“huella de carbono en la producciÓn de cereza … · planificación de cosechas una etapa...

DRA. MARCELA GONZÁLEZ ARAYA

[email protected]

COPIOS, 24 AL 26 DE OCTUBRE DE 2019, AREQUIPA, PERÚ

1

Desarrollo y Aplicación de

Herramientas de Investigación de

Operaciones en Cadenas de Suministro

Agroindustriales

Departamento de Ingeniería IndustrialFacultad de Ingeniería

Presentación

MSc y DSc en Ingeniería en Producción, Universidad Federal do Rio de Janeiro, Brasil.

Académica de Departamento de Ingeniería Industrial de la Universidad de Talca, Chile, desde 2005.

Más de 14 años de experiencia en docencia, investigación, proyectos de desarrollo y aplicación de modelos de optimización para apoyar decisiones de las cadenas de suministro agroindustriales.

Directora alterna del Centro de Extensionismo de Logística – CETLOG.

2Introducción CSA

Planificación de Cosechas

Compra y Almacenamiento

Apertura de Cámaras

DSS

3

Estructura de la Presentación

Introducción CSAPlanificación de Cosechas



DSS

Introducción

Cadenas de Suministro

Agroindustriales

Modelo para la planificación de

cosechas

Modelos de compra de materia

prima y almacenamiento en frío

Modelo de apertura de cámaras

de frío y envío a proceso

Sistema de Apoyo a las Decisiones

Conclusiones

Expectativas de Chile

Octubre 23, 2015

Ex-presidenta en encuentro empresarial Chile-Italia: “Aspiramos a convertirnos en una

potencia alimentaria mundial”.

Chile ha buscado posicionarse como potencia alimentaria:

proveedor de alimentos de calidad y sustentables.




DSS

9

5

Chile: Potencia Alimentaria

La industria de

alimentos está

presente en todas las

regiones del país, con

más de 4.000

empresas.

Es el segundo sector

más importante

después de la minería.




DSS

6


Representa 20% del

empleo y 10% del PIB




DSS


Aumentar las exportaciones implica incrementar el empleo en la

agricultura, el nivel de inversiones y la coordinación e integración de las

operaciones en toda la cadena de suministro y servicios relacionados.

12Introducción CSA




DSS

8

¿Qué es una Cadena de Suministro?

Es el conjunto de actividades, instalaciones y medios de

distribución necesarios para llevar a cabo el proceso de

venta de un producto en su totalidad. Esto es, desde la

búsqueda de materias primas, su posterior transformación

hasta la fabricación, distribución y entrega al consumidor

final.

“De la huerta al tenedor”




DSS

9

Cadena de Suministro Frutícola (CSF)

Huertos Plantas de Embalaje Consumidores

Las operaciones involucran: plantación, cosecha, producción/proceso,

embalaje, almacenamiento y transporte.




DSS

10

Características de las Cadenas de Suministro

Agrícolas (CSAs) – 1 (Iakovou et al., 2016)

1. Productos perecibles y con cortos ciclos de vida.

2. Estacionalidad en la cosecha y en las operaciones de

producción.

3. Variabilidad en la calidad y cantidad de los insumos

agrícolas requeridos y en los rendimientos de producción.

4. Requerimientos específicos en relación al transporte,

condiciones de almacenamiento, calidad e inocuidad, y

reciclaje del material utilizado.

5. Alta diferenciación entre los productos agrícolas.




DSS

11

Características de las Cadenas de Suministro

Agrícolas (CSAs) – 2 (Iakovou et al., 2016)

6. Necesidad de cumplir con la legislación nacional e internacional, y

regulaciones, especialmente sobre inocuidad alimentaria, salud

pública e impacto ambiental (e.g. h. de carbono y h. del agua).

7. Necesidad de contar con atributos especiales para los productos

agrícolas, tales como trazabilidad y visibilidad.

8. Necesidad de alta eficiencia y productividad en el uso de

equipamiento técnico caro.

9. Incremento en la complejidad de las operaciones.

10. Existencia de relevantes restricciones de capacidad (mano de obra,

cámaras de refrigeración, maquinarias, entre otros).




DSS

12

Gestión de la Cadena de Suministro

Agrícola Sustentable Maximizar la eficiencia en el desempeño de las operaciones

logísticas y en el uso de los recursos

Garantizar la trazabilidad del producto

Maximizar la calidad del producto al momento de la venta

Incrementar la vida útil del producto

Minimizar el tiempo para llegar al mercado minorista

Minimizar el impacto al medio ambiente

Minimizar las pérdidas y desperdicios




DSS

13

Principales Decisiones en las Etapas de la CSA

Visión esquemática de los principales procesos involucrados en una CSA para exportaciónbasada de Soto-Silva et al. (2017)




DSS

Sector Frutícola Chileno

Superficie plantada: sobre 330.000 hectáreas.

Las mayores superficies corresponden a uva de mesa,

manzanas y paltas.

Principales frutas exportadas (por volumen, 2012):

uvas, manzanas, kiwis, paltas, ciruelas, peras y

arándanos.

Exportaciones (2012): US$4.000 millones, equivalentes

al 60% del total de exportaciones de fruta fresca del

Hemisferio Sur.

Principales mercados de exportación: EEUU (35,9%),

Holanda (9,2%), China (8,8%) y Reino Unido (5,1%).

14




DSS

15

Es la principal región

exportadora de fruta

fresca.

Tiene el primer lugar en

exportación de

manzanas rojas, kiwis,

frambuesas y

arándanos.

Región del Maule




DSS

Planificación de Cosechas Una etapa importante de la CSF es la cosecha.

Esta etapa es estacional y presenta una alta variabilidad en

el rendimiento y la calidad de la fruta.

Durante una temporada, los agricultores deben planificar los

recursos requeridos, de acuerdo con un calendario de

cosecha estimado por los agrónomos.

Esta tarea es compleja porque cada fruta y variedad tiene

una curva de maduración diferente y los huertos

generalmente tienen muchos campos con diferentes tipos de

frutas y variedades.

16Introducción CSA




DSS

Motivación Para las grandes empresas agroindustriales, las decisiones de

planificación de la cosecha son aún más complicadas

porque administran varios huertos al mismo tiempo.

Las decisiones de planificación de la cosecha se toman

principalmente basadas en la experiencia de los agricultores.

Las herramientas de optimización son necesarias para

facilitar el proceso de toma de decisiones y agregar

flexibilidad respecto a cambios inesperados durante la

temporada de cosecha.

17Introducción CSA




DSS

18

Cosecha Manual Cosecha Semi-Mecánica

Los modos de cosecha dependen de la disponibilidad de

recursos y configuración de los cuarteles de un huerto.

Tipos de Cosecha de Manzana




DSS

19

Categoría Variedad

GalasRoyal gala

Galaxi

RojasRed Chief

Scarlet

Fuji Fuji

Granny SmithGranny

Smith

Las variedades se pueden agrupar en 4 categorías, de cuerdo a doscaracterísticas:

Calendario de cosecha

Familia de manzana

Variedades de Manzana en la Región




DSS

20

Septiembre Octubre Febrero Marzo Abril

Variedad 15 20 25 30 5 10 15 20 25 30 5 10 15 20 25 30 5 10 15 20 25 30 5 10 15 20

Royal Gala

Fuji

Red Chief

Scarlet

Galaxi

Granny

Smith

Floración

Cosecha

Fuente: Cvchile (2010)

Período de Floración y Cosecha

Variedades de Manzanas en la Región




DSS

Ejemplos de Huertos Frutícolas en Chile

21

150 hectáreas40 hectáreas




DSS

Trabajo Previo Formulamos un modelo MILP mono-objetivo (Soto-Silva

et al., 2012) para minimizar los costos de cosecha, los costos de pérdida de fruta y los costos de los días de cosecha, considerando un huerto.

Extendimos un modelo MILP mono-objetivo (Gómez-Lagos et al., 2017), considerando múltiples huertos que comparten recursos (mano de obra).

Se desarrolló una metaheurística GRASP para resolver este modelo, debido al largo tiempo requerido para obtener una solución óptima con un método exacto.

La metaheurística GRASP se desempeñó de manera más eficiente que el método exacto al resolver casos reales.

22Introducción CSA




DSS

Instancias de 3 huertos con un total de

200 cuarteles

InstanciasModos de Cosecha

H1 H2 H3

1 HH HH HH

2 M HH HH

3 M M HH

4 M M M

N° Cuarteles 65 75 60

23Introducción CSF




DSS

Resultados para las instancias de 3

huertos con un total de 200 cuarteles

Método Exacto Mejor Sol. con GRASP Peor Sol. con GRASP

Instan

cia

FO CPLEX

($)

GAP

CPLEX

%

T CPLEX

(seg)

FO GRASP

($)

T

GRASP

(seg)

Dif. % OF

CPLEX

FO GRASP

($)

T

GRASP

(seg)

Dif. % FO

CPLEX

1 679,464,357 4.53 7,200 669,338,560 998 -1.51 670,825,470 939 -1.29

2 493,683,592 6.39 7,200 477,914,752 548 -3.30 480,272,672 503 -2.79

3 292,842,376 0.47 1,921 298,699,456 216 1.96 301,701,312 213 2.94

4 218,201,718 0.00 170 218,201,780 2.7 0.00 218,511,280 2.5 0.14

GRASP fue corrido 100 veces para cada instancia

24Introducción CSF




DSS

Ejemplo de Calendario de Cosecha

Obtenidos en Usando GRASP y CPLEX

25Introducción CSA




DSS

Planificación de Cosecha con GRASP Planificación de Cosechas con CPLEX

26

Variables de Decisión:

Kilogramos de fruta a ser cosechadas en un cuartel, en un día

Kilogramos de fruta no cosechada en un cuartel

Variables binarias para determinar si un cuartel será cosechado en un determinado día

Número trabajadores fijos y variables de a ser contratados en cada periodo

Horas de maquinaria requeridas para cosechar un cuartel, en un determinado día

Número de bins requeridos para cosechar un cuartel, en un dado día

Modelo MOLP Desarrollado




DSS

MOLP Model Formulation

27

𝑡∈𝑇 𝑜,𝑐,𝑓∈𝐴𝑐∈𝐶𝑜1

𝐻𝑀𝑄𝑐𝑓𝑡𝑄 + 𝐻𝑟 +Objective 1:

Minimize

harvest costs

o,𝑐,𝑓∈𝒜 𝑡∈𝑇 𝐴𝑜𝑐𝑓𝑡𝑋𝑜𝑐𝑓𝑡 + o,𝑐,𝑓∈𝒜𝑆𝐿𝑜𝑐𝑓

Objective 2:

Minimize fruit

loss

𝑡∈𝑇

o,𝑐,𝑓∈𝒜

𝑡 × 𝑌𝑜𝑐𝑓𝑡

Objective 3:

Minimize

harvest days




DSS


𝑃𝐿𝑜𝑐𝑓𝑝 × 𝑋𝑜𝑐𝑡 ≤ 𝐺𝑝𝑡

𝑜 ,𝑐,𝑓∈𝒜

, ∀ 𝑝 ∈ 𝑃, 𝑡 ∈ 𝑇

𝑋𝑜𝑐𝑓𝑡 + 𝑆𝑜𝑐𝑓 = 𝐷𝑜𝑐𝑓 , ∀ 𝑜, 𝑐, 𝑓 ∈ 𝒜

𝑡∈𝑇

𝑆𝑜𝑐𝑓 ≤ 𝐿𝑘 , ∀ 𝑘 ∈ 𝐾, 𝑐 ∈ 𝐶𝑜𝑘 , 𝑜, 𝑐, 𝑓 ∈ 𝒜

𝑋𝑜𝑐𝑓𝑡 ≤ 𝑁𝑜𝑐𝑓𝑡 × 𝑌𝑜𝑐𝑓𝑡 , ∀ 𝑜, 𝑐, 𝑓 ∈ 𝒜, 𝑡 ∈ 𝑇

𝑋𝑜𝑐𝑓𝑡 ≥ 𝐿𝑘 × 𝑌𝑜𝑐𝑓𝑡 , ∀ 𝑘 ∈ 𝐾, 𝑐 ∈ 𝐶𝑜𝑘 , 𝑜, 𝑐, 𝑓 ∈ 𝒜, 𝑡 ∈ 𝑇

Plant Capacity Constraint

Fruit Balance

Maximum Value for

Non Harvested Fruit

Minimum Value for

Doing the Harvest

28Introducción CSA




DSS


𝑋𝑜𝑐𝑓𝑡 ≤ 𝑃𝑖𝑜𝑐𝑓 × 𝐻𝑀𝑄𝑜𝑐𝑓𝑡 , ∀ 𝑐 ∈ 𝐶𝑜1 , 𝑜, 𝑐, 𝑓 ∈ 𝒜, 𝑡 ∈ 𝑇

𝑋𝑜𝑐𝑓𝑡 ≤ 𝑅𝑖𝑜𝑐𝑓 × 𝑇𝐹𝐶𝑜𝑐𝑓𝑡 + 𝑆𝑖𝑜𝑐𝑓 × 𝑇𝑉𝐶𝑜𝑐𝑓𝑡 , ∀𝑐 ∈ 𝐶𝑜2 , 𝑜, 𝑐, 𝑓 ∈ 𝒜, 𝑡 ∈ 𝑇

𝐸 × 𝑁𝐵𝑜𝑐𝑓𝑡 ≥ 𝑋𝑜𝑐𝑓𝑡 , ∀𝑜, 𝑐, 𝑓 ∈ 𝒜, 𝑡 ∈ 𝑇

𝐻𝑀𝑄𝑜𝑐𝑓𝑡 ≤ 𝐼𝑜𝑡 , ∀ 𝑡 ∈ 𝑇, 𝑜 ∈ 𝑂𝑜 ,𝑐 ,𝑓∈𝒜𝑐∈ 𝐶𝑜1

𝑇𝐹𝐶𝑜𝑐𝑓𝑡 + 𝐵𝐹𝑡 = 𝑇𝐻𝐹,𝑜 ,𝑐,𝑓∈𝒜

𝑐∈𝐶𝑜2

∀ 𝑡 ∈ 𝑇

𝑇𝐻𝐹 ≥ 𝑁𝑖, ∀𝑡 ∈ 𝑇

Productivity

Constraint

Minimum number of

bins

Maximum of

available

resource (hours,

workers)

