Интегрированный метод машинного обучения и количественной оптимизации для проектирования устойчивых сетей поставок биоэтанола

Растущий спрос на энергию побуждает лиц, принимающих решения в сетях поставок биоэтанола (BSCN), использовать биомассу второго поколения в качестве сырья для соблюдения критериев устойчивого развития. В настоящем исследовании предложена интегрированная модель машинного обучения (ML) и количественной оптимизации для проектирования устойчивой сети поставок биоэтанола (SBSCN). Для прогнозирования спроса на биоэтанол используются методы машинного обучения, включая случайный лес (Random Forest, RF), метод экстремального градиентного бустинга (XGBoost) и ансамблевый алгоритм обучения бэггинг (Bagging). На основе сравнения показателей эффективности этих трех методов метод RF выбран как наиболее эффективный для прогнозирования спроса на биоэтанол и формирования входных данных модели. Затем предложена модель смешанно-целочисленного линейного программирования (MILP), обеспечивающая соблюдение критериев устойчивого развития, заданных тремя целевыми функциями. Применимость предложенного подхода продемонстрирована на примере конкретного исследования. Анализ чувствительности подтверждает, что затраты на создание центров предварительной переработки и биоперерабатывающих комплексов составляют 37% общих затрат сети. Более того, установлено, что метод уборки с использованием прямоугольных тюков относится к методам, требующим наибольшей площади земель, занятой просом прутьевидным (switchgrass). Кроме того, модель показала, что в рассматриваемом случае этот метод уборки приводит к потере 18 450 тонн проса прутьевидного. Наконец, полученные результаты могут быть использованы органами государственной политики и инвесторами для разработки эффективных устойчивых сетей поставок биоэтанола.