• صفحه اصلی
  • طراحی شبکه زنجیره تامین زیست دیزل با در نظر گرفتن عوامل محیط زیستی تحت شرایط عدم قطعیت و حل آن با استفاده از الگوریتم MOPSO

اشتراک گذاری

آدرس مقاله


کد مقاله : JEST-1806-4360 (R1) بازدید : 177 صفحه: 13 - 27

10.30495/jest.2023.37374.4360

نوع مقاله: پژوهشی

طراحی شبکه زنجیره تامین زیست دیزل با در نظر گرفتن عوامل محیط زیستی تحت شرایط عدم قطعیت و حل آن با استفاده از الگوریتم MOPSO

محورهای موضوعی : توسعه پایدار

غلامرضا جندقی 1 , محمد رضا فتحی 2 , محمد حسن ملکی 3 , میثم مولوی 4

1 - استاد گروه مدیریت دولتی، دانشکده مدیریت و حسابداری، دانشکدگان فارابی دانشگاه تهران، قم، قم، ایران. *(مسوول مکاتبات)
2 - دانشیار گروه مدیریت صنعتی و فناوری، دانشکده مدیریت و حسابداری، دانشکدگان فارابی دانشگاه تهران، قم، قم، ایران.
3 - دانشیار گروه مدیریت، دانشکده اقتصاد و مدیریت دانشگاه قم، قم، ایران.
4 - دکتری مدیریت صنعتی، دانشکده مدیریت و حسابداری، دانشکدگان فارابی دانشگاه تهران، قم، قم، ایران.

تاریخ دریافت : 1397/04/09 تاریخ پذیرش : 1397/05/22 تاریخ انتشار : 1402/03/01

کلید واژه: زیست دیزل, طراحی شبکه زنجیره تامین, الگوریتم فراابتکاری, برنامه ریزی چند هدفه فازی,

چکیده مقاله :

زمینه و هدف: افزایش نگرانی‌ها در مورد انرژی و انتشار گازهای گلخانه‌ای حاصل از مصرف سوخت‌های فسیلی بسیاری از محققان را برآْن داشته است تا در توسعه‌ منابع انرژی های تجدیدپذیر نقش داشته باشند. سوخت زیستی می‌تواند نقش مهمی در این زمینه داشته باشد. هدف اصلی این مقاله ارایه یک مدل برنامه ریزی ریاضی برای شبکه زنجیره تامین زیست توده است. روش بررسی: محققین از طریق مطالعات کتابخانه ای و تهیه پرسش نامه به برآورد پارامترهای دارای عدم قطعیت و داده های مرتبط با آن پارامترهای مورد نظر پرداخته و سپس از طریق مصاحبه، نظرات خبرگان در مورد حدود و شکل تغییرات پارامترهای مورد نظر تصمیم گیری را جمع اوری کرده است. سپس یک مدل برنامه ریزی عدد صحیح مختلط چند هدفه فازی که به دنبال حداقل کردن هزینه ها، حداقل کردن اثرات محیط زیستی و حداقل کردن زمان رسیدن محصول به مشتری در یک زنجیره تامین زیست توده می باشد، ارایه کرده است. یافته ها: پس از حل مدل، مقادیر سه تابع هدف حداقل کردن هزینه کل، حداقل کردن اثرات محیط زیستی و حداقل کردن زمان رسیدن محصول به مشتری به ازای مقادیر مختلف درجه برقراری محدودیت به دست آمدند. براساس نتایج به دست آمده، دو تابع هدف اقتصادی و محیط زیستی با یکدیگر در تضاد هستند. به این معنا که حرکت هر یک به سمت مطلوب مستلزم حرکت تابع هدف دیگر به سمت نامطلوب خواهد بود. بحث و نتیجه گیری: در این پژوهش مدل برنامه ریزی ریاضی پیشنهادی با الگوریتم MOPSO حل شده است که نتایج آن نشان دهنده مکان و ظرفیت تسهیلات، میزان تولید زیست دیزل و گلیسرین، میزان روغن استخراج شده جاتروفا و روغن پسماند تصفیه شده می باشند.