29Introducción CSA




DSS


𝑇𝑉𝐶𝑜𝑐𝑓𝑡 ≤ 𝑊, ∀ 𝑡 ∈ 𝑇𝑜 ,𝑐,𝑓∈𝒜

𝑐∈𝐶𝑜2

𝑇𝑉𝐶𝑜𝑐𝑓𝑡 = 𝑇𝑉𝑡 , ∀ 𝑡 ∈ 𝑇𝑜 ,𝑐 ,𝑓∈𝒜

𝑐∈𝐶𝑜2

𝑇𝑉𝐶𝑜𝑐𝑓1 = 𝑇𝐻𝑉1 𝑜 ,𝑐 ,𝑓∈𝒜

𝑐∈𝐶𝑜2

𝑇𝑉𝑡 = 𝑇𝑉𝑡−1 + 𝑇𝐻𝑉𝑡 − 𝑇𝐹𝑉𝑡−1 , ∀𝑡 ∈ 𝑇: 𝑡 ≥ 2

𝑇𝑉𝐶𝑜𝑓𝑐𝑃𝐻 = 𝑇𝐹𝑉𝑃𝐻

Balance of variable

workers

30Introducción CSA




DSS


𝐼𝑁𝐼𝑜𝑐𝑓𝑡 − 𝐿𝑘 ≤ 𝑀1 × 𝑊𝐼𝑜𝑐𝑓𝑡 , ∀ 𝑘 ∈ 𝐾, 𝑐 ∈ 𝐶𝑜𝑘 , 𝑜, 𝑐, 𝑓 ∈ 𝒜, 𝑡 ∈ 𝑇

𝐼𝑁𝐼𝑜𝑐𝑓𝑡 − 𝐿𝑘 ≥ 𝑀1 × (𝑊𝐼𝑜𝑐𝑓𝑡 − 1), ∀ 𝑘 ∈ 𝐾, 𝑐 ∈ 𝐶𝑜𝑘 , 𝑜, 𝑐, 𝑓 ∈ 𝒜, 𝑡 ∈ 𝑇

𝐼𝑁𝐼𝑜𝑐𝑓1 = 𝐷𝑜𝑐𝑓 − 𝑋𝑜𝑐𝑓1 , ∀ 𝑜, 𝑐, 𝑓 ∈ 𝒜

𝐼𝑁𝐼𝑜𝑐𝑓𝑡 = 𝐼𝑁𝐼𝑜𝑐𝑓𝑡 −1 − 𝑋𝑜𝑐𝑓𝑡 , ∀ 𝑜, 𝑐, 𝑓 ∈ 𝒜, 𝑡 ∈ 𝑇

𝑌𝑜𝑐𝑓𝑡 + 𝑊𝐼𝑜𝑐𝑓𝑡 ≤ 𝑌𝑜𝑐𝑓𝑡 +1 + 1, ∀ 𝑜, 𝑐, 𝑓 ∈ 𝒜, 𝑡 ∈ 𝑇

The harvest must be

done in successive

days

31Introducción CSA




DSS


𝑡 − 𝐹𝐼𝑜𝑐𝑓 ≥ 𝑀2 × 𝑌𝑜𝑐𝑓𝑡 +1 − 1 , ∀𝑜, 𝑐, 𝑓 ∈ 𝒜, 𝑡 ∈ 𝑇

𝐹𝑇𝑜𝑐𝑓 − 𝑡 ≥ 𝑀2 × 𝑌𝑜𝑐𝑓𝑡 +1 − 1 , ∀𝑜, 𝑐, 𝑓 ∈ 𝒜, 𝑡 ∈ 𝑇

𝐹𝑇𝑜𝑐𝑓 = 𝐹𝐼𝑜𝑐𝑓 + 𝑌𝑜𝑐𝑓𝑡𝑡∈𝑇

− 1, ∀ 𝑜, 𝑐, 𝑓 ∈ 𝒜

𝐹𝐼𝑜𝑐𝑓 + 1 ≤ 𝐹𝐼𝑜𝑐𝑓 +1 , ∀ 𝑜, 𝑐, 𝑓 ∈ 𝒜

𝐹𝑇𝑜𝑐𝑓 + 1 ≤ 𝐹𝑇𝑜𝑐𝑓 +1 , ∀ 𝑜, 𝑐, 𝑓 ∈ 𝒜

The precedence of

harvest ways must

be preserve

32Introducción CSA




DSS


𝑌𝑜𝑐𝑓𝑡 , 𝑊𝐼𝑜𝑐𝑓𝑡 ∈ 0,1 , ∀𝑜, 𝑐, 𝑓 ∈ 𝒜, 𝑡 ∈ 𝑇

𝑋𝑜𝑐𝑓𝑡 , 𝐻𝑀𝑄𝑜𝑐𝑓𝑡 , 𝑆𝑜𝑐𝑓 , 𝐼𝑁𝐼𝑜𝑐𝑓𝑡 ≥ 0, ∀𝑜, 𝑐, 𝑓 ∈ 𝒜, 𝑡 ∈ 𝑇

𝑇𝐻𝐹, 𝑁𝐵𝑜𝑐𝑓𝑡 , 𝑇𝐻𝑉𝑡 , 𝑇𝐹𝑉𝑡 , 𝑇𝐹𝐶𝑜𝑐𝑓𝑡 , 𝑇𝑉𝐶𝑜𝑓𝑡 , 𝐵𝐹𝑡 , 𝑇𝑉𝑡 , 𝐹𝐼𝑜𝑐𝑓 , 𝐹𝑇𝑜𝑐𝑓 ∈ +, ∀𝑜, 𝑐, 𝑓 ∈ 𝒜 ∈ 𝒜, 𝑡 ∈ 𝑇

Constraints

about the

nature of

decision

variables

33Introducción CSA




DSS

Metodología para Obtener la Frontera de

Pareto Resolvimos el modelo de cosecha MOLP usando el

método de -constraint (Haimes et al., 1971).

Paso 1: Identificar los peores y mejores valores de cada función objetivo (Demir et al., 2014).

Paso 2: Establecer el número de puntos para construir la frontera eficiente de Pareto para cada par de objetivos.

Paso 3: Analice los puntos obtenidos para establecer si son soluciones no dominadas e ilustre la frontera eficiente de Pareto obtenida. Si se obtienen valores inesperados, la implementación del método de -constraint debe ser revisada.

34Introducción CSA




DSS

Datos de un caso real

InstanciaHuertos

O1 O2 O3 O4 O5 O6

Modos de

CosechaHH HH HH HH HH HH

N°

Cuarteles9 20 22 4 2 10

35Introducción CSA




DSS

Resultados del Paso 1 – Caso Real

36

Funciones Objetivo Tiempo

Computacional

(seg)Costos (USD)

# Días

Cosecha

Pérdida

Fruta(kg)

