Seasonal Inventory Management Model for Raw Materials in Steel Industry
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
We developed a seasonal inventory management model for raw materials, such as iron ore and coal, for multiple suppliers and multiple mills. The Nippon Steel Corporation imports more than 100 million tons of raw material annually by vessels from Australia, Brazil, Canada, and other countries. Once these raw materials arrive in Japan, they are transported to domestic mills and stored in yards before being treated in a blast furnace. A critical problem currently facing the industry is the limited capacity of the yards, which leads to high demurrage costs while ships wait for space to open up in the yards before they can unload. To reduce the demurrage costs, the inventory levels of the raw materials must be kept as low as possible. However, inventory levels that are too low may lead to inventory shortage resulting from seasonal supply disruptions (e.g., a cyclone in Australia) that delay the supply of raw materials. Because both excess and depleted inventory levels lead to increased costs, optimal inventory levels must be determined. To solve this problem, we developed an inventory management model that considers variations on the supply side, differences that should be observable upon looking at the ship operations. The concept is to model the probability distribution of ship arrival intervals by brand groups and mills. We divided ship operations into two stages: arrival at all mills (in Japan) and arrival at individual mills. We modeled the former as a nonhomogeneous Poisson process and the latter as a nonhomogeneous Gamma process. Our proposed model enables inventory levels to be reduced by 14% in summer and 6% in winter.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle