Définition du risque optimal de rupture de stock d’un composant en cas d’approvisionnement d’urgence
Bibliographic record
Abstract
On s’intéresse ici à la détermination de la probabilité de rupture optimale d’un composant utilisé par un ou plusieurs modules alternatifs montés sur une ou plusieurs lignes d’assemblage. Le contexte étudié est celui d’une chaîne logistique dédiée à une production de masse de produits fortement diversifiés, comme celui rencontré dans l’industrie automobile. L’approche de la MRP (Material Requirement Planning) est adaptée pour piloter cette chaîne dans laquelle l’éloignement des unités de production conduit à un panachage de production à la commande et de production pour stock du composant auquel on s’intéresse. Pour éviter toute propagation des conséquences d’une rupture de stock en aval de la chaîne logistique, un approvisionnement d’urgence est toujours déclenché avant son occurrence. La définition du stock de sécurité – et du risque de rupture associé – se base sur un modèle monopériode intégrant le coût des composants inutilisés et les différents coûts induits par l’approvisionnement d’urgence (transport et production). Les solutions analytiques proposées sont illustrées numériquement et une analyse des conditions de dominance économique des deux principales politiques alternatives d’approvisionnement d’urgence est menée.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.008 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.003 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.002 | 0.001 |
| Insufficient payload (model declined to judge) | 0.006 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".