392203.53 22093 893153.716 3600

406947.26 12936 7545441.821 115

797829,19 25376 850477.666 3600

1609343.43 10792 9266318.736 3600




DSS

Calendario de Cosecha – Menores Costos de Cosecha37

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

3 0 1 1 0 0 0 2 2 0 0 0 4 4 4 0

4 1 1 1 1 0 0 0 2 2 2 0 4 4 0 0

5 1 1 0 0 0 2 2 0 0 0 0 0 4 4 4

7 1 1 0 0 0 0 2 2 2 0 0 0 0 4 4

8 1 1 1 1 1 0 2 2 2 2 4 4 4 0 0

2 1 1 0 0 0 0 2 2 0 0 0 0 0 0 4

6 0 0 1 1 0 2 2 0 0 0 0 0 0 4 4

10 1 1 0 0 0 2 2 2 0 0 0 0 4 4 0

11 0 0 1 1 1 2 2 0 0 0 0 0 0 0 4

13 0 0 1 1 1 2 2 0 0 0 0 0 0 4 4

15 1 1 1 1 1 2 2 0 0 0 0 0 4 4 4

17 1 1 1 1 1 2 2 0 0 0 4 4 0 0 0

19 0 0 0 1 1 2 2 0 0 0 0 0 0 0 4

28 0 0 1 1 1 0 0 2 2 0 0 0 0 0 4

41 0 1 1 1 1 0 2 2 0 0 0 0 0 0 4

50 0 1 1 0 0 0 0 0 2 2 0 0 4 4 0

40 1 1 0 0 0 0 0 0 2 2 4 4 0 0 0

54 1 1 1 1 1 0 2 2 0 0 4 4 0 0 0

60 1 1 1 0 0 0 2 2 2 0 0 0 0 4 4

46 0 1 1 1 0 2 2 2 2 0 0 0 0 0 4

63 0 1 1 1 0 2 2 2 2 0 0 0 0 4 4

53 0 0 1 1 1 0 2 2 0 0 0 0 0 0 4

31 0 1 1 1 0 2 2 2 0 0 4 4 0 0 0

75 1 1 0 0 0 2 2 2 0 0 0 4 4 4 4

76 1 1 0 0 0 2 2 0 0 0 4 4 0 0 0

78 1 1 1 1 0 2 2 2 2 2 0 4 4 0 0




DSS

Calendario de Cosecha – Menor Pérdida de Fruta38

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

3 1 1 0 0 0 2 2 0 0 0 0 0 0 0 0 0 0 0 0 4

4 1 1 0 0 0 2 2 0 0 0 0 0 0 0 0 0 0 0 0 4

5 0 0 0 0 0 0 0 0 0 1 3 2 0 0 0 0 0 0 0 4

7 1 1 0 0 0 2 2 0 0 0 0 0 0 0 0 0 0 0 0 4

8 1 1 0 0 0 0 0 0 0 0 0 0 2 2 0 0 0 0 0 4

2 1 1 0 0 0 0 2 2 0 0 0 0 0 0 0 0 0 0 0 4

6 1 1 0 0 0 0 0 2 2 0 0 0 0 0 0 0 0 0 0 4

10 1 1 0 0 0 2 2 0 0 0 0 0 0 0 0 0 0 0 0 4

11 0 1 1 0 0 2 2 0 0 0 0 0 0 0 0 0 0 0 0 4

13 1 1 0 0 0 0 0 0 0 2 2 0 0 0 0 0 0 0 0 4

15 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 4

17 1 1 0 0 0 0 0 0 0 0 0 2 2 0 0 0 0 0 0 4

19 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 4

28 1 1 0 0 0 0 2 2 0 0 0 0 0 0 0 0 0 0 0 4

41 1 1 0 0 0 2 2 0 0 0 0 0 0 0 0 0 0 0 0 4

50 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 4

40 0 1 1 0 0 2 2 0 0 0 0 0 0 0 0 0 0 0 0 4

54 1 1 0 0 0 2 2 0 0 0 0 0 0 0 0 0 0 0 0 4

60 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 4

46 0 0 0 0 1 1 0 0 2 2 0 0 0 0 0 0 0 0 0 4

63 1 1 0 0 0 2 2 0 0 0 0 0 0 0 0 0 0 0 0 4

53 1 1 0 0 0 0 2 2 0 0 0 0 0 0 0 0 0 0 0 4

31 1 1 0 0 0 2 2 0 0 0 0 0 0 0 0 0 0 0 0 4

75 1 1 0 0 0 2 2 0 0 0 0 0 0 0 0 0 0 0 0 4

76 0 1 1 0 0 2 2 0 0 0 0 0 0 0 0 0 0 0 0 4

78 1 1 0 0 0 0 0 0 0 0 0 0 2 2 0 0 0 0 0 4




DSS

Calendario de Cosecha – Menores Días de Cosecha

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

3 1 1 0 0 0 2 2 0 0 0 0 0 0 0 0 0 0 0 0 4

4 1 1 0 0 0 2 2 0 0 0 0 0 0 0 0 0 0 0 0 4

5 1 1 0 0 0 2 2 0 0 0 0 0 0 0 0 0 0 0 0 4

7 1 1 0 0 0 2 2 0 0 0 0 0 0 0 0 0 0 0 0 4

8 1 1 0 0 0 2 2 0 0 0 0 0 0 0 0 0 0 0 0 4

2 1 1 0 0 0 2 2 0 0 0 0 0 0 0 0 0 0 0 0 4

6 1 1 0 0 0 2 2 0 0 0 0 0 0 0 0 0 0 0 0 4

10 1 1 0 0 0 2 2 0 0 0 0 0 0 0 0 0 0 0 0 4

11 1 1 0 0 0 2 2 0 0 0 0 0 0 0 0 0 0 0 0 4

13 1 1 0 0 0 2 2 0 0 0 0 0 0 0 0 0 0 0 0 4

15 1 1 0 0 0 2 2 0 0 0 0 0 0 0 0 0 0 0 0 4

17 1 1 0 0 0 2 2 0 0 0 0 0 0 0 0 0 0 0 0 4

19 1 1 0 0 0 2 2 0 0 0 0 0 0 0 0 0 0 0 0 4

28 1 1 0 0 0 2 2 0 0 0 0 0 0 0 0 0 0 0 0 4

41 1 1 0 0 0 2 2 0 0 0 0 0 0 0 0 0 0 0 0 4

50 1 1 0 0 0 2 2 0 0 0 0 0 0 0 0 0 0 0 0 4

40 1 1 0 0 0 2 2 0 0 0 0 0 0 0 0 0 0 0 0 4

54 1 1 0 0 0 2 2 0 0 0 0 0 0 0 0 0 0 0 0 4

60 1 1 0 0 0 2 2 0 0 0 0 0 0 0 0 0 0 0 0 4

46 1 1 0 0 0 2 2 0 0 0 0 0 0 0 0 0 0 0 0 4

63 1 1 0 0 0 2 2 0 0 0 0 0 0 0 0 0 0 0 0 4

53 1 1 0 0 0 2 2 0 0 0 0 0 0 0 0 0 0 0 0 4

31 1 1 0 0 0 2 2 0 0 0 0 0 0 0 0 0 0 0 0 4

75 1 1 0 0 0 2 2 0 0 0 0 0 0 0 0 0 0 0 0 4

76 1 1 0 0 0 2 2 0 0 0 0 0 0 0 0 0 0 0 0 4

78 1 1 0 0 0 2 2 0 0 0 0 0 0 0 0 0 0 0 0 4

39Introducción CSA




DSS

Conclusiones y Futuras Investigaciones El modelo puede apoyar decisiones tácticas complejas

para planificar la temporada de cosecha.

Hay un aumento considerable de los costos cuando se

minimiza el número de días de cosecha.

Cuando se minimiza la pérdida de fruta, los costos de

cosecha aumentan sólo alrededor del 3%.

Una metaheurística multi-objetivo será desarrollada para

mejorar los tiempos computacionales de solución.

Desarrollaremos un DSS para facilitar a los tomadores de

decisiones planificar la temporada de cosecha.