چکیده انگلیسی:

Background and Objective: Increasing concerns about energy and greenhouse gas emissions from fossil fuel consumption have encouraged many researchers to be involved in developing sources of renewable energies. Biodiesel derived from biomass can play a crucial role in this context. The main objective of this paper is to present a mathematical programming model for the biomass supply chain. Material and Methodology: Researcher through library research and preparing a questionnaire to estimate parameters and data associated with the uncertainty of parameters and then through interviews, expert opinions about the limits and changes to the decision-making parameters have collected. Then a fuzzy multi-objective mixed integer programming model is presented that model to minimize costs, minimize environmental impact and minimize the time of delivery of product in Biodiesel Supply Chain. Findings: After running the model, increasing objective function is to minimize the total cost, minimize environmental impact and minimizing the time the product reaches the customer contact temperature limits for different values were obtained. Discussion and Conclusion: In this study, the proposed mathematical programming model is solved with the MOPSO algorithm. The results indicate the location and capacity of the facility, the amount of biodegradable and glycerin production, and the amount of extracted Jatropha oil and refined waste oils.

منابع و مأخذ:


  1. Sathre, R. )2014(. Comparing the heat of combustion of fossil fuels to the heat accumulated by their lifecycle greenhouse gases, Fuel, 115, 674–677.
    2.
  2. Bashiri, M and M. Sherafati. (2013). Advanced Bi-objective closed loop supply chain network design considering correlated criteria in fuzzy environment, Journal of Industrial Engineering Research in Production Systems, 1(1), 25-36. (In Persian)
    3.
  3. Simchi- Levi, D., P. Kaminsky and E. Simchi- Levi. (2003). managing the Supply chain: The Definitive Guide for the Business professional, Mcgraw- hill.
    4.
  4. Morrow, W.R., Griffin, W.M., Matthews, H.S. (2006). Modeling switchgrass derived cellulosic ethanol distribution in the United States, Environ. Sci. Technol, 40,2877–2886.
    5.
  5. Ren, J., Manzardo, A., Toniolo, S., Scipioni, A., Tan, S., Dong, L., Gao, S. (2013). Design and modeling of sustainable bioethanol supply chain by minimizing the total ecological footprint in life cycle perspective, Bioresour Technol, 146, 771–774.
    6.
  6. Sharma, B., Ingalls, R.G., Jones, C.L., Huhnke, R.L., Khanchi, A. (2013). Scenario optimization modeling approach for design and management of biomass-to-biorefinery supply chain system, Bioresour Technol, 150, 163–171.
    7.
  7. Tong, K., Gleeson, M.J., Rong, G., You, F. (2014). Optimal design of advanced drop-in hydrocarbon biofuel supply chain integrating with existing petroleum refineries under uncertainty, Biomass Bioenergy, 60, 108–120.
    8.
  8. Bairamzadeh, S., Pishvaee, M.S., Saidi-Mehrabad, M. (2015) Multi objective robust possibilistic programming approach to sustainable bioethanol supply chain design under multiple uncertainties, Ind. Eng. Chem. Res, 55, 237–256.
    9.
  9. Babazadeh, R., Razmi, J., Pishvaee, M.S., Rabbani, M. )2016(. A sustainable second-generation biodiesel supply chain network design problem under risk, Omega, in press.
    10.
  10. Tong, K., Gong, J., Yue, D., You, F. (2013). Stochastic programming approach to optimal design and operations of integrated hydrocarbon biofuel and petroleum supply chains, ACS Sustain. Chem. Engine, 2, 49–61.
    11.
  11. Singh, A., Chu, Y., You, F. (2014). Biorefinery supply chain network design under competitive feedstock markets: an agent-Based simulation and optimization approach, Ind. Eng. Chem. Res, 53, 15111–15126.
    12.
  12. Pishvaee, M.S. and Torabi S.A. (2010). A possibilistic programming approach for closed-loop supply chain network design under uncertainty, Fuzzy Sets and Systems, 161, 2668 –2683.
    13.
  13. Tang, C.S. and Zhou, S. (2012). Research advances in environmentally and socially sustainable operations, European Journal of Operational Research, 223, 585–594.
    14.

