposage est très important.

Intervention DCbrain

DCbrain a mis en place un Double Digital dynamique, c’est à dire qu’il a modéliser le réseau avec toutes ses contraintes. Cela lui a permis de créer des simulations de différents scénarios pour obtenir le scénario avec la meilleure optimisation tout en satisfaisant toutes les contraintes. Grace à cette collaboration, Lafarge a économisé plus de 2 millions d’Euros. Cela est dû à une substitution de recettes par d’autres plus rentables, à une optimisation des échanges inter-sites (moins de couts de production de produits finis ou matières premieres), et enfin à une modification du réseau de distribution (plus de passage par le rail que par des camions, plus de passage par les platesformes). LafargeHolcim dispose donc aujourd’hui  d’une interface lui permettant de faire des forecasts et des simulations.

DCbrain a mis en place un processus qui permet simplement de simuler le remplissage et l’ordonnancement du site avec la mise en place d’un algorithme de Reinforcement Learning pour calculer et optimiser les différents espaces de stockage selon la taille variable des items, les opérateurs et le re-calcul selon les entrants.

Les résultats de cette modélisation sont les suivants :
-Prévision du taux de remplissage des différents espaces de stockage
-Possibilité de faire évoluer les données d’entrée ou d’ajouter une nouvelle contrainte
-Proposition de scenarios (via le reinforced learning)