40Introducción CSA




DSS

41

Optimización de la CSF para Proceso




DSS

Tipos de Cámaras

Frío Convencional (CC)

Smart Fresh (SF)

Atmósfera Controlada(CA)

Actualmente, la planificación del transporte se realiza de acuerdo con laexperiencia de los gerentes de las plantas.

La selección del almacenamiento

depende de la capacidad de

almacenamiento, la calidad de la fruta

y la distancia de cada planta.

Propio

Arrendado

61%

26%

13%

42




DSS

Motivación

• Demanda 30,000 toneladas app. de productos frescos a 250 productores app., quienes ofrecen seis variedades de fruta con tres tipos de duración diferentes (corto, mediano y largo plazo).

• Competencia por fruta fresca destinada a pulpa, jugo, congelado, fresca).

Compra

• El tiempo de almacenamiento depende del tipo de cámara de refrigerado.

• Frío convencional (CC): máx. 3 meses (fruta de corto plazo).

• Smart Fresh (SF): máx. 6 meses (fruta de mediano plazo).

• Atmósfera controlada (CA): app. 9 meses (largo plazo).

• Existe competencia para arrendar las cámaras de frío.

Almacenamiento

43




DSS

Dificultades

Selección de proveedores a quien comprar

Calidad de la materia prima a

comprar

Modelo de Compra

Precios de la

Materia Prima

Costos de Administración

de los Productores

Demanda de Materia Prima

Materia Prima Disponible

Transportation Costs

44


•Toneladas a comprar al proveedor p, de lavariedad q, con tiempo de almacenamiento t

transportado por el camión l

•Número de viajes del camión l, desde el

productor p, con la variedad de fruta q




DSS

Modelo para la Compra

Selección de los Centros de Almacenamiento

Tipo de materia prima a

guardar en cada almacén

Modelo de

Almacenamiento

Precios de

Almacenamiento

Refrigerado

Constos de Instalación

de cada Almacén

Demanda de Fruta

Capacidad de

Almacenamiento

Costos de Transporte

45


•Toneladas de cada tipo de fruta q

con tiempo de almacenamiento t en

el almacén c en la cámara de frío n

transportado en el tipo de camión l.

•Número de viajes del tipo de camión

l al almacén c a la cámara de frío n.




DSS

Modelo para el Almacenamiento

El tercer modelo integra los dosanteriores para minimizar todos los costos

a la vez.

Los modelos han sido desarrollados para

mejorar la logística de una cadena de

suministro de manzana en Chile.

46

Estos modelos se pueden utilizar para

cualquier tipo de CSF y verduras que

tengan que considerar sualmacenamiento en cámaras antes de

ser procesadas.




DSS

Modelo Integrado para la Compra y el

Almacenamiento

El software de optimización utilizado fue ILOG-OPL, versión 6.1, con CPLEX-12.6,

instalado en una computadora con procesador Intel (R) Core (TM) i5-5300U,

procesador de 2.30 GHz, 8 GB de RAM y un disco duro de 600 GB.

El modelo se aplicó a una empresa chilena, localizada en Maule Región.

Unidades

Productores Número de Productores 279

AlmacenamientoCapacidad de

Almacenamiento(t)49,343

Demanda de

Fruta

Largo plazo (t) 12,160

Mediano plazo (t) 8,360

Corto plazo(t) 7,600

Oferta de Fruta



Corto plazo(t) 9,910

47

Caso de Aplicación




DSS

Variedad

Royal Gala Granny Smith Fuji Braeburn Pink Lady Rojas

ID Productor L M C L M C L M C L L L Compra (t)

2 0 0 0 64 0 0 0 55 0 0 0 0 119

4 33 0 0 0 41 0 46 0 0 0 0 0 121

5 0 0 0 0 0 0 0 0 0 0 87 0 16

8 0 0 0 0 0 25 0 0 0 0 0 0 25

10 113 0 0 0 19 0 0 0 107 0 0 0 239

… … … … … … … … … … … … … …

273 0 0 0 0 196 0 0 0 0 0 0 0 10

274 0 0 0 0 0 0 0 0 52 0 98 0 150

275 0 0 0 0 0 0 131 0 0 0 0 0 131

276 0 0 0 0 0 0 0 0 64 0 0 0 64

277 0 0 0 0 0 14 0 0 0 0 0 0 14

279 0 0 0 0 17 22 0 27 9 0 0 0 75

Total (t) 2.594 940 1.157 4.786 2.657 5.687 4.515 1.604 2.244 1.140 760 480 28.120

