Providing a model of intelligent management systems for sustainable and resilient production systems in the cement industry in order to improve social development

Subject Areas : Journal of Iranian Social Development Studies

Eshagh Jamal omidi ¹ , mohammadali keramati ^{2 *} , Mehdi Rajabiun ³ , Safiyeh Mehrenejad ⁴

1 - Department of Industrial Management, Central Tehran Branch, Islamic Azad University, Tehran, Iran
2 - Department of Industrial Management, Central Tehran Branch, Islamic Azad University, Tehran, Iran
3 - Department of Business Management, Central Tehran Branch, Islamic Azad University, Tehran, Iran
4 - Department of Financial Management, Central Tehran Branch, Islamic Azad University, Tehran, Iran

Received: 2024-04-17 Accepted : 2024-05-28 Published : 2024-06-10

Keywords: Intelligent management systems, sustainable and resilient production systems, cement industry, VIS algorithm,

Abstract :

In the context of providing a model of intelligent management systems for sustainable and resilient production systems in the cement industry in order to improve social development, it is very vital to perform multiple analyzes to select the best algorithms to improve the performance of management systems. In this research, an issue related to production based on the model of intelligent management systems for sustainable and resilient production systems in the cement industry has been investigated. The main goal of this problem is to improve the production system in such a way that stability is maintained uniformly in the production process. In this production process, Poisson distribution and implementation of artificial intelligence are used in production with exponential distribution. Also, two main limitations have been set on this issue; One related to the total number of productions that are created and the other related to the maximum production time limit. This issue has three goals in mind. The first objective is to reduce the average production expectation as the main objective. The second goal is to minimize the amount of environmental damage in the production process. The third goal is to maximize the total functionality of the devices per unit of time. For this purpose, VIS, CNSGA-II, NSGA-II, MISA, NNIA and NRGA algorithms were used in MATLAB software. VIS algorithm showed the best performance in most criteria.

References:

1. ضیایی، آرسام. (1401). مدیریت کردن نوآوری در قرن 21 با استفاده از هوش مصنوعی. کنفرانس بین المللی مدیریت و صنعت. SID. https://sid.ir/paper/949988/fa
2. کرباسی, شیرین, هاشم زاده خوراسگانی, غلامرضا, خمسه, عباس فتحی هفشجانی, کیامرث. (1401). مدلی برای تدوین نقشه راه فناوری صنعت نسل 0.4 با رویکرد مدیریت هوشمند در صنایع تجهیزات نیروگاهی و تأمین انرژی. مطالعات مدیریت کسب و کار هوشمند، 11- 189-220.
3. ملکی, محمد حسن, میرزایی, مونا, رحیمیان اصل, محمد مهدی. (1401). سناریونگاری صنعت سیمان در ایران با رویکرد آمیخته. بهبود مدیریت, 16(3), 60-88.
4. کرمی، ذبیح الله. حسینی، سیدروح الله. دامغانیان، تقی. (1401). مدل ادراک کارکنان از هوش مصنوعی در کار با استفاده از فن داده بنیاد. توسعه مدیریت منابع انسانی و پشتیبانی، 65: 53-90.
5. جمالی، غلامرضا، و الهام کریمی اصل (1397). "موقعیت رقابتی زنجیره تأمین لارج در صنعت سیمان و تحلیل اهمیت عملکرد الزامات راهبردی مرتبط با آن"، فصلنامه مطالعات مدیریت صنعتی، دوره ،16 شماره 50 )1397(: .53-77
6. حسن پور راد، علی و علیزاده قادیکلائی، مهدی، (1401). هوش مصنوعی و چالش‌های پیش رو در تعامل اعضای یک سازمان، سومین کنفرانس ملی پژوهش‌های سازمان و مدیریت، تهران
7. حشمدار، اکرم. کردی، مراد. (1401). بررسی اثربخشی سیستم‌های هوش مصنوعی در کارکردهای منابع انسانی. پژوهش‌های معاصر در علوم مدیریت و حسابداری، 12: 1-6.
8. سلیمی زاویه, سید قاسم. (1398). مروری بر سیستم‌های تولید هوشمند و روندهای آینده. فصلنامه توسعه تکنولوژی صنعتی, 17(38), 13-24.
9. منوچهری کلانتری، فرزاد، (1397). تکنولوژی نوین آنالیزگرهای هوشمند بر خط عنصری در صنعت سیمان،چهارمین کنفرانس ملی صنعت سیمان و افق پیش رو،تهران،
10. سیدشمالی، سیدمهدی و صادقیان، سیدحمیدرضا،1396،توسعه مدل تولیدچابک بادرنظرگرفتن پایداری وتاب‌آوری سیستم‌های تولیدی،اولین کنفرانس بین المللی بهینه‌سازی سیستم‌ها و مدیریت کسب و کار،بابل
11. فلاحی، علی ومجید كفاشی(1397(بررسی اثرتوسعه اجتماعی بر سلامت اجتماعی در کلان شهر تهران مجله مطالعات توسعه اجتماعی ایران. سال 10 شماره 2 بهار 1397 72-59
12. واعظ زاده، ساجده(1394)مولفه هاي پایداري اجتماعی در برنامه هاي توسعه ایران مجله مطالعات توسعه اجتماعی ایران. ،شماره 7 ،2:1394 .45-59
13. بلوچي، اسماء (1401)طراحي الگویي براي شهر هوشمند با الهام از مفروضات خدمات دولتي نوین و ارزیابي مؤلفه هاي زیرساختي آن در شهرداري بندرعباس. مجله مطالعات توسعه اجتماعی ایران 2 159-189
14. حيدري، تارا(1401) نقش مشاركت شهروندان در حکمروایي خوب شهري(نمونه موردي: منطقه2 شهر شيراز) مجله مطالعات توسعه اجتماعی ایران37 35 -66
15. Afanasyev, V.Y., Lyubimova, N.G., Ukolov, V.F. & Shayakhmetov, S.R. (2019), Digitalization of energy manufacture: infrastructure, supply chain strategy and communication International Journal of Supply Chain Management, 8 (4). 601-609.
16. Alharthi, S., Cerotti, P.R. & Far, S.M. (2020). An exploration of the role of blockchain in the sustainability and effectiveness of the pharmaceutical supply chain, Journal of Supply Chain and Customer Relationship Management, 1-29.
17. Alonso-Muñoz, S. González-Sánchez, R., Siligardi, C., & García-Muiña, F. E. (2021). New circular networks in resilient supply chains: An external capital perspective. Sustainability, 13(11), 6130
18. Appolloni, A., Jabbour, C.J.C., D'Adamo, I., Gastaldi, M. & Settembre-Blundo, D. (2022). Green recovery in the mature manufacturing industry: the role of the green-circular premium and sustainability certification in innovative efforts. Ecological Economics, 193, 1-9.
19. Ardito, L., Scuotto, V., Del Giudice, M. and Petruzzelli, A.M. (2018). A bibliometric analysis of research on Big Data analytics for business and management. Management Decision, 57 (8), 1993-2009.
20. Bagloee, S.A., Heshmati, M., Dia, H., Ghaderi, H., Pettit, C. & Asadi, M. (2021), “Blockchain: the operating system of smart cities. Cities, 112, 103-104
21. Battisti, S., Agarwal, N. & Brem, A. (2022). Creating new tech entrepreneurs with digital platforms: Meta-organizations for shared value in data-driven retail ecosystems. Technological Forecasting Social Change, 175, 121392.
22. Bayramova, A., Edwards, D. J., & Roberts, C. (2021). The role of blockchain technology in augmenting supply chain resilience to cybercrime. Buildings, 11(7), 283
23. Belhadi, A., Kamble, S., Fosso Wamba, S. & Queiroz, M.M. (2022). Building supply-chain resilience: an artificial intelligence-based technique and decision-making framework. International Journal of Production Research, 60(14), 4487-4507.
24. Birkel, H. S., & Müller, J. M. (2020). Potentials of industry 4.0 for supply chain management within the triple bottom line of sustainability—A systematic literature review. Journal of Cleaner Production, 289, 125612
25. Chen, C., Feng, Y. & Shen, B. (2022). Managing labor sustainability in digitalized supply chains: a systematic literature review. Sustainability, 14(7), 1-19.
26. D'Adamo, I. (2022). The analytic hierarchy process as an innovative way to enable stakeholder engagement for sustainability reporting in the food industry. Environment Development Sustainability, Vol. ahead-of-print No. ahead-of-print, doi: 10.1007/s10668-022-02700-0.
27. Deloitte (2020). COVID-19 Managing supply chain risk and disruption. Report Authors; Kilpatrick, J. & Barter, L. Contributors; Alexander, .C, Brown, J., Calderon, R., Carruthers, R., Joyce, P. & Xu, L. Deloitte Development LLC. Deloitte Design Studio, Canada. 20–6536
28. Dohale, V., Akarte, M., Gunasekaran, A. & Verma, P. (2022). Exploring the role of artificial intelligence in building production resilience: learnings from the COVID-19 pandemic. International Journal of Production Research, Vol. ahead-of-print, 1-17, doi: 10.1080/00207543.2022.2127961.
29. Dubey, R., Bryde, D.J., Dwivedi, Y.K., Graham, G. & Foropon, C. (2022). Impact of artificial intelligence-driven big data analytics culture on agility and resilience in humanitarian supply chain: a practice-based view. International Journal of Production Economics, Vol. ahead-of-print No. ahead-of-print, doi: 10.1016/j.ijpe.2022.108618.
30. Dzalbs, I., & Kalganova, T. (2020). Accelerating supply chains with Ant Colony Optimization across a range of hardware solutions. Computers & Industrial Engineering, 147, 106610
31. Faasolo, M. B., & Sumarliah, E. (2022). An Artificial Neural Network examination of the intention to implement blockchain in the supply chains of SMEs in Tonga. Information Resources Management Journal (IRMJ), 35(1), 1–27
32. Gupta, S., Modgil, S., Bhattacharyya, S., &Bose, I. (2021). Artificial intelligence for decision support systems in the field of operations research: review and future scope of research. Annals of Operations Research, 308(1), 1–60
33. Harfouche, A., Quinio, B., Saba, M. & Saba, P.B. (2022). The recursive theory of knowledge augmentation: integrating human intuition and knowledge in artificial intelligence to augment organizational knowledge. Information Systems Frontiers, 1-16, doi: 10.1007/s10796-022-10352-8.
34. Helo, P. & Hao, Y. (2022). Artificial intelligence in operations management and supply chain management: an exploratory case study. Production Planning and Control, 33(16), 1573-1590.
35. Jarrahi, M. H. (2018). Artificial intelligence and the future of work: Human-AI symbiosis in organizational decision making. Business Horizons, 61(4), 577–586
36. Joshi, S. & Sharma, M. (2022). Impact of sustainable supply chain management on performance of SMEs amidst COVID-19 pandemic: an Indian perspective”, International Journal of Logistics Economics and Globalisation, 9(3), 248-276
37. Karmaker, C. L., Ahmed, T., Ahmed, S., Ali, S. M., Moktadir, M. A., & Kabir, G. (2021). Improving supply chain sustainability in the context of COVID-19 pandemic in an emerging economy: Exploring drivers using an integrated model. Sustainable Production and Consumption, 26, 411–427

Full-Text:



Journal of Iranian Social Development Studies (JISDS)

2024 (Summer), Vol. 16, No. 3

 

 

 

 

 

Providing a model of intelligent management systems for sustainable and resilient production systems in the cement industry in order to improve social development

 

 

 

Eshagh Jamal Omedi ¹ 

Department of Industrial Management, Central Tehran Branch, Islamic Azad University, Tehran, Iran

Mohammadali Keramti ²*

Department of Industrial Management, Central Tehran Branch, Islamic Azad University, Tehran, Iran (corresponding author)

Mehdi Rajabion ³

Department of Business Management, Central Tehran Branch, Islamic Azad University, Tehran, Iran

Safia Mehrinejad 

Department of Financial Management, Central Tehran Branch, Islamic Azad University, Tehran, Iran

 

 

Abstract: According to the views of sociologists, the main players in the development process are humans, whose social organization patterns play a major role in determining appropriate solutions and measures to achieve sustainable development. In fact, experience shows that neglecting social factors in the development process, the effectiveness of programs and projects faces a serious risk. Social development is a process that changes social structures from a new form and builds institutions. Which cause cohesion and cohesion within the society, also social stability means supporting the equal distribution of resources, supporting diversity in the society, trying to meet the basic needs of the people and investing in human and social resources, through them, Key economic and environmental goals are realized In the context of providing a model of intelligent management systems for sustainable and resilient production systems in the cement industry in order to improve social development, it is very vital to perform multiple analyzes to select the best algorithms to improve the performance of management systems. In this research, an issue related to production based on the model of intelligent management systems for sustainable and resilient production systems in the cement industry has been investigated. The main goal of this problem is to improve the production system in such a way that stability is maintained uniformly in the production process. In this production process, Poisson distribution and implementation of artificial intelligence are used in production with exponential distribution. Also, two main limitations have been set on this issue; One related to the total number of productions that are created and the other related to the maximum production time limit. This issue has three goals in mind. The first objective is to reduce the average production expectation as the main objective. The second goal is to maximize and improve social development in line with the proper foundation in the production process. The third goal is to maximize the total functionality of the devices per unit of time. For this purpose, VIS, CNSGA-II, NSGA-II, MISA, NNIA and NRGA algorithms were used in MATLAB software. VIS algorithm showed the best performance in most criteria. CNSGA-II and MISA algorithms are almost second and show almost similar performances. NSGA-II algorithm is ranked next. The NNIA algorithm is in the next place in terms of performance, and the worst performance is assigned to the NRGA algorithm. These analyzes are done in order to evaluate the performance of algorithms in different criteria. The results obtained from these analyze show that the VIS algorithm generally shows the best performance. This means that VIS is recognized as a suitable intelligent management algorithm for improving sustainable production and resilience in the cement industry. In addition to VIS, other algorithms such as CNSGA-II and MISA are also close to each other and in second place in various criteria. These algorithms have similar functions and can make similar improvements in intelligent management systems for the cement industry.

 

Keywords: Intelligent management systems, social development, sustainable and resilient production systems, cement industry, VIS algorithm.

 

---

[1] 1 (E mail: [e-mail])

[2] 2 (E mail: [e-mail])

[3] 3 (E mail: [e-mail])

 

 

 

ارائه الگوی سیستم‏های مدیریت هوشمند برای سیستم‏های تولید پایدار و تاب‌آور در صنعت سیمان در راستای بهبود توسعه اجتماعی

اسحاق جمال امیدی¹، محمدعلی کرامتی²*، مهدی رجبیون³، صفیه مهری نژاد ⁴

 

تاریخ دریافت مقاله: 29/01/1403                تاریخ پذیرش مقاله: 08/03/1403

 

چکیده

بر اساس دیدگاه‏هاي جامعه شناسان، بازیگران اصلی در فرایند توسعه انسان‏ها هستند كه الگوهاي سازمان اجتماعی آنها به منظور تعیین راه‏حل‏ها و تدابیر مناسب در جهت دستیابی به توسعه پایار نقش عمده را ایفا می‏كند. در واقع، تجربه نشان می‏دهد كه بی توجهی به عوامل اجتماعی در خلل فرایند توسعه،اثر بخشی برنامه‏ها و پروژه‏ها را با مخاطره جدي مواجه می‏سازد توسعه اجتماعی، فرآیندي است كه ساختارهاي اجتماعی را از شكل نوین تغییر می‏دهد و نهادهایی ساخته می‏شود كه موجب انسجام وهمبستگی دردرون جامعه می‏شوند همچنین پایداري اجتماعی به معناي حمایت از توزیع برابر منابع، حمایت از تنوع در جامعه، تلاش در جهت رفع نیاز‏هاي اساسی مردم و سرمایه گذاري در منابع انسانی و اجتماعی است،كه از طریق آنها،اهداف كلیدي اقتصادي و زیست محیطی تحقق می‏یابد. در زمینه ارائه الگوی سیستم‏های مدیریت هوشمند برای سیستم‏های تولید پایدار و تاب‌آور در صنعت سیمان در راستای بهبود توسعه اجتماعی، انجام تحلیل‌های متعدد برای انتخاب بهترین الگوریتم‌ها به منظور بهبود عملکرد سیستم‏های مدیریت بسیار حیاتی است. در این تحقیق، یک مسأله مرتبط با تولید بر اساس الگوی سیستم‏های مدیریت هوشمند برای سیستم‏های تولید پایدار و تاب‌آور در صنعت سیمان مورد بررسی قرار گرفته است. هدف اصلی این مسأله بهبود سیستم تولید به نحوی است که پایداری به صورت یکنواخت در روند تولید حفظ شود. در این فرآیند تولید، از توزیع پوآسن و اجرای هوش مصنوعی در تولید با توزیع نمایی استفاده می‏شود. همچنین، دو محدودیت اصلی بر روی این مسأله تعیین شده‌اند؛ یکی مرتبط با تعداد کل تولیداتی که ایجاد می‌شوند و دیگری مرتبط با محدودیت حداکثر زمان تولید. این مسأله سه هدف را در نظر دارد. هدف اول، کاهش متوسط میزان انتظار تولید را به عنوان هدف اصلی دارد. هدف دوم، به ماکزیمیم کردن و بهبود توسعه اجتماعی در راستای زمینه سازی مناسب در فرآیند تولید می‌پردازد. هدف سوم نیز به ماکزیمم کردن کل کارکرد دستگاه‌ها در واحد زمان پرداخته است. بدین منظور از الگوریتم‌های VIS، CNSGA-II، NSGA-II، MISA، NNIA و NRGA در نرم افزار متلب استفاده شد. الگوریتم VIS در اکثر معیارها، بهترین عملکرد را از خود نشان داد. الگوریتم‌های CNSGA-II و MISA تقریباً در رتبه دوم قرار گرفته و عملکردهای تقریباً مشابهی را از خود نشان می‌دهند. الگوریتم NSGA-II در رتبه بعدی قرار می‌گیرد. در مقام جایگاه بعدی از لحاظ عملکرد، الگوریتم NNIA واقع می‏شود و بدترین عملکرد را الگوریتم NRGA به خود اختصاص می‏دهد. این تحلیل‌ها به منظور ارزیابی عملکرد الگوریتم‌ها در معیارهای مختلف صورت می‌گیرد. نتایج به دست آمده از این تحلیل‌ها نشان می‏دهد که الگوریتم VIS به طور کلی بهترین عملکرد را از خود نشان می‏دهد. این به این معناست که VIS به عنوان یک الگوریتم مدیریت هوشمند مناسب برای بهبود تولید پایدار و تاب‌آوری در صنعت سیمان شناخته می‏شود. علاوه بر VIS، دیگر الگوریتم‌های نظیر CNSGA-II و MISA نیز در معیارهای مختلف نزدیک به هم و در رتبه دوم قرار دارند. این الگوریتم‌ها عملکردهای مشابهی دارند و می‌توانند بهبودهای مشابهی در سیستم‏های مدیریت هوشمند برای صنعت سیمان ایجاد کنند.

 

واژگان کلیدی: سیستم‏های مدیریت هوشمند، توسعه اجتماعی، سیستم‏های تولید پایدار و تاب‌آور، صنعت سیمان، الگوریتم VIS

مقدمه

پیوند علمی و صنعتی توسعه سیستم‏های تولید پایدار و انعطاف‌پذیر در تضمین سیستم‏های تولید و خدمات اثبات‌شده در آینده، ازجمله زنجیره‌های تأمین و شبکه‌های لجستیکی آن‌ها نهفته است. "پایداری" و "تاب‌آوری" الزامات ضروری برای تولید رقابتی و ارائه خدمات در حال حاضر و در آینده هستند (کازاناوگلو و همکاران⁵، 2023). فناوری‌های صنعت 4، مانند هوش مصنوعی؛ مدل‌های کمک تصمیم‌گیری؛ تولید مواد افزودنی و ترکیبی؛ واقعیت افزوده، مجازی و ترکیبی؛ ربات‌های صنعتی، مشارکتی، موبایلی و نرم‌افزاری (آفانسایو و همکاران⁶، 2019)؛ شبیه‌سازی‌های پیشرفته و دوقلوهای دیجیتال و حسگرهای هوشمند و شبکه‌های صنعتی هوشمند (الهارتی و همکاران⁷، 2020)، توانمندسازهای کلیدی برای ایجاد قابلیت‌های دیجیتال و هوشمند جدید در سیستم‏های تولید فیزیکی- سایبری نوظهور در حمایت از برنامه‌ریزی و کنترل عملیات کارآمدتر و مؤثرتر هستند (دی آدامو⁸، 2023).

این‌ها به تولیدکنندگان و ارائه‌دهندگان خدمات اجازه می‏دهد تا مدل‌های تجاری و عملیاتی پایدارتر و انعطاف‌پذیرتری را کشف کنند (هارفوچ و همکاران⁹، 2022). با استفاده نوآورانه از فناوری‌های فوق‌الذکر و قابلیت‌های فعال آن‌ها، می‌توانند خط پایین سه‌گانه پایداری اقتصادی، زیست‌محیطی و اجتماعی را دنبال کنند (جوشی و همکاران¹⁰، 2022). علاوه بر این، شرکت‌های صنعتی قادر خواهند بود در برابر اختلالاتی که تداوم عملیات آن‌ها را تهدید می‏کند، مقاومت کرده و به‌سرعت بهبود یابند. این در مواجهه با محیط‌های تجاری مختل، پیچیده، متلاطم و نامطمئن، مانند محیطی است که توسط همه‌گیری کووید-19 ایجادشده است، یا فشارهای محیطی که خواستار جدا کردن رشد اقتصادی از استفاده از منابع و انتشار آلودگی است (دوبی و همکاران¹¹، 2022).

صنایع تولیدی به دلیل رقابت فزاینده، هزینه‌ها و پیشرفت‌های سریع فناوری در سراسر جهان در حال تبدیل‌شدن به ساختاری ظریف‌تر و پیچیده‌تر است (هیلو و همکاران¹²، 2022). این امر مدیریت سیستم‏های تولیدی را به سمت دستیابی به رشد سبز سوق می‏دهد، اگرچه این امر از دیدگاه پایداری چالش‌برانگیز است. برای این در سیستم‏های تولیدی نظارت، کنترل و پایدار و انعطاف‌پذیر بودن دشوار می‏شود. علاوه بر این، پایداری و انعطاف‌پذیری در حال حاضر به‌عنوان مهم‌ترین موضوع برای شرکت‌ها در سراسر جهان مطرح‌شده است. مدیریت تولید پایدار در مدیریت عملیات زنجیره تأمین، منابع، اطلاعات و منابع مالی برای به حداکثر رساندن رفاه اجتماعی (کومار و همکاران¹³، 2021) و سودآوری زنجیره تأمین و درعین‌حال به حداقل رساندن اثرات زیست‌محیطی است (لئونی و همکاران¹⁴، 2022). علاوه بر این، انعطاف‌پذیری سیستم تولید را می‌توان به‌عنوان قدرت زنجیره تأمین برای مقابله با تغییرات غیرمنتظره در حداقل سطح (الونسو و همکاران¹⁵، 2021) برای مقاومت در برابر بحران‌ها و حفظ تداوم آن‌ها علیرغم تغییرات در بازار تعریف کرد. بنابراین، پایداری و تاب‌آوری صنایع تولیدی مفاهیمی هستند که بر یکدیگر تأثیر می‌گذارند (آپولونی و همکاران¹⁶، 2022).

در دنیایی زندگی می‏كنیم كه توجه به كیفیت زندگی انسانی و تعامل حداكثري با طبیعت از اهمیت روز افزونی برخورداد شده است. بر همین اساس دستیابی به یک زندگی سالم، با نشاط و مداوم، با بهره‏گیري از امكانات مادي و معنوي بدون تخریب محیط زیست و به خطر افكندن منافع نسل‏هاي آینده رأس توجه اهداف توسعه این هزاره قرار گرفته است. در این راستا یكی از موضوعات بین المللی مورد توجه در دهه‏هاي پایانی قرن بیستم و آغاز هزاره سوم، گفتمان "توسعه پایدار" و سیاست‏هاي اتخاذ شده جهانی و ملی براي تحقق آرمان ها، اهداف و شاخص‏هاي آن است توسعه پایدار به دلیل جامعیت مباحث و اقبال گسترده در آخرین سال‏هاي قرن بیستم به بالنده ترین مناظره جهانی تبدیل شد (فلاحی. 1397)در این چالش نوین، انسان مركز توجه قرار گرفته است و هر آنچه حیات و بقا و آزادي او را مورد تهدید قرار دهد، مردود شناخته شده است توسعه پایدار را می‏توان تلفیق اهداف اقتصادي، اجتماعی و زیست محیطی براي حداكثرسازي رفاه انسان فعلی بدون آسیب به توانایی نسل‏هاي آتی براي برآورده كردن نیازهایشان تعریف كرد در این راستا(براي اولین بار در سال 1979 توسعه پایدار حول سه محور توسعه اقتصادي، توسعه اجتماعی و حفظ محیط زیست ارائه گردید) بر اساس دیدگاه‏هاي جامعه شناسان، بازیگران اصلی در فرایند توسعه انسان‏ها هستند كه الگوهاي سازمان اجتماعی آنها به منظور تعیین راه‏حل‏ها و تدابیر مناسب در جهت دستیابی به توسعه پایار نقش عمده را ایفا می‏كند. در واقع، تجربه نشان می‏دهد كه بی توجهی به عوامل اجتماعی در خلل فرایند توسعه،اثر بخشی برنامه‏ها و پروژه‏ها را با مخاطره جدي مواجه می‏سازد توسعه اجتماعی، فرآیندي است كه ساختارهاي اجتماعی را از شكل نوین تغییر می‏دهد و نهادهایی ساخته می‏شود كه موجب انسجام وهمبستگی دردرون جامعه می‏شوند همچنین پایداري اجتماعی به معناي حمایت از توزیع برابر منابع، حمایت از تنوع در جامعه، تلاش در جهت رفع نیاز‏هاي اساسی مردم و سرمایه گذاري در منابع انسانی و اجتماعی است،كه از طریق آنها،اهداف كلیدي اقتصادي و زیست محیطی تحقق می‏یابد در این میان یكی از مباحاثی كه در حوزه حكمرانی و مدیریت محلی و شهرها به منظور افزایش كیفیت زندگی و شرایط زیست محیطی انسان‏ها مورد مطالعه قرار گرفته، شهر هوشمند و ابعاد و مولفه‏هاي آن است. به طول اجمالی شهر هوشمند استفاده از خدمات كاربردي فناوري اطلاعات و ارتباطات در دسترس شهروندان، شركت‏ها و دولت‏هاي ملی و محلی در یک سیستم شهري است كه هدف آن ارتقاي كیفیت زندگی شهروندان وبهبود بهره وري وكیفیت خدمات ارائه شده توسط نهاده‏هاي حاكم وكسب و كارها است. در واقع شهر هوشمند، شهري است كه زیرساخت‏هاي فیزیكی، زیرساخت‏هاي فناوري اطلاعات، زیرساخت‏هاي اجتماعی وزیر ساخت كسب وكار را به منظور تقویت هوش جمعی شهر به هم وصل می‏كند و به عنوان سرزمین هایی با ظرفیت بالا براي یادگیري و نوآوري شناخته می‏شوند كه بر پایه خالقیت شهروندان، نهادها، سازمان‏هاي دانش محور و زیرساخت‏هاي دیجیتال آن‏ها به منظور برقراري ارتباطات و مدیریت دانش بنیان نهاده می‏شوند امروزه جامعه‏اي توسعه یافته تلقی می‏شود كه بتواند در كنار شاخص‏هاي اقتصادي مانند درآمد سران، توزیع ناخالص ملی و نرخ مرگ و میربرمعیار آموزش و اطلاعات و در حقیقت عنصر دانایی اجتماعی تاكید كند(بلوچی،1401). در چنین جامعه‏اي رسانه‏ها با تولید و توزیع مطلوب اطلاعات، نقش زیادي در بالا بردن آگاهی‏هاي گوناگون و ضروري به عهده می‏گیرند و جامعه را در نیل به تعالی و ترقی همه جانبه یاري می‏كنند. توسعه را باید جریانی چند بعدي دانست كه مستلزم تغییراتی اساسی درساخت اجتماعی، طرز تلقی عامه مردم ونهادهاي ملی ونیز تسریع رشد اقتصادي، كاهش نابرابري و ریشه كن كردن فقر مطلق است. توسعه دراصل باید نشان دهد كه مجموعه نظام اجتماعی، هماهنگ با نیازهاي متنوع اساسی وخواسته‏هاي افراد وگروه‏هاي اجتماعی درداخل نظام، ازحالت نامطلوب زندگی گذشته خارج شده وبه سوي وضع یا حالتی از زندگی كه از نظر مادي و معنوي بهتر است سوق مییابد در توسعه اجتماعی دگرگونی و تغییر جامعه در كلیت آن مورد نظر نیست. توجه بیشتر بر تغییر و بهبود زندگی و ارزیابی جریان‏ها و تحول اجتماعی است،تا اینكه تغییر در یک سازمان و یا نهاد اجتماعی صورت پذیرد از این رو استراتژي‏هاي توسعه اجتماعی، نیازهاي رفاهی، نیازهاي فرهنگی و روانی، نیاز در تطبیق پذیري و نیاز رشد و ترقی را كه در مجموع از عمده ترین نیاز‏هاي انسان در جامعه جدید است مورد توجه قرار می‏دهد توسعه اجتماعی، فرآیندي است كه ساختارهاي اجتماعی را از شكل نوین تغییر می‏دهد و نهادهایی ساخته می‏شود كه موجب انسجام وهمبستگی دردرون جامعه می‏شوند یادآور شد در تعریفی منسجم از پایداري اجتماعی بایستی این تعریف حاوي ارزش‏هاي مهم در خصوص برابري و دموكراسی باشد پایداري اجتماعی مسأله برابري در فرصتها و استفاده از امكانات جهت تامین عدالت اجتماعی است. چنین تاكیدي، فقرزدایی را به اولین اقدام در جهت تحقق عدالت اجتماعی تبدیل می‏كند و می‏كوشد تا حد اقل شرایطی را فراهم آورده تا فرصت‏ها و امكانات به صورتی عادلانه در اختیار تمامی افراد قرار گیردوخالقیت‏ها امكان بروزورشد ونمو به كف آورد بنا به نظر بارون و گونتلت پایداري اجتماعی زمانی رخ می‏دهد كه فرآیندها، نظام ها، ساختارهاو روابط به طور فعالانه ظرفیتهاي كنونی ونسل‏هاي آینده را به منظورایجاد بهبودي و پیشرفت وقابل زیست بودن جامعه را حمایت كند (حیدری، 1401). جامعه پایدار اجتماعی، برابر و متنوع، مرتبط و داراي روابط دموكراتیک بوده وكیفیت زندگی خوب را فراهم می‏كند بنا به نظر مكنزي توسعه اجتماعی، توسعه‏اي است كه یازهاي اساسی به غذا، سرپناه، آموزش، شغل، درآمد، شرایط زندگی وفعالیت را تامین می‏كند. عدالت خواه باشد و این اطمینان را بدهد، كه منابع توسعه كامال در سراسر جهان به تساوي و منصفانه توزیع می‏شود. رفاه فیزیكی، ذهنی، اجتماعی جمعیت را ارتقاء داده و یا حداقل از بین ببرد. آموزش، خلاقیت و توسعه توان انسانی را براي كل جامعه ترویج نماید.  میراث فرهنگی و زیستی را حفظ كرده و احساس ارتباط با تاریخ و محیط زیست را تقویت كند. مردم سالارانه باشد و مشاركت و دخالت شهروندان را ترویج كند. شرایط زندگی را بهتر كرده و بین طراحی شكل محل‏هاي عمومی شهر با رفاه اجتماعی كالبدي و شور و هیجان ساكنان شهر ارتباط برقرار نماید (واعظ زاده، 1394)

