A conceptual digital twin framework for supply chain recovery and resilience
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
Amidst escalating global supply system risks and interruptions, the imperative for fortified supply networks is evident. Organizations striving for competitiveness and resilience must adeptly recognize, comprehend, and address disruptions. This study presents a three-phase digital supply chain twin framework, leveraging discrete event simulation and neural networks to anticipate floods—a typical natural catastrophe and disruptive event—and predict recovery indicators. This aids supply chain (SC) managers in making informed decisions. In the first phase, machine learning algorithms, including logistic regression and Long Short-Term Memory (LSTM), were trained on Kerala India's precipitation data to predict floods. LSTM outperforms logistic regression, achieving flood prediction with 73 % recall, 75 % accuracy, and 84 % Area Under Curve-Receiver Operating Characteristics score. In the second phase, simulations replicate value chain breakdowns. A process flow logic-driven discrete event simulation within a real-world SC network emulates operational disruptions. FlexSim is employed to model service-level failures, influencing SC model performance based on the distribution center service level. The third phase employs simulated case scenario data to train a multilayer neural perceptron network (MLPNN) for predicting production network recovery post-disruptions. The MLPNN monitors the mean squared error (MSE) and disruptive inputs throughout training and validation, revealing consistent MSE reduction over recovery periods. The number of epochs needed to achieve a minimum MSE is used as a recovery indicator to predict service restoration time. Consequently, this study introduces a conceptual digital twin framework for catastrophic operations chain breakdowns and recovery prediction. The framework's output assists SC planners in shaping robust strategies by foreseeing disruptions and facilitating recovery.
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 | 0,001 |
| 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 | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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