48

Compra Actual Compra Propuesta

Segregación Long Medium Short Total t Long Medium Short Total t

Royal Gala 772 1,986 3,476 6,234 2,611 755 1,193 4,559

Granny Smith 1,040 4,592 6,141 11,773 4,604 2652 5,663 12,919

Fuji 432 729 4,117 5,278 4,330 1,659 2,369 8,358

Braerburn 2,022 2,022 1,140 1,140

Pink Lady 2,451 2,451 760 760

Red 516 516 380 380

Total t 7,233 7,307 13,734 28,120 13,825 5,066 9,225 28,120




DSS

Resultados del Modelo Integrado

Real Storage Proposed Storage

Segregation CA SF CR Total t CA SF CR Total t

Long 6,878 354 7,232 13,826 13,826

Medium 7,215 91 7,306 5,067 5,067

Short 2,698 10,884 13,582 9,226 9,226

Total t 6,878 10,267 10,975 28,120 13,826 5,067 9,226 28,120

Storage

Capacity20,311 8,892 20,140 49,343 20,311 8,892 20,140 49,343

Total Cost (US$*) 56,149 85,073 86,792 228,015 110,884 41,666 37,375 189,925

Cámara de Frío Propuesta Capacidad

1 2 3 4 5 6 7 8 9 10 Almacén Almacén

Alm

ac

én

1 570 912 1,672 1,139 4,293 4,294

2 1,520 1,520 1,900 4,940 4,940

3 711 684 747 760 2,902 3,420

4 285 456 380 570 1,691 1,767

5 8,000

6 2,850

7 900 1,704 2,602 6,422

8 760 755 950 2,465 2,470

9 57 57 4,940

10 1,119 1,136 1,136 1,139 1,126 1,138 109 1,131 1,134 9,169 9,272

11 5,928

28,120 49,343

CA SF CC

49

Resultados del Modelo Integrado




DSS

Modelos separados

Costos de Compra

Costos de Almacenamiento

$1,580,659 $ 278,477

50

$1,593,341 $ 248,774 Modelos Integrados

$1,710,392 $ 297,914 Situación real

8% 7%

Comparación de Costos




DSS

Los modelos propuestos pueden aplicarse a diferentes tipos de agroindustrias que utilizan productos frescos en su procesamiento, tanto en forma individual como integradada, para apoyar decisiones tácticas de compra, transporte y almacenamiento.

La solución para las compras permite generar un plan de suministro de productos frescos para una planta agroindustrial.

Los resultados del plan de compras permitirían un ahorro aproximado de 8%.

Los resultados del plan de almacenamiento permitirían un ahorro aproximado de 7%.

El plan integrado permitiría una reducción de 8% en los costos totales.

51

Conclusiones del Desarrollo




DSS

Harvest

Processing Plants

Storage

Orchards

Process

Cold Storage Facilities

Transport Transport

Retail

Consumers

Transport

52

Estructura General




DSS

Apoyo a la toma de decisiones para apertura de

cámaras de frío y de transporte a las plantas

• La calidad de la fruta es importante para la selección deuna tecnología de almacenamiento en frío.

• Cada cámara de frío solo puede conservar un tipo de fruta.

Almacenamiento en Frío

• La flota de camiones se arrienda (tercerizada).

• Es necesario garantizar un número mínimo de viajes por camión para mantener una flota fija de camiones disponible diariamente.

Transporte

53




DSS

Motivación

Desarrollar un modelo de optimización para planificar el transporte

de fruta desde los centros de almacenamiento a las plantas de

proceso, con el objetivo de reducir los costos de transporte y los

costos de apertura de las cámaras, considerando la demanda de

las plantas y la oferta de fruta en cada tipo de instalación.

54




DSS

Objetivo

Modelo de Planificación de Apertura de Cámaras

Capacidad de las Plantas

Demanda de Fruta

Tamaño y Capacidad de la

Flota

Cantidad de Fruta en las Cámaras

Costos de Apertura y Transporte

Planificación de Transporte

Planificación de Apertura de Cámaras

Fruta a transporterdesde cada cámara

55


•kg of fruit to withdraw from cold storage k at period t withtruck r•Number of trips from cold storage k to the processing plantat period t and truck r•Inventory of fruit type i in cold storage k at period t in kg




DSS

Propuesta del Modelo

El modelo fue aplicado en una empresa chilena, cuyos

huertos están localizados en la Región Metropolitana y en la

Región de O'Higgins.

Parámetros Unidades

Camiones (4)

Capacidad: 10,400 kg 1



Tipos de Fruta Duraznos en Conserva (12 variedades) (t) 9,392.2

Total de Fruta Almacenada (t) 9,392.2

56




DSS

Caso de Aplicación

57

Día

Variedad 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 SFCs (t)

1 desde W6 (#12) 140.6 t 0

2desde W1 (#5) 150.1 t 0

desde W6 (#13) 123.5 t 114.8

3 desde W01 (#2) 123.5 t 118.6

4desde W6 (#9) 172.9 t 0

desde W6 (#8) 129.2 t 98.8

5 desde W6 (#10) 220.4 t 7.6

6 desde W4 (#3) 106.4 t 45.6

7 desde W1 (#4) 80.6 t 109.4

8 desde W1 (#3) 75.2 t 162.3

Resultados acerca de la Apertura de las Cámaras




DSS

58

Days during the period

Truck 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 Total (t)

Truck

1

t 3.0 13.3 18.6 16.7 11.0 12.9 9.5 15.2 19.0 19.0 15.2 15.2 19.0 15.2 15.2 218.2

trips 1 2 2 2 2 2 1 2 2 2 2 2 2 2 2 28

Truck

2

t 7.6 18.2 24.3 13.3 21.7 24.3 19.0 20.9 19.4 19.4 20.5 18.6 18.6 19.4 17.1 282.3

trips 1 2 2 2 2 2 2 2 2 2 2 2 2 2 2 29

Truck

3

t 12.2 24.3 18.6 21.7 19.0 20.5 15.2 17.1 18.6 18.6 17.5 19.4 19.4 18.6 20.9 281.6

trips 1 2 2 2 2 2 2 2 2 2 2 2 2 2 2 29

Truck

4

t 15.2 39.9 32.3 42.2 42.2 38.0 68.4 34.2 30.4 30.4 34.2 34.2 30.4 34.2 34.2 540.3

trips 1 2 2 2 2 2 4 2 2 2 2 2 2 2 2 31

Total t 38.0 95.8 93.9 93.9 93.9 95.8 112.1 87.4 87.4 87.4 87.4 87.4 87.4 87.4 87.4 1,322.4

Total trips 4 8 8 8 8 8 9 8 8 8 8 8 8 8 8 117

Resultados acerca de los Viajes de los Camiones




DSS

Costos de Apertura

de Cámaras

Costos de

Transporte

$37,398.63 $ 4,734.20

59

$36,427.53 $ 4,073.10 Propuesta obtenida

Situación Real

Reducción 5% 14%

Comparación de Costos




DSS

60

Algunas Conclusiones del Desarrollo




DSS

Podemos desarrollar herramientas para planificar la

apertura de las cámaras de frío, con el fin de satisfacer

la demanda de fruta fresca de las plantas, en un

horizonte de planificación finito.