به‌منظور ایجاد یک مفهوم مؤثر سیستم تولید پایدار و افزایش بیشتر عملکرد آن (سارکر و همکاران¹⁷، 2021) و انعطاف‌پذیری، سازمان‌ها می‌توانند فناوری‌های نوظهوری مانند بلاک‏چین (بایراموا و همکاران¹⁸، 2021)، صنعت 4 و هوش مصنوعی را اتخاذ کنند (بیرکر و مولر¹⁹، 2020). استفاده از این فناوری‌های نوظهور، به‌ویژه هوش مصنوعی به سازمان‌ها کمک می‏کند تا پایدارتر و انعطاف‌پذیرتر شوند تا با اختلالات رخ‌داده در سیستم‏های تولیدی مقابله کنند. هوش مصنوعی شاخه‌ای از علوم کامپیوتر است (گوپتا و همکاران²⁰، 2021) که با هدف اصلی توسعه فناوری رایانه‌ای که می‏تواند مانند یک انسان عمل کند و فکر کند (بلهادی و همکاران²¹، 2022). سپس این ماشین‌های فکری می‌توانند تقلید کنند، بیاموزند و درنهایت هوش انسان را جایگزین کنند (جاراهی²²، 2018). هوش مصنوعی فناوری است که می‏تواند به‌ویژه برای برنامه‌ریزی سیستم‏های تولیدی، پیش‌بینی تقاضا و بهینه‌سازی مورداستفاده قرار گیرد (آردیتو و همکاران²³، 2018). یکی از مهم‌ترین مزایای هوش مصنوعی این است که می‏تواند داده‌ها را تجزیه‌وتحلیل کند و از بهبود مستمر فرآیندهای تولیدی اطمینان حاصل کند (وو و همکاران²⁴، 2021). هنگامی‌که مطالعات مربوط به استفاده از هوش مصنوعی در صنایع تولیدی تجزیه‌وتحلیل می‏شود (دیزالبز و همکاران²⁵، 2020)، هوش مصنوعی اغلب به‌عنوان هوشی تعریف می‏شود که توسط ماشین‌هایی تجسم می‏شود که در آن توانایی‌های مبتنی بر عمل به‌جای هوش فرآیند محور، استقلال را تقلید می‌کنند (پاول تریستا²⁶، 2020). از منظر صنایع تولیدی، بهینه‌سازی مدیریت انبار، ابزارهای مستقل برای لجستیک و حمل‌ونقل، مطالعات تحلیلی پیش‌بینی کننده مدیریت روابط تأمین‌کننده، کنترل و برنامه‌ریزی سهام، برنامه‌ریزی فرآیند خرید و برنامه‌ریزی تقاضا همگی می‌توانند به‌طور مؤثر با فناوری هوش مصنوعی با حداقل هزینه برای صنعت انجام شوند (باهیتسی و همکاران²⁷، 2022).

اگرچه همان موضوعات مشکل‌ساز در صنایع تولیدی قبل و در طول دوره کووید 19 وجود داشته، مشکلات مختلفی به‌عنوان تهدیدی برای تاب‌آوری در سیستم‏های تولیدی در طول دوره کرونا تشدید شده است. مشکلاتی که قبلاً در سطح قابل قبولی بودند، بعد از دوران کووید-19 پیچیده‌تر شده‌اند. هنگامی‌که مشکلات در صنعت به‌عنوان یک اثر رشد می‌کنند، داشتن یک سیستم تولیدی انعطاف‌پذیرتر مهم است (شاهد و همکاران²⁸، 2021). از این نظر، هوش مصنوعی می‏تواند به یافتن راه‌حل‌هایی برای مقابله با این مشکلات کمک کند. اگرچه هوش مصنوعی نوعی فناوری است که قبل از کووید 19 وجود داشته است، اما ضرورت هوش مصنوعی در زمان اختلالات غیرمنتظره مانند کووید19 برجسته می‏شود. بااین‌حال، مطالعات در مورداستفاده از تکنیک‌های هوش مصنوعی برای افزایش پایداری و انعطاف‌پذیری سیستم‏های تولیدی وجود ندارد (باگلویی و همکاران²⁹، 2021). نیاز به درک اهمیت استفاده از هوش مصنوعی در صنایع تولیدی مانند صنعت سیمان و مطالعه آن حوزه‌های مشکل‌ساز مرتبط با زنجیره‌های تأمین پایدار و انعطاف‌پذیر، وجود دارد که به استفاده از هوش مصنوعی نیاز دارند. تاب‌آوری و انعطاف‌پذیری در صنعت سیمان، همچنین به‌عنوان صنعت تولیدی به‌طورکلی، دارای اهمیت ویژه‌ای است. این دو عامل به توانایی سیستم تولیدی در مقابله با تغییرات ناگهانی و ناخواسته در محیط داخلی و خارجی اشاره دارند (فاسولو و همکاران³⁰، 2022).

صنعت سیمان با متغیرهای محیطی چون نوسانات در قیمت مواد اولیه (مانند سنگ‌آهک و خاک رس)، تغییرات در تقاضا و نیازهای بازار، تغییرات قوانین و مقررات محیطی و غیره مواجه است. سیستم تولیدی با تاب‌آوری می‏تواند به بهترین شکل ممکن با این تغییرات مواجه شده و تغییرات موردنظر را در فرآیندها و تولید اعمال کند. این صنعت نیز همچون سایر صنایع با تغییرات تکنولوژیکی سریع روبرو است. به‌عنوان‌مثال، بهبود در فرآیندهای تولید، بهره‌وری بیشتر، کاهش مصرف انرژی و غیره. سیستم تولیدی انعطاف‌پذیر می‌بایست بتواند به‌سرعت تغییرات تکنولوژیکی را دریافت و پیاده‌سازی کند (حسن ملکی و همکاران، 1401). نوسانات در تقاضا و عرضه محصولات سیمان نیز می‏تواند تحت تأثیر قرار گیرد. سیستم تولیدی تاب‌آوری داشته باشد تا با تغییرات تقاضا مرتبط بازار به خوبی سازگاری یابد (اورال و همکاران³¹، 2019). در شرایط بحرانی مانند کاهش ناگهانی منابع، تغییرات سیاسی یا اقتصادی، سیستم تولیدی تاب‌آوری لازم را برای مدیریت بحران داشته باشد. این امر به حفظ پایداری عملیات تولید کمک می‏کند. انعطاف‌پذیری سیستم تولیدی اجازه می‏دهد که تغییرات در فرآیندها، تجهیزات، یا ساختار سازمانی به‌سرعت اعمال شوند و از عملکرد مثبت در پیش‌برد اهداف تولیدی و اقتصادی اطمینان حاصل شود (جمالی و کریمی اصل، 1397). سیستم تولیدی انعطاف‌پذیر می‏تواند بهبود در بهره‌وری و کارایی فرآیندها را تسهیل کند، از طریق تنظیم و بهینه‌سازی جریان کار، مصرف منابع، و توزیع منابع در سیستم تولیدی. درنهایت تاب‌آوری و انعطاف‌پذیری در صنعت سیمان می‏تواند به بهبود پاسخ‌گویی به تغییرات محیطی و اقتصادی، بهبود عملکرد کلان و میکرو در سیستم تولیدی، کاهش هدررفت منابع و افزایش بهره‌وری کمک کند. بنابراین، این تحقیق با هدف شناسایی حوزه‌های مشکل‌ساز مرتبط با زنجیره تأمین پایدار و انعطاف‌پذیر، به دنبال پاسخی برای این سؤال است که الگوی سیستم‏های مدیریت هوشمند برای سیستم‏های تولید پایدار و تاب‌آور در صنعت سیمان چگونه است؟

 

مروری بر ادبیات و پیشینه تحقیق

نظم فر و همکاران (۱۳۹۶) در پژوهشی با عنوان بررسی روند رشد پراکنده شهری با تأکید بر شاخص‏های تراکمی رشد هوشمند مطالعه موردی مناطق چهارگانه شهر ارومیه با روش پژوهش توصیفی- تحلیلی به این نتیجه دست یافتند که الگوی رشد شهر ارومیه به صورت پراکنده است و این امر موجب ناپایداری زیست محیطی، اجتماعی، اقتصادی و در نهایت شکل شهری شده است.

دیوان سالار و همکاران (۱۳۹۷) در پژوهشی با عنوان «بررسی نقش رشد هوشمند در توسعه پایدار شهرهای ساحلی- مشی با عنوان مطالعه موردی: بابلسر»، به این نتیجه رسیدند که بین پایداری شهری و رشد هوشمند شهری همبستگی معنی‏دار وجود دارد. پایداری اقتصادی و پایداری زیست محیطی بیشترین ارتباط را با رشد هوشمند نشان میدهند، ولی بین پایداری اجتماعی و رشد هوشمند رابطه عکس وجود دارد.

زینالی عظیم و همکاران (۱۴۰۰) در پژوهشی با عنوان ارزیابی توسعه کالبدی شهر تبریز بر اساس تحلیل شاخص‏های رشد هوشمند شهری در منطقه ۲، ۴ و ۷ تبریز با روش تحقیق توصیفی-تحلیلی و از نظر هدف پیمایشی و بهره گیری از از مدل‏های چند معیاره تاپسیس و آنتروپی شانون به این نتیجه دست یافتند که در وضع موجود توسعه کالبدی شهر تبریز برابر (۳۷/۱۶) و توسعه کالبدی شهر تبریز براساس شاخص‏های رشد هوشمند شهری در وضع مطلوب برابر (۶۲/۸۴) شد.

ادوارد و هاینس (۲۰۰۷) در مطالعه خود با عنوان ارزیابی رشد هوشمند پیامدهای آن بر جوامع کوچک» با استفاده از روش تجزیه و تحلیل محتوا نشان دادند که جوامع به یک اندازه از رشد هوشمند استقبال نمی‏کنند و دلیل آن نیز این است که دسترسی به منافع آن برای همگان به یک اندازه. نیست رشد هوشمند برای جوامع کوچک مناسب به نظر نمی رسد و منفعل کردن شهروندان از مهمترین پیامدهای آن است. در حالی که باید به دنبال نظریه ای باشیم که شهروندان را عمل گرا کند.

الکساندر و تومالتی (۲۰۱۰) در پژوهش خود با عنوان رشد هوشمندانه و توسعه پایدار چالش‏ها راه‏حل‏ها و جهت‏گیری‏های سیاسی در سه منطقه بریتیش کلمبیا و کانادا با جمع‏آوری داده‏های مربوط به تراکم توسعه و ۱۳ شاخص پایداری اجتماعی در ۲۶ شهرداری نشان دادند که تراکم شهری با کارآیی در زیر ساخت‏ها و کاهش وابستگی اتومبیل و نیز پیامدهای زیست محیطی و اقتصادی حاصل از آن همراه است.

گرونت و تسینکوا (۲۰۱۲) در مقاله ای با عنوان بررسی شهرنشینی جدید و جنبش رشد هوشمند با روش توصیفی- تحلیلی به این نتیجه دست یافتند که توسعه شهرسازی جدید و راهبرد رشد هوشمند شهری و تأثیر آن بر رویکرد سازمانی به رشد توسعه شهری در دهه‏های اخیر منجر شده است.

