طراحی و برنامه‌ریزی شبکه زنجیره‌ تامین بایواتانول با رویکرد ترکیبی بهینه‌سازی استوار داده ‌محور تحت مجموعه‌های عدم اطمینان گسسته

هدف: اغلب پژوهش ‌های صورت گرفته در حوزه  طراحی و برنامه‌ریزی شبکه زنجیره‌ تامین بایواتانول مبتنی بر مدل‌های قطعی بودند که شرایط پویای محیطی را در نظر نمی‌گرفتند و درنتیجه خروجی‌های قابل‌اطمینان ارایه نمی‌کردند. مدل‌های استوار کلاسیک این ضعف را نداشتند، اما به دلیل محافظه‌کاری بیش‌ازحد آن‌ها، هزینه‌های زنجیره‌تامین افزایش پیدا می‌کرد و درنتیجه موردتوجه سرمایه‌گذاران قرار نمی‌گرفت؛ بنابراین، هدف از پژوهش حاضر، طراحی و بهینه‌سازی شبکه زنجیره‌تامین زیست‌توده به بایواتانول با استفاده از روش بهینه‌سازی استوار داده‌محور و مجموعه‌های عدم اطمینان گسسته است.روش‌شناسی پژوهش: روش‌شناسی پژوهش حاضر یک روش‌شناسی چندگانه مبتنی بر مدل‌سازی ریاضی و الگوریتم‌های یادگیری ماشینی است. بدین‌صورت که ابتدا مجموعه‌های عدم اطمینان برای پارامتر غیرقطعی مدل با استفاده از روش‌های k-means و svc ساخته شد. سپس اقدام به طراحی مدل بهینه‌سازی داده‌محور برای طراحی و بهینه‌سازی شبکه زنجیره‌تامین زیست‌توده به بایواتانول شد که مشکلات رویکردهای کلاسیک پیشین را نداشت.یافته‌ها: یافته‌های پژوهش حاضر در قالب دو دسته تصمیمات استراتژیک و عملیاتی ارایه شده است. در بخش استراتژیک به تعیین مکان‌های بهینه کشت زیست‌توده، مراکز پیش‌پردازش و مراکز پالایشگاهی پرداخته شد. در بخش عملیاتی نیز میزان بهینه ارسال زیست‌توده به مراکز پیش‌پردازش و مراکز پالایشگاهی تعیین شد.اصالت/ارزش‌افزوده علمی: پژوهش حاضر، با تولید جواب­‌های استوار که محافظه‌کاری رویکردهای بهینه‌سازی استوار سنتی را ندارد، می‌تواند تاثیر قابل‌توجهی در جلب توجه و جذب سرمایه‌گذاران بخش دولتی و خصوصی داشته باشد. از طرف دیگر، استفاده از یک مدل سه هدفه مبتنی بر رویکرد توسعه پایدار و توجه هم‌زمان به مولفه‌های اقتصادی، اجتماعی و زیست‌محیطی ضمن افزودن بر جامعیت پژوهش حاضر نتایج نزدیک‌تر به واقعیت و با جزییات بیشتری ارایه داد.

designing and planning a bioethanol supply chain network under uncertainty using a data-driven robust optimization model under disjunctive uncertainty sets

purpose: most research in the field of designing and planning bioethanol supply chains has been based on deterministic models, which do not consider dynamic environmental conditions and thus do not provide reliable outputs. classic robust models did not have this weakness, but due to their excessive conservatism, they increased supply chain costs, making them unattractive to investors. therefore, the aim of this study is to design and optimize the biomass-to-bioethanol supply chain network using data-driven robust optimization methods and disjunctive uncertainty sets.methodology: the methodology of this study is a multi-methodology approach based on mathematical modeling and machine learning algorithms. initially, uncertainty sets for the non-deterministic model parameter were created using k-means and svc methods. then, a data-driven optimization model was designed to optimize the biomass-to-bioethanol supply chain network, addressing the issues of previous classic approaches.findings: the findings of this study are presented in two categories: strategic and operational decisions. the strategic section focuses on determining the optimal locations for biomass cultivation, preprocessing centers, and refineries. in the operational section, the optimal amounts of biomass sent to preprocessing centers and refineries were determined.originality/value: this study, by producing robust solutions without the conservatism of traditional robust optimization approaches, can significantly attract public and private sector investors. additionally, using a three-objective model based on a sustainable development approach that simultaneously considers economic, social, and environmental components, enhances the comprehensiveness of this research, providing more realistic and detailed results.