Se observó una reducción del 15% en los costos de

transporte y del 5% en los costos de almacenamiento en

frío.

La propuesta obtenida fue aceptada por los

responsables de la toma de decisiones involucrados en

este desarrollo colaborativo.

Modelo de Programación Matemática

Estructura del DSS

Interfaz Gráfica

Base de Datos

61

Diseño del DSS




DSS

Estructura del DSS

62Introducción CSA




DSS

Interfaz de Inicio

63Introducción CSA




DSS

El modelo fue usado en una empresa chilena localizada en la Región del Maule.

Parameters Cantidad

Productores Número de productores 279

AlmacenesCapacidad de almacenamiento

disponible (t)49,343

Demanda de

Fruta



Corto plazo (t) 7,600

Oferta de Fruta



Corto plazo (t) 9,910

64Introducción CSA




DSS

Uso del DSS

65

Compra de Fruta Tipos de Calidad

Variedad Largo Plazo Mediano Plazo Corto Plazo Total Bins

Royal Gala 5,393 3,488 3,119 12,000

Granny Smith 11,139 8,119 14,742 34,000

Fuji 11,761 3,994 6,245 22,000

Brearburn 3,000 - - 3,000

Pink Lady 2,000 - - 2,000

Rojas 1,000 - - 1,000

Total (bins) 34,293 15,601 24,106 74,000




DSS

Reportes del DSS: Propuesta de Compra

66

ID Cámara de Frío

Variedad 1 2 3 4 5 6 7 8 9 10 11 Total Bins

Royal Gala 119 5,393 - - 988 3,000 - 2,500 - - - 12,000

Granny Smith - - 12,119 2,000 - 14,742 1,200 - - 3,939 - 34,000

Fuji - 5,900 - 3,165 - 6,245 2,696 3,994 - - - 22,000

Brearburn - - - - - - - - - 3,000 - 3,000

Pink Lady - - - 2,000 - - - - - - - 2,000

Rojas - - - - - - 750 - - - 250 1,000

Total 119 11,293 12,119 7,165 988 23,987 4,646 6,494 - 6,939 250 74,000

Reportes del DSS: Propuesta de Almacenamiento




DSS

67

Compra Q: Variedad

ID Productor Variety 1 Variety 2 Variety 3 Variety 4 Variety 5 Variety 6 Total

2 - 168 144 - - - 312

4 88 84 121 - - - 293

8 - 66 - - - - 66

10 298 50 282 - - - 630

13 - 724 - - - - 724

14 - - 408 - - - 408

15 64 - - - - - 64

16 - - 72 - - - 72

17 162 - 342 - - - 504

18 - - 112 - - - 112

20 68 57 - - - - 125

21 - 267 - - - - 267

22 72 - - - - - 72… … … … … … … …

277 - 37 - - - - 37

279 - 85 95 - - - 180

Total 12,000 34,000 22,000 3,000 2,000 1,000 74,000

Reportes del DSS: Plan de Compra




DSS

Debido a la naturaleza perecedera de la fruta y otros

alimentos frescos, la visibilidad en tiempo real de la

información de la CS es un elemento clave para tomar

buenas decisiones de gestión.

El uso de los datos recopilados a través de la CS y la

información del entorno es fundamental para cualquier DSS.

En este sentido, hay una oportunidad de usar e integrar

sensores y tecnologías de la información.

Permitirán obtener estadísticas e información en tiempo real

en todos los niveles de la CSA.

68

Oportunidades




DSS

69

El desarrollo e implementación de herramientas

tecnológicas generan claras mejoras en la eficiencia y la

productividad de la CSA.

Las mayores dificultades encontradas para aplicar e

implementar estas herramientas son:

Disponibilidad de datos.

Desarrollo de prototipos amigables para los tomadores de

decisiones.

Capacitación y motivación de los actores involucrados para

implementar las propuestas desarrolladas.

Conclusiones Finales

Introducción CSAPlanificación de

CosechasCompra y

AlmacenamientoApertura de

Cámaras

70

Soto-Silva, W.E., González-Araya, M.C., Oliva-Fernández, M.A., Plà-Aragonés, L.M., 2017,

“Optimizing Fresh Food Logistics for Processing: Application for a Large Chilean Apple

Supply Chain”, Computers & Electronics in Agriculture, vol. 136, pp. 42–57. Q1. DOI:

10.1016/j.compag.2017.02.020

Soto-Silva, W.E., Nadal-Roig, E., González-Araya, M.C., Pla-Aragonés, L.M., 2016,

“Operational Research Models Applied to the Fresh Fruit Supply Chain”, European Journal

of Operational Research, vol. 251, n° 2, pp. 345-355. Q1. DOI: 10.1016/j.ejor.2015.08.046.

Villalobos, J.R., Soto-Silva W., González-Araya M.C., González-Ramírez, R., “Decision

Support Models for Data-Enabled Fresh Produce Supply Chains: A Review and Research

Agenda”, submitted to Computers & Electronics in Agriculture, 1st revision.

Soto-Silva, W. E., González-Araya, M. C., Plà-Aragonés, L. M., “A System for Supporting

Fresh Fruit Purchase and Cold Storage Decisions”, submitted to Decision Support Systems

and Electronic Commerce, 1st revision (DECSUP-D-19-00311).

Gómez-Lagos, J. E., González-Araya, M. C., Soto-Silva, W. E., Rivera-Moraga, M. M.,

“Optimizing harvest tactical planning for several apple orchards using OR techniques”,

submitted to European Journal of Operational Research, 1st revision (EJOR-D-19-00861).

Referencias

Introducción CSAPlanificación de

CosechasCompra y

AlmacenamientoApertura de

Cámaras

71

¡Gracias por

su atención!

Dra. Marcela González Araya

Departamento de Ingeniería Industrial

Facultad de Ingeniería,

Universidad de Talca

[email protected]

“huella de carbono en la producciÓn de cereza … · planificación de cosechas una etapa...

Documents