لیتمان (۲۰۱۵) در پژوهشی تحت عنوان ارزیابی نقد رشد هوشمند با روش تحلیل «محتوا» به این نتیجه دست یافتند که در کنار منافع بیشماری که از جانب رشد هوشمند به جامعه وارد می‏شود نقدهایی را نیز ارائه می‏دهد که مرتبط با شهروند هوشمند است از جمله اینکه رشد هوشمند یک نوع تله اجتماعی است زیرا مانع از تصمیم‏گیری شهروندان در تصمیم‏گیری‏های محلی می‏شود در نتیجه شهروندان قدرت تغییر شرایط را ندارند.

سوسانتی (۲۰۱۶) در پژوهش خود با عنوان رشد، هوشمندانه شهر هوشمند و تراکم در جستجوی شاخص مناسب برای تراکم مسکونی در اندونزی با روش توصیفی و تحلیلی نشان دادند که توجه به ماهیت فیزیکی و غیر فیزیکی ساکنان در راستای شاخص‏های تراکم، مسکونی بهترین شکل متناسب باشخصیت مسکن در اندونزی برای رسیدن به رشد هوشمندانه و شهر هوشمند است.

روی خودیر و همکاران (۲۰۱۷) در پژوهشی با عنوان چگونه رشد هوشمند و زیر ساخت سبز می‏تواند به طور متقابل از یکدیگر حمایت کنند در یک چارچوب مفهومی برای شهرهای جمع وجور و سبز با یک رویکرد تحلیلی نشان دادند که رشد هوشمند عدالت اجتماعی و عدالت محیطی را از طریق سیاست‏هایی که سطوح خرد و کلان را پوشش می‏دهد، افزایش می‏دهد علاوه بر آن جنبه‏های پایداری را نیز مورد بحث قرار می‏دهد.

گروم و کوبال گروم (2020)در پژوهشی با عنوان مفاهیم پایداری اجتماعی بر اساس زیرساخت اجتماعی و کیفیت زندگی به این نتیجه دست یافتند که ارتباط معنی داری بین زیر ساخت‏های اجتماعی و عوامل درون ساختار کیفیت زندگی وجود دارد است. همچنین نتایج نشان دهنده ارتباط معنی‏دار بین زیر ساخت‏های اجتماعی و بیشتر بین عوامل درون ساختار رفاه بود. 

ال خریبی و همکاران (۲۰۲۱) در پژوهشی با عنوان مدل رشد هوشمند حمل و نقل شهری یکپارچه در اطراف ایستگاه‏های مترو موردی از قطر با استفاده از سناریوهای فرضی تراکم کاربری زمین برای تجزیه و تحلیل تقاضای حمل و نقل استفاده بر اساس یک مدل رگرسیونی نشان دادند که نوع کاربری زمین می‏تواند به طور قابل توجهی بر رشد هوشمند سیستم حمل و نقل گسترده تأثیر بگذارد؛ بنابراین توسعه کاربری مختلط می‏تواند گزینه مناسبی در این زمینه باشد.

آتاناکوویچ جلیچیچ و همکاران (۲۰۲۱) در پژوهشی با عنوان روش برنامه‏ریزی شهری برای تقویت پایداری اجتماعی در صربستان با بهره گیری از اتوماتای سلولی تصادفی به این نتیجه دست یافتند که این رویکرد جدید می‏تواند دامنه راه‏حل‏های فضایی ممکن را برای مراکز محلی در سکونتگاه‏های غیر رسمی فراتر از پیش‏بینی شده توسط برنامه‏ریزی از بالا به پایین گسترش دهد بنابراین به ادغام یک سکونتگاه غیررسمی در یک محیط شهری گسترده تر راین به ادغام کمک می‏کند و توسعه اجتماعی آنها را تقویت می‏کند.

 

کارخانه هوشمند

در سال‌های اخیر، تغییرات عمیقی در زمینه‌های تولید و فناوری اطلاعات رخ داده است. هوشمندی شبکه به‌سرعت بر اساس اطلاعات، تنوع و تمرکززدایی توسعه یافته است. در زمینه تولید، روبات‌های صنعتی و چاپ سه‌بعدی به پیشرفت چشمگیری دست یافته‌اند و تولید نیز به یک روند خدمات‌گرا تبدیل شده است. در زمینه فناوری اطلاعات، صنایع نوظهور مانند داده‌های بزرگ، رایانش ابری و کسب و کار اینترنتی همچنان در صنایع سنتی نفوذ می‌کنند. ظهور عصر تولید هوشمند نیز شوک‌های جدیدی را به شرکت‌های تولیدی وارد کرده است که عمدتاً تغییرات زیر را در صنعت تولید ایجاد کرده است. کارخانه هوشمند به معنای یک واحد تولیدی پیشرفته و مدرن است که با بهره‌گیری از فناوری‌های نوین ارتباطی و اطلاعاتی، بهبود فرآیندها، اتوماسیون پیشرفته و تجمیع داده‌ها به‌منظور دستیابی به بهره‌وری بیشتر، کاهش هزینه‌ها، کیفیت بهتر محصولات و افزایش توانایی تعامل بین اجزای مختلف زنجیره تولید فعالیت می‏کند. ویژگی‌های اصلی یک کارخانه هوشمند عبارتند از (چن و همکاران³²، 2022):

1. اتوماسیون پیشرفته: کارخانه هوشمند از اتوماسیون پیشرفته در فرآیندهای تولید، انتقال مواد، مدیریت انرژی و کنترل کیفیت بهره می‌برد (ماهروف و همکاران³³، 2022).

2. انتقال داده‌ها و ارتباطات: کارخانه هوشمند از شبکه‌های ارتباطی پیشرفته برای تبادل داده‌ها و اطلاعات میان تجهیزات و سیستم‏ها استفاده می‏کند.

3. تجمیع و تحلیل داده‌ها: داده‌های جمع‌آوری شده از تجهیزات و فرآیندهای مختلف در کارخانه هوشمند، تجزیه‌وتحلیل می‌شوند تا اطلاعات مفیدی جهت بهبود عملکرد و تصمیم‌گیری‌های بهتر به دست آید.

4. تصمیم‌گیری هوشمند: کارخانه هوشمند با استفاده از الگوریتم‌های هوش مصنوعی و تحلیل داده‌ها، قادر به تصمیم‌گیری‌های هوشمندانه در زمینه بهره‌وری، توزیع منابع و تجهیزات است.

5. انعطاف‌پذیری و تغییرپذیری: کارخانه هوشمند توانایی تنظیم و تغییر فرآیندها و تجهیزات را با توجه به تغییرات در تقاضا، فناوری و محیط داخلی دارد.

6. اتصال با زنجیره تأمین: کارخانه هوشمند به‌طور مؤثر با تامین‌کنندگان، توزیع‌کنندگان و مشتریان ارتباط برقرار می‏کند تا بهینه‌سازی جریان تأمین و توزیع محصولات را فراهم کند.

7. کارکنان و هوش مصنوعی: کارخانه هوشمند تلاش می‏کند بین کارکنان انسانی و سیستم‏های هوش مصنوعی تعادل برقرار کند تا توانایی‌های هر دو بهره‌برداری شود.

8. بهبود محیط زیست: کارخانه هوشمند با کاهش هدررفت منابع، بهره‌وری بالا و کنترل بهتر آلودگی، به حفظ محیط زیست کمک می‏کند.

 

کارخانه هوشمند هدف دارد با ادغام فناوری‌های پیشرفته و داده‌ها در تمام جریان تولید، بهبود چشم‌گیری در کارایی، کیفیت و انعطاف‌پذیری عملیات تولیدی ایجاد کند و درنهایت به افزایش رقابت‌پذیری و موفقیت کسب‌وکار کمک کند (دیلویتی³⁴، 2020).

 

سیستم تولید انعطاف‌پذیر

سیستم تولیدی انعطاف‌پذیر به معنای طراحی و سازماندهی یک سیستم تولیدی به گونه‌ای است که قادر به تنظیم و تطبیق با تغییرات ناگهانی و ناخواسته در محیط داخلی و خارجی خود باشد. انعطاف‌پذیری در سیستم تولیدی به معنای توانایی سیستم برای تغییر و تنظیم فرآیندها، منابع، تجهیزات و ساختار سازمانی به‌منظور مواجهه با تغییرات در تقاضا، فناوری، محیط محیطی و سایر عوامل است. ویژگی‌های اصلی سیستم تولیدی انعطاف‌پذیر عبارتند از (اونال³⁵، 2020):

1. تغییرپذیری فرآیندها: سیستم تولیدی انعطاف‌پذیر باید قادر باشد تا فرآیندها و روش‌های تولید را به‌سرعت تغییر دهد و به‌سرعت به تغییرات در محصولات یا نیازهای بازار پاسخ دهد (سینگ و همکاران³⁶، 2022).

2. تنظیم پذیری منابع: این سیستم باید توانایی تنظیم میزان منابع مانند نیروی انسانی، مواد و تجهیزات را داشته باشد تا به تغییرات در حجم تولید یا نوع محصولات واکنش نشان دهد.

3. استفاده از تکنولوژی: سیستم تولیدی انعطاف‌پذیر باید از تکنولوژی‌های مدرن و ابزارهای خودکار استفاده کند تا تغییرات را بهبود دهد و به تطبیق با نوآوری‌ها امکان پذیر شود.

4. توانایی تولید محصولات متنوع: سیستم تولیدی انعطاف‌پذیر باید قادر به تولید محصولات متنوع و چندگانه باشد و در موقعیت‌های مختلف بازار قابلیت تغییر محصول را داشته باشد.

5. مدیریت عرضه و تقاضا: انعطاف‌پذیری سیستم تولیدی به معنای توانایی تطبیق با تغییرات در تقاضا و عرضه محصولات است تا تعادل بین موجودی‌ها و تولید برقرار شود.

6. همکاری و تعامل: سیستم تولیدی انعطاف‌پذیر باید توانایی در همکاری و تعامل با سایر اجزای سیستم‏های تولیدی داشته باشد، ازجمله تامین‌کنندگان، توزیع‌کنندگان و مشتریان.

 

سیستم تولیدی انعطاف‌پذیر تلاش می‏کند تا با تغییرات متغیرهای محیطی و بازاری به بهره‌وری بالاتری دست یابد و بتواند با چالش‌ها و فرصت‌های جدید در محیط کسب‌وکار به خوبی مقابله کند (ژانگ و همکاران³⁷، 2021).

 

تلفیق تاب‌آوری و پایداری در سیستم‏های تولیدی

تلفیق تاب‌آوری و پایداری در سیستم تولیدی به معنای ادغام اصول و استراتژی‌های مرتبط با دو مفهوم تاب‌آوری و پایداری در طراحی، اجرا و مدیریت یک سیستم تولیدی است. این تلفیق با هدف تضمین استمرار و بهره‌وری مداوم تولید در مقابل تغییرات محیطی، اقتصادی و اجتماعی، همچنین حفظ محیط زیست و منابع طبیعی انجام می‏شود (دوهاله و همکاران³⁸، 2022). در زیر به تبیین اهمیت و مزایای تلفیق تاب‌آوری و پایداری در سیستم تولیدی پرداخته شده است (پالوو و همکاران³⁹، 2019):

-       مقابله با تغییرات ناگهانی: تاب‌آوری در سیستم تولیدی به این کمک می‏کند که در مواجهه با تغییرات ناگهانی مانند اختلالات در زنجیره تأمین، تغییرات در تقاضا یا فراهم آوردن منابع، سیستم تولیدی قادر به ادامه فعالیت باشد.

-       مدیریت ریسک: تلفیق تاب‌آوری و پایداری باعث می‏شود تا سیستم تولیدی بهتر در مدیریت و کاهش ریسک‌های مختلف مانند اختلالات فنی، مالی یا محیطی عمل کند.

-       بهره‌وری منابع: پایداری در سیستم تولیدی به افزایش بهره‌وری منابع منجر می‏شود، و تاب‌آوری امکان بهره‌گیری مستدام از این منابع را در مقابل تغییرات محیطی فراهم می‏کند.

-       حفظ محیط زیست: تلفیق تاب‌آوری و پایداری به کاهش آلاینده‌ها، بهینه‌سازی مصرف انرژی و مواد اولیه و حفظ منابع طبیعی کمک می‏کند.

-       کاهش هزینه‌ها: استفاده از تجهیزات و فرآیندهای مدیریت ریسک و بهره‌وری بیشتر منجر به کاهش هزینه‌های عملیاتی می‏شود (پریرا و همکاران⁴⁰، 2020).

-       تعامل با جوامع: تلفیق تاب‌آوری و پایداری باعث می‏شود تا سیستم تولیدی بهتر با جوامع محلی و مشتریان در ارتباط باشد و به نیازها و انتظارات آن‌ها پاسخ دهد.

-       افزایش اعتبار: تلفیق اصول تاب‌آوری و پایداری باعث افزایش اعتبار و محبوبیت سیستم تولیدی در نظر مشتریان، سرمایه‌گذاران و جوامع محلی می‏شود.

-       طراحی محصولات نوآورانه: این تلفیق می‏تواند به طراحی و تولید محصولات نوآورانه و سازگار با محیط زیست کمک کند (ژو و همکاران⁴¹، 2020).

-       توانمندی در مواجهه با تحولات آینده: تلفیق تاب‌آوری و پایداری به سیستم تولیدی توانایی مواجهه با تغییرات و تحولات آینده را می‏دهد و به آن امکان می‏دهد تا به راحتی در مسیر تطور باقی بماند.

 

در نتیجه، تلفیق تاب‌آوری و پایداری در سیستم تولیدی می‏تواند به بهره‌وری بیشتر، حفظ محیط زیست، مقابله با تغییرات ناگهانی و افزایش پایداری در عملکرد سیستم تولیدی کمک کند (رائوت و همکاران⁴²، 2019).