 

 

 

 

 

 

 

 

_||_

  1. Sathre, R. )2014(. Comparing the heat of combustion of fossil fuels to the heat accumulated by their lifecycle greenhouse gases, Fuel, 115, 674–677.
    2.
  2. Bashiri, M and M. Sherafati. (2013). Advanced Bi-objective closed loop supply chain network design considering correlated criteria in fuzzy environment, Journal of Industrial Engineering Research in Production Systems, 1(1), 25-36. (In Persian)
    3.
  3. Simchi- Levi, D., P. Kaminsky and E. Simchi- Levi. (2003). managing the Supply chain: The Definitive Guide for the Business professional, Mcgraw- hill.
    4.
  4. Morrow, W.R., Griffin, W.M., Matthews, H.S. (2006). Modeling switchgrass derived cellulosic ethanol distribution in the United States, Environ. Sci. Technol, 40,2877–2886.
    5.
  5. Ren, J., Manzardo, A., Toniolo, S., Scipioni, A., Tan, S., Dong, L., Gao, S. (2013). Design and modeling of sustainable bioethanol supply chain by minimizing the total ecological footprint in life cycle perspective, Bioresour Technol, 146, 771–774.
    6.
  6. Sharma, B., Ingalls, R.G., Jones, C.L., Huhnke, R.L., Khanchi, A. (2013). Scenario optimization modeling approach for design and management of biomass-to-biorefinery supply chain system, Bioresour Technol, 150, 163–171.
    7.
  7. Tong, K., Gleeson, M.J., Rong, G., You, F. (2014). Optimal design of advanced drop-in hydrocarbon biofuel supply chain integrating with existing petroleum refineries under uncertainty, Biomass Bioenergy, 60, 108–120.
    8.
  8. Bairamzadeh, S., Pishvaee, M.S., Saidi-Mehrabad, M. (2015) Multi objective robust possibilistic programming approach to sustainable bioethanol supply chain design under multiple uncertainties, Ind. Eng. Chem. Res, 55, 237–256.
    9.
  9. Babazadeh, R., Razmi, J., Pishvaee, M.S., Rabbani, M. )2016(. A sustainable second-generation biodiesel supply chain network design problem under risk, Omega, in press.
    10.
  10. Tong, K., Gong, J., Yue, D., You, F. (2013). Stochastic programming approach to optimal design and operations of integrated hydrocarbon biofuel and petroleum supply chains, ACS Sustain. Chem. Engine, 2, 49–61.
    11.
  11. Singh, A., Chu, Y., You, F. (2014). Biorefinery supply chain network design under competitive feedstock markets: an agent-Based simulation and optimization approach, Ind. Eng. Chem. Res, 53, 15111–15126.
    12.
  12. Pishvaee, M.S. and Torabi S.A. (2010). A possibilistic programming approach for closed-loop supply chain network design under uncertainty, Fuzzy Sets and Systems, 161, 2668 –2683.
    13.
  13. Tang, C.S. and Zhou, S. (2012). Research advances in environmentally and socially sustainable operations, European Journal of Operational Research, 223, 585–594.
    14.

 

 

 

 

 

 

 

 

مقالات مرتبط

حقوق این وب‌سایت متعلق به سامانه مدیریت نشریات دانشگاه آزاد اسلامی است.
حق نشر © 1403-1400

صفحه اصلی| عضویت/ ورود| درباره سند| تماس با ما|
[English] [العربية] [en] [ar]