در ادامه به بررسی پیشینه‌های داخلی و خارجی همراستا با اهداف تحقیق پرداخته شده است. نایر و همکاران⁴³ (2023)، در پژوهشی با عنوان یک مدل داده محور برای انتخاب تأمین کننده پایدار و تاب آور و مشکل تخصیص سفارش در یک زنجیره تأمین پاسخگو نشان دادند چابکی، هزینه، انتشار گازهای گلخانه‌ای، کیفیت، استحکام و مدیریت پسماند به ترتیب مهم‌ترین معیارها هستند. تأمین کنندگان منتخب، سیستم‏های حمل‌ونقل مورداستفاده و سایت‌های تأسیس شده را تعیین می‏کند. همچنین مشخص شد که تقاضا به‌طور مستقیم بر تمام توابع هدف تأثیر می‌گذارد در حالی که افزایش نرخ اختلالات تأثیر منفی بر اقدامات پایداری دارد. کازانکوگلو و همکاران (2023)، در پژوهشی با عنوان استفاده از فناوری‌های نوظهور برای بهبود پایداری و انعطاف‌پذیری زنجیره‌های تأمین در یک محیط فازی در زمینه کووید 19 نشان دادند مهم‌ترین حوزه‌های مشکل‌آفرینی که در پایداری و انعطاف‌پذیری زنجیره‌های تأمین پیش از کووید 19 با آن مواجه شده‌اند، ردیابی زنجیره تأمین، برنامه‌ریزی تقاضا و مدیریت تولید و همچنین برنامه‌ریزی فرآیند خرید بر اساس گروه‌های علت و معلولی تعیین می‌شوند. مهم‌ترین مسائلی که در طول کووید 19 باید مورد توجه قرار گیرد، به ترتیب پشتیبانی مدیریت ارشد، برنامه‌ریزی فرآیند خرید و قابلیت ردیابی زنجیره تأمین است. لئو⁴⁴ (2023)، در پژوهشی با عنوان تحلیل اثر محرکه مشارکتی هوش مصنوعی بر مدیریت نوآوری دانش نشان داد که هوش مصنوعی بر عناصر پویا، عناصر ظرفیت، عناصر محیطی جریان دانش و مدیریت سهام تأثیر معناداری دارد. هوش مصنوعی تأثیرات درون زا بر ارتقای توانایی جریان دانش و انتشار شبکه گذاشت. فناوری هوش مصنوعی شکل‌گیری مزیت‌های اصلی فن‌آوری نوآوری را ترویج کرد و دارای عملکرد تشخیص خودکار آشکار برای دانش جدید بود که قدرت انتقال داخلی اصلی نوآوری دانش را تحریک کرد. پریفانیز و همکاران⁴⁵ (2023)، در پژوهشی با عنوان بررسی تأثیر هوش مصنوعی بر ارزش تجاری در عصر دیجیتال استراتژی نشان دادند که سازمان‌ها تنها با بکارگیری و اجرای دقیق این فناوری‌های جدید و پیشرفته، در همسویی تحول دیجیتال عصر حاضر موفق خواهند شد. علیرغم مزایای بالقوه انقلابی که قابلیت‌های هوش مصنوعی ممکن است ترویج کنند، هماهنگ‌سازی منابع، همراه با حکمرانی در این محیط پویا، هنوز به اندازه کافی پیچیده است و در مراحل اولیه تحقیق در مورد پیاده‌سازی استراتژیک هوش مصنوعی در سازمان‌ها است، که موضوعی است که این بررسی با هدف آن می‌خواهد. هچنین تیان و وانگ⁴⁶ (2023)، پژوهشی با عنوان تأثیر ظرفیت‌های فناوری اطلاعات بر مدیریت موجودی مشخص کردند ظرفیت فناوری اطلاعات و ارتباطات بر استراتژی موجودی و فرآیند عملیات موجودی اثر مثبت و بر سطح اتمام موجودی تأثیر منفی دارد. تحقیقات ما برتری استفاده از فناوری را نشان می‏دهد. در ادامه ریتا و همکاران⁴⁷ (2022)، در پژوهشی با عنوان سیستم پیش‌بینی تقاضای بلندمدت برای تولید مبتنی بر تقاضا ثابت کردند تولید مبتنی بر تقاضا راه حلی است که اکثر شرکت‌ها به سمت آن می‌روند. اگرچه این استراتژی شامل تولید کالا بر اساس تقاضای مصرف‌کنندگان است، اما شرکت‌ها نیز باید با اتکا به سیستم‏های پیش‌بینی دقیق زنجیره تولید خود را برای چنین عملیاتی با تأمین مواد اولیه کافی، افزایش ظرفیت تولید متناسب با تقاضای مورد نظر و غیره آماده کنند.

در بررسی تحقیقات داخلی ملکی و همکاران (1401) نشان دادند سیمان یکی از بخش‌های صنعتی راهبردی و مهم در کشور از نظر تأمین نیازهای حوزه‌هایی چون مسکن، ساخت‌و ساز و بسیاری از پروژه‌های عمرانی است. این صنعت با مشکلاتی چون مازاد عرضه، فرسودگی تجهیزات و جانمایی نادرست کارخانه‌ها روبروست بنابراین نیازمند سناریوی مبتنی بر استفاده از فناوری و هوشمندی است. ضیائی (1401) در پژوهشی با عنوان مدیریت کردن نوآوری در قرن 21 با استفاده از هوش مصنوعی نشان دادند مصنوعی می‏تواند جایگزین انسان‌ها شود و توضیح می‌دهیم که چه چیزی در ایجاد تحول به سازمان دیجیتال نوآوری باید در نظر گرفته شود. کرباسی و همکاران (1401) ثابت کردند صنعت 0.4 با پیشرفت‌های فناورانه در قالب هوشمندسازی و دیجیتال‏سازی، منجر به افزایش بهره‏وری در سازمان‌های تولیدی شده است. از منظر راهبردی و فناوری، نقشه راه فناوری صنعت 0.4 علاوه بر همسوسازی راهبردهای اصلی سازمان با برنامه‌های حوزه فناوری، سازمان‌های تولیدی را به سمت سیستم‏های تولید هوشمند سوق داده و امکان به کارگیری فناوری‌های هوشمند و دیجیتال مانند: کلان داده‌ها، اینترنت اشیا، رایانش ابری و ربات‌ها را برای آن‌ها فراهم کرده است. هدف از این پژوهش ارائه مدل تدوین نقشه راه فناوری صنعت 0.4 در صنایع تجهیزات نیروگاهی و تأمین انرژی است. همچنین کرمی و همکاران (1401)، مشخص کردند احساس کارکنان نسبت به‌جایگزینی شغلشان با فناوری‌های هوشمند، چگونه است و چطور می‌توانند پیشرفت شغلی و دانش فناوری را در پرتو هوش مصنوعی، درک و استفاده کنند.

حشمدار و همکاران (1401) بیان کردند فناوری‌های مبتنی بر هوش مصنوعی، سیستم هوشمند آینده هستند و خواهند بود و همچنین با وابستگی بیشتر به فناوری‌های پیشرفته، فرآیندهای مدیریت منابع انسانی را تغییر می‌دهند. در ادامه حسن پورراد و همکاران (1401)، در پژوهشی با عنوان هوش مصنوعی و چالش‌های پیش رو در تعامل اعضای یک سازمان نشان دادند که هوش مصنوعی نقش مهمی در آینده کار سازمان‌ها ایفا خواهد کرد. تیم‌سازی انسان و هوش مصنوعی، در سازمان‌ها هنوز در مراحل اولیه توسعه و پیاده‌سازی است. استفاده از هوش مصنوعی در سازمان فارغ از منافع اقتصادی که بعه همراه دارد، چالش‌های جدید را نیز وارد یک سامان می‏کند. سلیمی زاویه (1398)، نشان داد سیستم‏های تولید هوشمند در معماری آن‌ها نهفته است، که به‌عنوان شبکه‏هایی از مؤلفه‏های تولید مشترک برای کارکردهای مختلف سازماندهی شده‏اند. منوچهری کلانتر (1397) در پژوهشی با عنوان تکنولوژی نوین آنالیزگرهای هوشمند بر خط عنصری در صنعت سیمان نشان داد بکارگیری دستگاهای اسکنر هوشمند با توجه به آنالیز دقیقه به دقیقه میانگین بازه‌ای ترکیب‌های مواد می‏تواند نمونه گیری و آنالیزی دقیق از عنصری مواد را نشان دهد تا با توجه به نتایج حاصله، صرفه جویی در هزینه‌ها و مشکلات در تولید و کیفیت تولید ثابت با تغییرات کمتر را در خطوط سیمان دارا بود. همچنین سیدشمالی و صادقیان (1396)، بیان کردند شرکت‌های تولیدی نه تنها ستون فقرات وسنگ بنای اقتصاد اکثرکشورها هستند بلکه محرک بخش‌های دیگر اقتصادجهانی نیز می‌باشند. تغییر پارادایم‌ها در تولید ازجمله گرایش‌های معاصر و نوظهور، طرح مورد نیاز برای کارخانه‌های آینده را رقم خواهند زد. امروزه از سیستم‏های تولید انتظار می‌رود تنوع زیادی ازمحصولات را در تعداد کم با قیمت رقابتی و رعایت تمامیالزامات و قوانین، به صورتی مستمر ارائه کنند. 

بنابراین براساس تحقیقات بررسی شده در این تحقیق سه مفهوم کلیدی هوشمندی، تاب‌آوری و پایداری، علی رغم تمام تعارض‌ها، در صنعت سیمان ادغام می‌گردند. ادغام این مفاهیم در حالت ایده آل نه تنها می‏تواند منجر به بهبود کلی سیستم‏های تولیدی و توانایی صنعت سیمان برای پاسخ سریع به طیف گسترده‌ای ازخواسته‏های مشتریان شود بلکه می‏تواند با در نظر گرفتن عوامل اقتصادی، اجتماعی و زیست‌محیطی و غلبه برتمام چالش‌ها و صدمات احتمالی و بازسازی، ترمیم و بازیابی خود به‌منظور برآورده کردن اهداف در درازمدت شود.

 

روش‏شناسی

این تحقیق شامل 5 مرحله، شناخت حوزه مورد بررسی، تعریف مسئله مورد بررسی در تحقیق، ارائه مدل تحقیق، طراحی ساختار الگوریتم‌های حل و تولید داده براي انجام تست و تنظیم پارامترهاي مدل و الگوریتم‌ها می‌باشد. ابتدا محدوده مسئله مورد بررسی شناسایی شده، سپس پارامترهای الگوی سیستم‏های مدیریت هوشمند برای سیستم‏های تولید پایدار و تاب‌آور در صنعت سیمان بررسی شدند. در این تحقیق به منظور بررسی و مطالعه مبانی نظري تحقیق و همچنین مطالعه مدل‏هاي موجود، از مطالعات كتابخانه‏اي و مقالات موجود در نشریه‌های بین‏المللی مانند Elsevier و Springer و غیره و همچنین كتاب‏هاي مرتبط، پایان‌نامه‌ها و پایگاه‏هاي اینترنتی استفاده شد.

فرض بر این است كه سیستم‏های تولید پایدار و تاب آور تحت تأثیر قرار داده و در تحقیق حاضر، براساس وزن دهی این مؤلفه‌ها با توجه به میزان بهره وری سیستم مدیریت هوشمند، میزان اهمیت آنها تعیین شده است. وزن‏دهی مؤلفه‌های سیستم‏های مدیریت هوشمند و شاخص‏هاي تولید پایدار و تاب آوری با استفاده از روش تحلیل روابط خاكستري با اعداد فازي فاصله‏اي انجام شد.

در گام بعد تحقیق، مدل ریاضی چند سطحی شامل مؤلفه‌های سیستم‏های مدیریت هوشمند بصورت چندهدفه براساس وزن‏هاي تعیین شده گام قبل، طراحی شده و جهت حل آن، یك الگوریتم فراابتكاري چندهدفه برپایه آرشیو پارتو پیاده سازي شد. پس از تعیین مجموعه جواب‏هاي بهینه، جواب‌های حاصل بررسی شده و جواب نهایی جهت بهینه سازی مدیریت هوشمند برای بهینه سازی تولید انتخاب شد. به منظور بررسی عملکرد روش‌های فراابتکاری مورد بررسی قرارگیرد، نیاز به انجام آزمایشات است. برای پاسخ به این سؤال، لازم است که از چندین روش ارزیابی مناسب استفاده شده تا از نتایج آن‌ها یک نتیجه کلی حاصل شود. در این بخش، لازم است که ابتدا مسائل استانداردی ایجاد شود و کلیه این الگوریتم‌ها، شروع به حل این مسائل نمایند. شرایط و پارامترهایی که برای اجرای این الگوریتم‌ها تنظیم می‌گردد، باید برای کلیه آن‌ها یکسان درنظر گرفته شود تا شرایط عادلانه برای آنها رعایت شده باشد و در شرایط یکسان به رقابت پرداخته باشند. بدین منظور از الگوریتم‌های VIS، CNSGA-II، NSGA-II، MISA، NNIA و NRGA در نرم افزار متلب استفاده شد.

 

مدل تحقیق

یک سیستم‏های مدیریت هوشمند در نظر گرفته شد که در آن، عواملی مانند تولید پایدار و تاب آور استفاده شده باشد تا سودآوری حداکثر و هزینه‌ها حداقل شوند. فرضیات کلی زیر درنظر گرفته شده است: 1) تولید پایدار و تاب آور در جهت بهینه سازی مدل در مدیریت هوشمند استفاده می‏شود، 2) تولید پایدار و تاب آور، از یک جریان پوآسن مستقل پیروی می‏کند، 3) هر بهره وری سیستم مدیریت هوشمند هوشمند، فقط یک پایگاه با زمان‌های خدمت نمایی دارد، و 4) یک حد بالایی بر روی حداکثر سودآوری و بهره وری، وجود دارد.

برای مدل سازی این وضعیت، علامت‌های زیر وضع شده است:

·       M={1,2,…,m}: مجموعه گره‌های مؤلفه‌های (تولید پایدار و تاب آور)

·       N={1,2,…,n}: مجموعه گره‌های بهره وری سیستم مدیریت هوشمند

·       : ماتریس فاصله گره مؤلفه‌ها i تا گره بهره وری سیستم مدیریت هوشمند j

·       : نرخ بهره وری کلی سیستم مدیریت هوشمند

·       : نرخ اقدامات مؤثر از تولید پایدار و تاب‏آور 

·       : نرخ اقدامات در بهره وری ایجاد شده

·       : متوسط نرخ اقدامات در بهره وری سیستم مدیریت هوشمند

·       : زمان انتظار اقدام انجام شده که به گره تسهیل  تخصیص می‌یابند

·       : حد بالای زمان انتظار مجاز برای اقدمات انجام شده در صدد یافتن بهره وری

·       : ظرفیت بهره وری مازاد برای تضمین

·       p: تعداد بهره وری هایی که واقعاً به سودآوری منجر شدند؛

·       : ماکزیمم تعداد بهره وری هایی که می‌توانند سودآور شوند؛

 

این مسأله می‏تواند به صورت زیر بیان شود:

فرضیات زیر را درنظر بگیرید: مجموعه‌ای از اقدامات مؤثر از تولید پایدار و تاب آور که با  مشخص می‌شوند، مجموعه‌ای از متوسط نرخ اقدامات در بهره وری سیستم مدیریت هوشمند ، یک عدد صحیح مثبت  و یک عدد مثبت ؛ مجموعه‌ای از بهره وری سیستم مدیریت هوشمند را که حداکثر به اندازه باشد را مشخص می‏کند که متوسط تعداد کل اقدامات است که به نزدیک‏ترین بهره وری منجر می‌شوند و در آن منتظر می‌مانند، مینیمم گردد. این شرط را نیز درنظر بگیرید که متوسط زمان انتظار در هر بهره وری منجر به سود بزرگ‏تر از  نباشد.

اگر یک بهره وری در گره j بازشود؛

اگر ، سرعت اقدامات باشد و

اگر اقدام i، منجر به بهره وری j شود؛

درغیر اینصورت؛

 

درغیر اینصورت؛

 

بنابراین، زمان اقدام تجمعی مؤلفه‌ها در واحد زمان برابر است با:

 

 

از این رو، هر بهره وری، به صورت یک صف M/M/1 رفتار می‏کند، متوسط زمان انتظار در مکان بهر وری j، برابر  که  می‌باشد. بنابراین، زمان زمان اقدام تجمعی مؤلفه‌ها در واحد زمان برابر است با:

 

 

باتوجه به قانون ليتِل که در بخش‏های قبل شرح داده شد، T، بیانگر متوسط تعداد اقدامات درحال انجام و V، بیانگر متوسط تعداد اقدامات در حال انتظار می‌باشد.

يکي از معيارهاي ارزيابي سيستم، درصدي از زمان است که سيستم کار می‏کند. براي نشان دادن اين معيار، از عاملي به نام ضريب بهره‌وري يا کارائي استفاده می‏شود که تعريف آن به شرح زير است:

 

ميانگين کل اقدامات براي دريافت خدمت در واحد زمان
کل ظرفيت سيستم براي بهره وری در واحد زمان

 

طبق اين تعريف، هرچه مقدار  بزرگ‏تر باشد، تقاضا زيادتر است و سيستم بايد کار بيشتري انجام دهد و صف طولاني‏تر خواهدشد. برعکس، هرچه  کوچک‏تر باشد، طول زمان کوتاهتر است، اما درمقابل، از امکانات سيستم استفاده کمتري به‌عمل مي‌آيد.

حال براي اينکه در مدل ما، متوسط ضريب کارائي سیستم مدیریت هوشمند را اندازه گيري کنيم، ابتدا بايد کل ضريب کارائي تسهيلات را محاسبه و بر تعداد بهره وری سیستم مدیریت هوشمند که سودآور شده‌اند تقسيم نمود:

 

و يا به عبارت ديگر:

 

 

برای تضمین اینکه اقدامات به نزدیکترین جایگاه بهره وری سودآور می‌روند، احتیاج داریم که:

 

که ، یک عدد بزرگ مثبت است (مثل ). وقتی ، به خاطر اینکه  بزرگ است، این محدودیت ناکارآمد می‏شود. وقتی ، اقدام i نمی‏تواند به بهره وری که دورتر از j است، تخصیص داده شود، درغیراینصورت، این محدودیت نقض می‏شود.

بنابراین، فرمول بندی برنامه نویسی ریاضی زیر بدست آمده است:

(1)                                            

(2)        

(3)        

(4)        

(5)        

(6)        

(7)        

(8)        

        

 

هدف (1)، بیانگر مینیمم کردن متوسط تعداد اقدامات درحال انجام، هدف (2)، بیانگر مینیمم کردن متوسط تعداد اقدامات در حال انتظار و هدف (3)، بیانگر ماکزیمم کردن مجموع کارکرد سیستم مدیریت هوشمند در واحد زمان می‌باشد. این اهداف با توجه به محدودیت‌هایی که بیان شده‌اند، می‌باشد که محدودیت (4) به حداکثر میزان بهره وری که ممکن است سودآور شوند اشاره می‏کند. محدودیت (5) و (6) تضمین می‏کند که هر تقاضای اقدامات به بهره وری دست پیدا کند و این اقدام، فقط به یک بهره وری سودآور ختم می‏شود. محدودیت (7) نیز تضمین می‏کند که این اقدام، به نزدیکترین بهره وری صورت پذیرد. در پایان محدودیت (8)، تضمین می‏کند که متوسط زمان انتظار در هر بهره وری، از  فراتر نرود.

 

یافته‌ها

امروزه توسعه شهری یکی از مهمترین مسائلی است که برنامه ریزان شهری را درگیر خود نموده است. عدم توجه به عوامل توسعه شهری باعث گسترش و رشد بی رویه شهر و آشفتگی محیط اجتماعی شهرها میگردد. بسیاری از برنامه- ریزان بدون توجه به ظرفیت‏های درون شهر از توسعه پیرامونی بهره میگیرند که متاسفانه معضلات بسیاری از قبیل افزایش هزینه‏ها را در پی خواهد داشت. لیکن تا به امروز تلاشهای زیادی برای توجه به پایدار نمودن توسعه شهرها و بر از بین بردن اثرات منفی گسترش پراکنده شهرها به عمل آمده است. توسعه فضایی کالبدی شتابان و ناموزون شهرهای ایران از جمله تهران، در چند دهه اخیر آثار و پیامدهای نامطلوب اجتماعی، اقتصادی و کالبدی را به دنبال آورده است. هزینه‏های گزاف حمل ونقل و خدمات رسانی شهری، اتلاف انرژی، تخریب محیط زیست، عدم زیبایی و انسجام محیط شهری، ناپایداری اجتماعی، هدر دادن سرمایه‏های مادی و اجتماعی در شهر، تشدید جدایی گزینی و بی هویتی اجتماعی، از مهمترین مشکلات شهرها در راستای رسیدن به توسعه پایدار شهری بوده است. در این راستا نظریه توسعه پایدار به عنوان نظریه هزاره سوم و جایگزینی برای مکاتب و اندیشه‏های قبلی، گسترش هماهنگ درون و بیرون شهرها در ابعاد مختلف اجتماعی، اقتصادی، مدیریتی و کالبدی-فضایی را شرط الزام برای توسعه متوازن میداند. در چارچوب توسعه پایدار، دیدگاه‏ها و مفاهیم گوناگونی در دو دهه اخیر پدید آمده است. رشد هوشمند بهعنوان شکل تکامل یافته تر این دیدگاه ها، سطح گسترده ای از انواع مسائل، مشکالت و راهبردهای توسعه شهری را درمیگیرد. رشد هوشمند شهری یک توسعه برنامه‏ریزی شده در راستای حفاظت از محیط زیست و باهدف کاهش وابستگی به حمل ونقل ماشینی،کاهش آلودگی هوا وکارآمد کردن سرمایه گذاری در زیرساخت‏ها است که روی رشد در داخل شهر تمرکز می‏کند. نظریه‏ها و فرضیه‏های زیادی برای مفهوم رشد هوشمند وجود دارد؛ اما طبق نظر نظریه پردازان رشد هوشمند شهری، ایجاد محله-‏های شهری فشرده، قابل سکونت و قابل کار، ساکنین بیشتری را جذب خواهد کرد، کسب و کارهایی که به عنوان یک عنصر کلیدی، در کاهش گسترش افقی شهرها و حفاظت از محیطها و اقلیم‏های محلی عمل خواهد کرد. این مفهوم اغلب با در نظر گرفتن تعدادی از عوامل به دست می‏آید که با ترکیبی از توسعه استفاده میشوند، شامل مسکن مقرون به صرفه، پارک عمومی و فضای تفریحی و اشکال محدودیت‏ها در طراحی با تمرکز فعالیت در مناطق کوچکتر، رشد هوشمند فضاهای باز را حفظ می‏کند، زمینه ای قبال توسعه یافته را به شیوه ای کارآمدتر و پالایش شده دوباره مورد استفاده قرار می‏دهد.

برای انجام الگوریتم NSGA-II، اندازه جمعیت را برابر 100 و احتمال تقاطع⁴⁸ و جهش⁴⁹ را برابر 0.5 و 0.4 درنظر گرفته شد. برای تولید جمعیت اولیه، به صورت تصادفی، رشته‌ای از صفر و یک به طول N ایجاد کرده، اگر این رشته از لحاظ برآورده کردن محدودیت حداکثر تعداد تسهیل و زمان انتظار مشتریان، قابل قبول بود، این حل را به عنوان یک حل قابل قبول پذیرفته شد؛ درغیر اینصورت این حل را کنار گذاشته و حل جدیدی تولید شد. مقدار  نیز برای تمامی مسائل، برابر 0.5 درنظر گرفته شده‌است.

با توجه به اینکه این الگوریتم، برگرفته از الگوریتم NSGA-II می‌باشد، تمامی پارامترهای آن نیز مطابق آن الگوریتم می‌باشد. تنها تفاوت آن، در انجام مکانیسم انتخاب می‌باشد. همانطور که در بخش قبل نیز شرح داده شد، برای انجام این مکانیسم، نیاز به محاسبه انحراف حل‌ها، از محدودیت‌ها داریم. برای مسائلی که محدودیت‌های آن‌ها، به صورت معادلات روتین ریاضی است، محاسبه این انحراف‌ها، کار چندان مشکلی نیست؛ اما در اینجا که با محدودیت‌های نامعادله‌ای روبرو هستیم، باید روش دیگری را درنظر بگیریم. برای محاسبه انحراف از محدودیت اول، یعنی حداکثر تعداد مجاز برای ایجاد تسهیل، به صورت فرمول زیر عمل شد:

 

برای محاسبه محدودیت دوم، یعنی رعایت حداکثر زمان انتظار مشتریان در صف، از فرمول زیر استفاده شد:

 

 

که در صورت محدودیت فوق، منظور از ، تسهیلاتی است که ایجاد شده و محدودیت دوم را نقض کرده‌اند.

نتایجی که بدست آمده‌اند، باتوجه به پارامترهای زیر بوده‌است: اندازه جمعیت برابر 100، اندازه حافظه ثانویه برابر 100 و یک ماتریس  به عنوان شبکه تطبیقی. عملگرهای تقاطع و جهشی نیز که مورداستفاده قرار گرفته‌اند، شبیه عملگرهایی است که در الگوریتم‌های قبلی استفاده شده‌است.

هشت معیار مختلف را برای مقایسه و تجزیه و تحلیل الگوریتم‌ها با یکدیگر درنظر گرفتیم. این هشت معیار عبارتند از: فاصله نسلی، درجه توازن در رسیدن همزمان به اهداف، مساحت زیر خط رگرسیون، تعداد جواب‌های غیرمغلوب نهائی، فاصله گذاری، گسترش، سرعت همگرائی و منطقه زیر پوشش دو مجموعه. در این قسمت به اندازه گیری این معیارها برای همه الگوریتم‌ها پرداخته شد.

 

شاخص MID

 

 

شکل 1: نمودار همگرایی الگوریتم‌ها براساس شاخص MID

 

باتوجه به نتایج به دست آمده، می‌توان الگوریتم‌ها را با یکدیگر مقایسه کرد. همان طور که در سطر سوم تا نهم شکل 1 نشان داده شده‌است، نرم افزار، الگوریتم‌ها را به ترتیب مقایسه و گروه‏بندی کرده‌است. سطوحی که حرفی را مشترک هستند، به این معنی است که زیاد متفاوت نیستند و بالعکس، اگر حرفی را مشترک نباشند، به این معنی است که به طور معناداری متفاوت هستند. جدول گروه بندی نشان می‏دهد که گروه A، شامل الگوریتم VIS می‌باشد. همچنین گروه B شامل الگوریتم‌های CNSGA-II و NSGA-II است. درحالیکه گروه C، شامل الگوریتم‌های NSGA-II، MISA و NNIA شده‌است. و در آخر الگوریتم NRGA به گروه D تعلق دارد. درنتیجه می‌توان گفت که در سطح اطمینان 95%، عملکرد الگوریتم‌ها از نقطه نظر تعداد جواب‌های غیرمغلوب به‌صورت جدول 1می‌باشد. البته به صورت شماتیک، این مقایسه در شکل 2 به صورت نمایان‌تر نشان داده شده‌است.

جدول 1: گروه بندی الگوریتم‌ها براساس معیار تعداد جواب‌های غیرمغلوب

رتبه الگوریتم	الگوریتم
1	VIS
2	CNSGA-II
3	NSGA-II
4	MISA NNIA
5	NRGA

 

 

شکل 2: نتیجه به دست آمده از آنالیز واریانس برای تعداد جواب‌های غیرمغلوب

 

مشابه همین تحلیل را برای همه معیارها انجام شد و همچنین این معیارها را برای تمام حالت‌های مسائل سخت، مسائل ساده، مسائل کوچک و مسائل بزرگ محاسبه کرده‌ایم که تنها به ذکر نمودارهای این تحلیل‌ها در پیوست ب اکتفا می‌کنیم. نتایج نهائی بدست آمده از این تحلیل‌ها را می‌توان در جدول 2 مشاهده نمود. در این جدول، الگوریتم‌ها براساس هر معیار، مقداردهی شده‌اند که این مقدار، بیانگر رتبه آن‌ها در بین الگوریتم‌های دیگر می‌باشد.

درمورد معیار «فاصله نسلی»، به غیر از حالت مسائل ساده، در تمامی حالت‌ها، الگوریتم‌ها تفاوت چندانی از خود نشان نداده‌اند؛ در حالت ساده، رتبه اول به NSGA-II، رتبه دوم به CNSGA-II، رتبه سوم به VIS و NNIA، رتبه چهارم به MISA و درنهایت رتبه آخر به NRGA رسیده‌است.

درمورد دو معیار «درجه توازن در رسیدن همزمان به اهداف» و «مساحت زیر خط رگرسیون»، الگوریتم‌ها در حالت‌های مختلف، تفاوت قابل ملاحظه‌ای از خود نشان نداده‌اند و ازنظر این دو معیار، الگوریتم‌ها تفاوت معناداری با یکدیگر ندارند.

 

جدول 2: مقایسه الگوریتم‌ها ازنظر معیارهای مختلف و در حالت‌های گوناگون

	فاصله نسلی					درجه توازن در رسیدن همزمان به اهداف					مساحت زیر خط رگرسیون					تعداد جواب‌های غیرمغلوب
	کل	ساده	سخت	کوچک	بزرگ	کل	ساده	سخت	کوچک	بزرگ	کل	ساده	سخت	کوچک	بزرگ	کل	ساده	سخت	کوچک	بزرگ
NSGAII	1	1	1	1	1	1	1	1	1	1	1	1	1	1	1	3	3	2	2	3
CNSGAII	1	2	1	1	1	1	1	1	1	1	1	1	1	1	1	2	2	2	2	2
NRGA	1	5	1	1	1	1	1	1	1	1	1	1	1	1	1	5	5	3	4	5
NNIA	1	3	1	1	1	1	1	1	1	1	1	1	1	1	1	4	4	2	3	4
VIS	1	3	1	1	1	1	1	1	1	1	1	1	1	1	1	1	1	1	1	1
MISA	1	4	1	1	1	1	1	1	1	1	1	1	1	1	1	4	4	2	2	4

 

 

	فاصله گذاری					گسترش					سرعت همگرائی					منطقه زیر پوشش دو مجموعه
	کل	ساده	سخت	کوچک	بزرگ	کل	ساده	سخت	کوچک	بزرگ	کل	ساده	سخت	کوچک	بزرگ	کل	ساده	سخت	کوچک	بزرگ
NSGAII	1	2	2	3	1	3	4	1	3	1	3	3	3	3	2	4	3	3	3	3
CNSGAII	1	2	1	2	1	2	3	1	2	1	3	3	3	3	2	2	2	2	2	2
NRGA	2	4	3	4	3	2	2	1	2	1	3	4	3	3	2	6	4	4	5	4
NNIA	1	2	1	2	2	2	4	1	2	1	3	4	3	3	2	5	3	3	4	3
VIS	1	1	1	1	1	2	3	1	2	1	2	2	2	2	2	1	1	1	1	1
MISA	1	3	1	2	2	1	1	1	1	1	1	1	1	1	1	3	3	2	3	2

 

ازنظر معیار «تعداد جواب‌های غیرمغلوب»، الگوریتم VIS به تنهائی، رتبه اول را در تمامی حالات کسب کرده‌است و رتبه آخر به NRGA رسیده‌است. با تقریب‌های بسیار اندک برای تمام حالات، رتبه دوم به CNSGA-II، رتبه سوم به NSGA-II و رتبه چهارم مشترکاً به NNIA و MISA اختصاص یافته‌است.

درمورد معیار «فاصله گذاری»، تنها نتیجه قطعی که می‌توان گرفت این است که الگوریتم VIS جزء رتبه اول و الگوریتم NRGA جزء رتبه آخر قرار دارد. درمورد معیار گسترش نیز نمی‌توان نتیجه قطعی گرفت. تنها می‌توان نتیجه گرفت که الگوریتم MISA جزء رتبه اول و الگوریتم NSGA-II جزء آخرین رتبه واقع می‏شود.

MISA از نظر معیار «سرعت همگرائی» خوب عمل کرده و رتبه اول را در تمامی حالات کسب نموده‌است. با کمی تقریب نیز الگوریتم VIS در رتبه دوم قرار دارد. درمورد معیار «منطقه زیر پوشش دو مجموعه» که ازجمله معیارهای مهم می‌باشد، با کمی تقریب در تمامی حالات، رتبه اول به VIS، رتبه دوم به CNSGA-II، رتبه سوم به MISA، رتبه چهارم به NSGA-II، رتبه پنجم به NNIA و در آخر هم الگوریتم NRGA قرار دارد.

به این ترتیب عملکرد الگوریتم‌ها در معیارهای مختلف به طور کلی مشخص می‏شود. این دیگر به تصمیم گیرنده بستگی دارد که کدامین معیار برای او اهمیت بیشتری دارد و از الگوریتمی استفاده کند که در آن معیار خوب عمل کرده‌است. اما اگر تمامی معیارها برای تصمیم گیرنده به یک میزان اهمیت داشته باشد، می‌توان متوسط تمامی معیارها را برای الگوریتم‌ها درنظر گرفت و رتبه آن الگوریتم را باتوجه به تمامی معیارها بدست آورد که نتیجه این کار را می‌توان در جدول 3 مشاهده نمود.

 همانطور که در این جدول مشاهده می‌کنید، الگوریتم VIS بهترین عملکرد را داشته‌است. الگوریتم‌های CNSGA-II و MISA تقریباً در رتبه دوم قرار گرفته و عملکردهای تقریباً مشابهی را از خود نشان داده‌اند. الگوریتم NSGA-II در رتبه بعدی قرار گرفته‌است. در مقام جایگاه بعدی از لحاظ عملکرد، الگوریتم NNIA واقع شده‌است و بدترین عملکرد را الگوریتم NRGA به خود اختصاص داده‌است.

 

جدول 3: متوسط معیارهای الگوریتم‌ها و رتبه بندی الگوریتم‌ها براساس آن

الگوریتم	متوسط معیارها					رتبه الگوریتم باتوجه به متوسط معیارها					رتبه نهائی
	کل	ساده	سخت	کوچک	بزرگ	کل	ساده	سخت	کوچک	بزرگ
NSGAII	2.125	2.25	1.75	2.125	1.625	3	3	4	4	3	3.4
CNSGAII	1.625	2	1.5	1.75	1.375	2	2	3	3	2	2.4
NRGA	2.625	3.25	2.125	2.625	2.25	5	5	5	5	5	5
NNIA	2.25	2.75	1.625	2.125	1.875	4	4	4	4	4	4
VIS	1.25	1.625	1.125	1.25	1.125	1	1	1	1	1	1
MISA	1.625	2.25	1.25	1.5	1.625	2	3	2	2	3	2.4

 

نتیجه‏گیری

توسعه اجتماعی با تقسیم حیات اجتماعی به چهار حوزه سیاسی، اقتصادی، فرهنگی و اجتماعی خاص‌تر شده است و مؤلفه‎های آن حول انسجام و یگانگی از هویت و استقلال نسبی و منطق درونی خاصی برخوردار شده است. عدم توجه به دو عامل انسجام و یگانگی به صورت آسیب‌های اجتماعی، طراوت و شادابی حیات اجتماعی را تهدید می‏کند.کانون بحث توسعه اجتماعی اجتماع جامعه‌ای (Societal Community) است، که مطابق آن همه ابعاد سیاسی، اقتصادی، فرهنگی و اجتماعی مطمع نظر است چه در سطح خرد و کلان و چه از نظر جنبه‌های عینی و ذهنی. توسعه اجتماعی مستلزم شناخت هستی شناسی اجتماعی یعنی وضعیتی که اکنون در آن قرار داریم و هدف شناسی اجتماعی که وضعیت مطلوب را ترسیم می‏کند و بسیار هنجاری است، و سرانجام امکان شناسی است که به مقدورات و محدودیت‌هایی اشاره دارد که در گذار از وضعیت موجود به مطلوب با آنها روبرو هستیم. در حوزه ارائه الگوی سیستم‏های مدیریت هوشمند برای سیستم‏های تولید پایدار و تاب‌آور در صنعت سیمان در راستای بهبود توسعه اجتماعی، انجام تحلیل‌های مختلف برای انتخاب بهترین الگوریتم‌ها به منظور بهبود عملکرد سیستم‏های مدیریت بسیار حائز اهمیت است. در این تحقیق، مسأله‌ای از حوزه تولید براساس الگوی سیستم‏های مدیریت هوشمند برای سیستم‏های تولید پایدار و تاب‌آور در صنعت سیمان مطرح گردید که هدف از آن، بازنگری سیستم تولید بوده است. به گونه‌ای که پایداری به صورت یکنواخت در رویه تولید برقرار شود. فرایند تولید از توزیع پوآسن و فرایند هوشمندی در تولید از توزیع نمایی پیروی می‏کند. دو محدودیت عمده نیز بر سر این مسأله واقع شده‌است. یکی حدّی بر روی تعداد کل تولیداتی که ایجاد می‌شوند و دیگری محدودیت بر روی حداکثر زمان تولیدمی‌باشد. سه هدف نیز برای این مسأله درنظر گرفته شده‌است که هدف اول متوسط میزان انتظار تولید را مینیمم می‏کند، هدف دوم متوسط آسیب‌های زیست محیطی را مینیمم می‏کند و هدف سوم مجموع کارکرد دستگاه‌ها را در واحد زمان ماکزیمم می‏کند.

برای حل این مسأله چند هدفی، چندین الگوریتم چندهدفه فراابتکاری درنظر گرفته شد تا عکس العمل این الگوریتم‌ها را در برخورد با چنین مسائلی سنجیده شود و مشخص شود که این الگوریتم‌ها در شرایط مختلف چه نتایجی حاصل می‌کنند. سه الگوریتم NSGA-II، CNSGA-IIو NRGA از حوزه الگوریتم ژنتیک و الگوریتم‌های MISA، VIS و NNIA را از حوزه الگوریتم هوش مصنوعی برای این کار انتخاب شد. به این منظور، مسائل نمونه‌ای با ساختارهای مختلف و باتوجه به سختی یا سادگی و کوچکی یا بزرگی مسأله ایجاد گردید و این مسائل توسط الگوریتم‌های ذکر شده حل گردید. برای مقایسه نتایج این الگوریتم‌ها، نیاز به معیارهای عملکردی برای اندازه گیری کارایی این الگوریتم‌ها بود. به همین منظور هشت معیار فاصله نسلی، درجه توازن در رسیدن همزمان به اهداف، مساحت زیر خط رگرسیون، تعداد جواب‌های غیرمغلوب نهائی، فاصله گذاری، گسترش، سرعت همگرائی و منطقه زیر پوشش دو مجموعه انتخاب شد. نتایج نهائی که از انجام این تحلیل‌ها بدست آمد بیانگر این مطلب بود که الگوریتم VIS در اکثر معیارها، بهترین عملکرد را از خود نشان داد. الگوریتم‌های CNSGA-II و MISA تقریباً در رتبه دوم قرار گرفته و عملکردهای تقریباً مشابهی را از خود نشان می‌دهند. الگوریتم NSGA-II در رتبه بعدی قرار می‌گیرد. در مقام جایگاه بعدی از لحاظ عملکرد، الگوریتم NNIA واقع می‏شود و بدترین عملکرد را الگوریتم NRGA به خود اختصاص می‏دهد. این تحلیل‌ها به منظور ارزیابی عملکرد الگوریتم‌ها در معیارهای مختلف صورت می‌گیرد. نتایج به دست آمده از این تحلیل‌ها نشان می‏دهد که الگوریتم VIS به طور کلی بهترین عملکرد را از خود نشان می‏دهد. این به این معناست که VIS به عنوان یک الگوریتم مدیریت هوشمند مناسب برای بهبود تولید پایدار و تاب‌آوری در صنعت سیمان شناخته می‏شود. علاوه بر VIS، دیگر الگوریتم‌های نظیر CNSGA-II و MISA نیز در معیارهای مختلف نزدیک به هم و در رتبه دوم قرار دارند. این الگوریتم‌ها عملکردهای مشابهی دارند و می‌توانند بهبودهای مشابهی در سیستم‏های مدیریت هوشمند برای صنعت سیمان ایجاد کنند. در مقام بعدی از لحاظ عملکرد، الگوریتم NNIA قرار دارد. این نشان می‏دهد که NNIA نیز می‏تواند بهبودهای معنی‌داری در سیستم‏های مدیریت هوشمند برای تولید پایدار و تاب‌آور در صنعت سیمان داشته باشد. در پایان، الگوریتم NRGA به عنوان الگوریتم با بدترین عملکرد در معیارهای مورد بررسی شناخته شده است. این نتیجه می‏تواند کمک کند تا از انتخاب الگوریتم NRGA در سیستم‏های مدیریت هوشمند برای صنعت سیمان پرهیز کرده و به جستجوی راهکارهای بهتر برای بهبود عملکرد این سیستم‏ها پرداخت.در تولید سیمان، دنیایی پر از چالش‌ها و مسائل زیست محیطی وجود دارد که می‌توان با ایجاد سیستم‏های مدیریت هوشمند به حل آنها کمک کرد. سه هدف مطرح شده (مینیمم کردن متوسط تولید، متوسط آسیب‌های زیست محیطی، و ماکزیمم کارکرد دستگاه‌ها) نقش مهمی در ایجاد هوشمندی، پایداری و تاب‌آوری در صنعت سیمان ایفا می‌کنند. در تولید سیمان، کاهش متوسط تولید به معنای کارآیی بالاتر در مصرف منابع و کاهش هدررفت‌ها است. سیستم‏های مدیریت هوشمند می‌توانند با بهره‌گیری از داده‌ها و الگوریتم‌های پیشرفته، تولید را بهینه‌سازی کنند. به عنوان مثال، با پیش‌بینی دقیق تقاضا و مصرف مواد اولیه، می‌توان مقدار تولید را بهینه کرد و هدررفت‌های مواد را کاهش داد. همچنین، استفاده از تکنولوژی‌های کاهش مصرف انرژی می‏تواند به بهبود کارایی تولید کمک کند. صنعت سیمان به دلیل مصرف بالای منابع طبیعی و تولید دی‌اکسید کربن (CO2) به عنوان یکی از منابع اصلی انتشار گازهای گلخانه‌ای، اثرات زیست محیطی مهمی دارد. سیستم‏های مدیریت هوشمند می‌توانند با استفاده از تکنولوژی‌ها مانند کاهش انرژی و انتقال پایدار به منابع انرژی تمیز، انتشار CO2 را کاهش داده و آسیب‌های زیست محیطی را کمتر کنند. کارکرد بهینه دستگاه‌ها و تجهیزات موجود در صنعت سیمان می‏تواند به افزایش بهره‌وری تولید و کاهش هزینه‌ها کمک کند. سیستم‏های مدیریت هوشمند می‌توانند با استفاده از داده‌ها و تحلیل‌های پیشرفته، زمانبندی بهینه کارکرد دستگاه‌ها و تعمیر و نگهداری پیشگیرانه را انجام دهند. این کارها به کاهش تعطیلی‌های غیربرنامه‌ریزی و افزایش کارکرد واحد تولید کمک می‌کنند.به طور کلی، ایجاد سیستم‏های مدیریت هوشمند بر اساس این سه هدف، به تحقق تولید پایدار، افزایش تاب‌آوری در مواجهه با چالش‌های مختلف، و کاهش اثرات زیست محیطی منفی در صنعت سیمان کمک خواهد کرد. این سیستم‏ها می‌توانند به شرکت‌ها در ایجاد راهکارهای مؤثر و پایدار برای تولید سیمان کمک کنند و همچنین در کاهش هزینه‌ها و افزایش سودآوری نقش داشته باشند. آتاناکوویچ جلیچیچ و همکاران (۲۰۲۱) در پژوهشی با عنوان روش برنامه‏ریزی شهری برای تقویت پایداری اجتماعی در صربستان با بهره گیری از اتوماتای سلولی تصادفی به این نتیجه دست یافتند که این رویکرد جدید می‏تواند دامنه راه‏حل‏های فضایی ممکن را برای مراکز محلی در سکونتگاه‏های غیر رسمی فراتر از پیش بینی شده توسط برنامه‏ریزی از بالا به پایین گسترش دهد بنابراین به ادغام یک سکونتگاه غیررسمی در یک محیط شهری گسترده تر راین به ادغام.  کمک می‏کند و توسعه اجتماعی آنها را تقویت می‏کند و گروم و کوبال گروم (2020)در پژوهشی با عنوان مفاهیم پایداری اجتماعی بر اساس زیرساخت اجتماعی و کیفیت زندگی به این نتیجه دست یافتند که ارتباط معنی داری بین زیر ساخت‏های اجتماعی و عوامل درون ساختار کیفیت زندگی وجود دارد است و زینالی عظیم و همکاران (۱۴۰۰) در پژوهشی با عنوان ارزیابی توسعه کالبدی شهر تبریز بر اساس تحلیل شاخص‏های رشد هوشمند شهری در منطقه ۲، ۴ و ۷ تبریز با روش تحقیق توصیفی-تحلیلی و از نظر هدف پیمایشی و بهره گیری از از مدلهای چند معیاره تاپسیس و آنتروپی شانون به این نتیجه دست یافتند که در وضع موجود توسعه کالبدی شهر تبریز برابر (۳۷/۱۶) و توسعه کالبدی شهر تبریز براساس شاخص‏های رشد هوشمند شهری در وضع مطلوب برابر (۶۲/۸۴) شد که نتایج این تحقیقات آنها با نتایج این تحقیق در یک راستار قرار داشت.

 

منابع

ضیایی، آرسام. (1401). مدیریت کردن نوآوری در قرن 21 با استفاده از هوش مصنوعی. کنفرانس بین المللی مدیریت و صنعت SID. https://sid.ir/paper/949988/fa

کرباسی, شیرین, هاشم زاده خوراسگانی, غلامرضا, خمسه, عباس فتحی هفشجانی, کیامرث. (1401). مدلی برای تدوین نقشه راه فناوری صنعت نسل 0.4 با رویکرد مدیریت هوشمند در صنایع تجهیزات نیروگاهی و تأمین انرژی. مطالعات مدیریت کسب و کار هوشمند، 11- 189-220.

ملکی, محمد حسن, میرزایی, مونا, رحیمیان اصل, محمد مهدی. (1401) سناریونگاری صنعت سیمان در ایران با رویکرد آمیخته. بهبود مدیریت, 16(3)، 60-88.

کرمی، ذبیح الله. حسینی، سیدروح الله. دامغانیان، تقی. (1401) مدل ادراک کارکنان از هوش مصنوعی در کار با استفاده از فن داده بنیاد. توسعه مدیریت منابع انسانی و پشتیبانی، 65: 53-90.

جمالی، غلامرضا، و الهام کریمی اصل (1397) "موقعیت رقابتی زنجیره تأمین لارج در صنعت سیمان و تحلیل اهمیت عملکرد الزامات راهبردی مرتبط با آن"، فصلنامه مطالعات مدیریت صنعتی، دوره، 16 شماره 50 )1397(:. 53-77

حسن پور راد، علی و علیزاده قادیکلائی، مهدی، (1401). هوش مصنوعی و چالش‌های پیش رو در تعامل اعضای یک سازمان، سومین کنفرانس ملی پژوهش‌های سازمان و مدیریت، تهران

حشمدار، اکرم. کردی، مراد. (1401) بررسی اثربخشی سیستم‏های هوش مصنوعی در کارکردهای منابع انسانی. پژوهش‌های معاصر در علوم مدیریت و حسابداری، 12: 1-6.

سلیمی زاویه, سید قاسم. (1398). مروری بر سیستم‏های تولید هوشمند و روندهای آینده. فصلنامه توسعه تکنولوژی صنعتی, 17(38), 13-24.

منوچهری کلانتری، فرزاد، (1397) تکنولوژی نوین آنالیزگرهای هوشمند بر خط عنصری در صنعت سیمان،چهارمین کنفرانس ملی صنعت سیمان و افق پیش رو،تهران،

سیدشمالی، سیدمهدی و صادقیان، سیدحمیدرضا،1396،توسعه مدل تولیدچابک بادرنظرگرفتن پایداری وتاب‌آوری سیستم‏های تولیدی، اولین کنفرانس بین المللی بهینه‌سازی سیستم‏ها و مدیریت کسب و کار، بابل

فلاحی، علی ومجید كفاشی (1397( بررسی اثرتوسعه اجتماعی بر سلامت اجتماعی در کلان شهر تهران مجله مطالعات توسعه اجتماعی ایران. سال 10 شماره 2 بهار 1397، 72-59

واعظ زاده، ساجده (1394) مولفه‏هاي پایداري اجتماعی در برنامه‏هاي توسعه ایران مجله مطالعات توسعه اجتماعی ایران.، شماره 7، 2:1394. 45-59.

بلوچي، اسماء (1401) طراحي الگویي براي شهر هوشمند با الهام از مفروضات خدمات دولتي نوین و ارزیابي مؤلفه‏هاي زیرساختي آن در شهرداري بندرعباس. مجله مطالعات توسعه اجتماعی ایران 2 159-189

حيدري، تارا (1401) نقش مشاركت شهروندان در حکمروایي خوب شهري(نمونه موردي: منطقه2 شهر شيراز) مجله مطالعات توسعه اجتماعی ایران37 35 -66

Afanasyev, V.Y., Lyubimova, N.G., Ukolov, V.F. & Shayakhmetov, S.R. (2019), Digitalization of energy manufacture: infrastructure, supply chain strategy and communication International Journal of Supply Chain Management, 8 (4). 601-609.

Alharthi, S., Cerotti, P.R. & Far, S.M. (2020). An exploration of the role of blockchain in the sustainability and effectiveness of the pharmaceutical supply chain, Journal of Supply Chain and Customer Relationship Management, 1-29.

Alonso-Muñoz, S. González-Sánchez, R., Siligardi, C., & García-Muiña, F. E. (2021). New circular networks in resilient supply chains: An external capital perspective. Sustainability, 13(11), 6130

Appolloni, A., Jabbour, C.J.C., D'Adamo, I., Gastaldi, M. & Settembre-Blundo, D. (2022). Green recovery in the mature manufacturing industry: the role of the green-circular premium and sustainability certification in innovative efforts. Ecological Economics, 193, 1-9.

Ardito, L., Scuotto, V., Del Giudice, M. and Petruzzelli, A.M. (2018). A bibliometric analysis of research on Big Data analytics for business and management. Management Decision, 57 (8), 1993-2009.

Bagloee, S.A., Heshmati, M., Dia, H., Ghaderi, H., Pettit, C. & Asadi, M. (2021), “Blockchain: the operating system of smart cities. Cities, 112, 103-104

Battisti, S., Agarwal, N. & Brem, A. (2022). Creating new tech entrepreneurs with digital platforms: Meta-organizations for shared value in data-driven retail ecosystems. Technological Forecasting Social Change, 175, 121392.

Bayramova, A., Edwards, D. J., & Roberts, C. (2021). The role of blockchain technology in augmenting supply chain resilience to cybercrime. Buildings, 11(7), 283

Belhadi, A., Kamble, S., Fosso Wamba, S. & Queiroz, M.M. (2022). Building supply-chain resilience: an artificial intelligence-based technique and decision-making framework. International Journal of Production Research, 60(14), 4487-4507.

Birkel, H. S., & Müller, J. M. (2020). Potentials of industry 4.0 for supply chain management within the triple bottom line of sustainability—A systematic literature review. Journal of Cleaner Production, 289, 125612

Chen, C., Feng, Y. & Shen, B. (2022). Managing labor sustainability in digitalized supply chains: a systematic literature review. Sustainability, 14(7), 1-19.

D'Adamo, I. (2022). The analytic hierarchy process as an innovative way to enable stakeholder engagement for sustainability reporting in the food industry. Environment Development Sustainability, Vol. ahead-of-print No. ahead-of-print, doi: 10.1007/s10668-022-02700-0.

Deloitte (2020). COVID-19 Managing supply chain risk and disruption. Report Authors; Kilpatrick, J. & Barter, L. Contributors; Alexander,. C, Brown, J., Calderon, R., Carruthers, R., Joyce, P. & Xu, L. Deloitte Development LLC. Deloitte Design Studio, Canada. 20–6536

Dohale, V., Akarte, M., Gunasekaran, A. & Verma, P. (2022). Exploring the role of artificial intelligence in building production resilience: learnings from the COVID-19 pandemic. International Journal of Production Research, Vol. ahead-of-print, 1-17, doi: 10.1080/00207543.2022.2127961.

Dubey, R., Bryde, D.J., Dwivedi, Y.K., Graham, G. & Foropon, C. (2022). Impact of artificial intelligence-driven big data analytics culture on agility and resilience in humanitarian supply chain: a practice-based view. International Journal of Production Economics, Vol. ahead-of-print No. ahead-of-print, doi: 10.1016/j.ijpe.2022.108618.

Dzalbs, I., & Kalganova, T. (2020). Accelerating supply chains with Ant Colony Optimization across a range of hardware solutions. Computers & Industrial Engineering, 147, 106610

Faasolo, M. B., & Sumarliah, E. (2022). An Artificial Neural Network examination of the intention to implement blockchain in the supply chains of SMEs in Tonga. Information Resources Management Journal (IRMJ), 35(1), 1–27

Gupta, S., Modgil, S., Bhattacharyya, S., &Bose, I. (2021). Artificial intelligence for decision support systems in the field of operations research: review and future scope of research. Annals of Operations Research, 308(1), 1–60

Harfouche, A., Quinio, B., Saba, M. & Saba, P.B. (2022). The recursive theory of knowledge augmentation: integrating human intuition and knowledge in artificial intelligence to augment organizational knowledge. Information Systems Frontiers, 1-16, doi: 10.1007/s10796-022-10352-8.

Helo, P. & Hao, Y. (2022). Artificial intelligence in operations management and supply chain management: an exploratory case study. Production Planning and Control, 33(16), 1573-1590.

Jarrahi, M. H. (2018). Artificial intelligence and the future of work: Human-AI symbiosis in organizational decision making. Business Horizons, 61(4), 577–586

Joshi, S. & Sharma, M. (2022). Impact of sustainable supply chain management on performance of SMEs amidst COVID-19 pandemic: an Indian perspective”, International Journal of Logistics Economics and Globalisation, 9(3), 248-276

Karmaker, C. L., Ahmed, T., Ahmed, S., Ali, S. M., Moktadir, M. A., & Kabir, G. (2021). Improving supply chain sustainability in the context of COVID-19 pandemic in an emerging economy: Exploring drivers using an integrated model. Sustainable Production and Consumption, 26, 411–427

Kazancoglu S Kumar  A(2023) "Using emerging technologies to improve the sustainability and resilience of supply chains in a fuzzy environment in the context of COVID-19," Annals of Operations Research, Springer, vol. 322(1), pages 217-240

Leoni M. Canay, J (2022). Educación y tecnología en México y América Latina. Perspectivas y retos. RUSC. Universities and Knowledge Society Journal, 10(2), 163-169.

Oral F. & Riffo, B(2022) aprendizaje basado en problemas como estrategia para el desarrollo de competencias específicas en estudiantes de ingeniería. Formación universitaria, 6(5), 29-38.

Paul T(2020)Family incivility and workplace bullying: Mediating and moderating model of psychological safety, optimism and organization‐based self‐esteem International Journal of Conflict Management 34 (2), 234-252

Raut r, C.; Khalili, S.; Bogdanov, D(2020) An Optimizing Heat Consumption System Based on BMS. Appl. Sci. 2022, 12, 3271. [CrossRef]

Sarker, I.H. (2021) Machine Learning: Algorithms, Real-World Applications and Research Directions. SN Computer Science, 2, Article No. 160.

Shahed D (2020)Aprendizaje basado en problemas para enseñar y aprender estadística y probabilidad. Paradigma, 35(1), 103-12

Singh et T.; Rafik, M Giri, F(2022) Multi-objective output feedback control strategy for a variable speed wind energy conversion system. Int. J. Electr. Power Energy Syst

 Unal R Mahroof  D Rivera, T(2022) Design and Implementation of a Modular Bidirectional Switch Using SiC-MOSFET for Power Converter Applications. Act. Passive Electron. Compon. 2018, 2018, 4198594

ZhangA.; Boumhidi, J(2022)  Multi-objective optimization and energy management in renewable based AC/DC microgrid. Comput. Electr. Eng

Zhou, B.; Zou, J.; Chung, C.Y(2022). Multi-microgrid Energy Management Systems: Architecture, Communication, and Scheduling Strategies. J. Mod. Power Syst. Clean Energy 2021, 9, 463–476. [CrossRef]

 

---

[1]  گروه مدیریت صنعتی، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران.

(E mail: [e-mail])

[2]   گروه مدیریت صنعتی، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران (نویسنده مسئول).

(E mail: [e-mail])

[3]   گروه مدیریت بازرگانی، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران..

(E mail: [e-mail])

[4]   گروه مدیریت مالی، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران.

[5] Kazancoglu et al.  

[6]  Afanasyev et al. 

[7]  Alharthi et al. 

[8]  D'Adamo

[9]  Harfouche et al. 

[10]  Joshi et al. 

[11]  Dubey et al. 

[12]  Helo et al. 

[13]  Karmaker et al.

[14] Leoni et al.  

[15]  Alonso-Muñoz et al.

[16]  Appolloni et al. 

[17]  Sarker et al

[18]  Bayramova et al 

[19]  Birkel & Müller

[20]  Gupta et al. 

[21]  Belhadi et al. 

[22]  Jarrahi,

[23]  Ardito et al. 

[24]  Wu et al

[25]  Dzalbs et al. 

[26]  Paul T

[27]  Battisti et al. 

[28]  Shahed et al.,

[29]  Bagloee et al. 

[30]  Faasolo et al. 

[31]  Oral et al. 

[32]  Chen et al.

[33]  Mahroof et al.

[34]  Deloitte

[35]  Ünal

[36]  Singh et al. 

[37]  Zhang et al. 

[38]  Dohale et al. 

[39]  Pavlov et al.

[40]  Pereira et al.

[41]  Zhou et al.

[42]  Raut et al.

[43]  Nayeri  et al.

[44]  Liu

[45]  Perifanis et al. 

[46]  Tian & Wang

[47]  Rita et al.

[48]  Crossover

[49]  Mutation