Applying machine learning for the anticipation of complex nesting solutions in hierarchical production planning

Gahm, Christian; Uzunoglu, Aykut; Wahl, Stefan; Ganschinietz, Chantal; Tuma, Axel

doi:10.1016/j.ejor.2021.04.006

Cited by 17 publications

(5 citation statements)

References 49 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…This allows companies to maintain efficiency while meeting individual market demands. In the study by Gahm, Uzunoglu, Wahl, Ganschinietz and Tuma (2022) neural networks are used to anticipate and approximate batch feasibility in hierarchical production planning, based on the consideration of interdependencies between top-level decisions and base-level decisions, thus improving the efficiency and effectiveness of the decision-making process. Meanwhile, Chen, Zhou and Zhang (2021) sought to improve production performance by creating an algorithm integrating machine learning with Model Predictive Control (MPC) to enhance decision-making and maximize overall net gain.…”

Section: Production Planningmentioning

confidence: 99%

See 1 more Smart Citation

Integration of machine learning in the supply chain for decision making: A systematic literature review

Polo-Triana,

Gutierrez,

Leon-Becerra

2024

JIEM

View full text Add to dashboard Cite

Purpose: This study presents a systematic literature review that provides a broad and holistic view of how machine learning can be used and integrated to enhance decision-making in various areas of the supply chain, highlighting its combination with other techniques and models.Design/methodology/approach: An exhaustive literature review used three sets of keywords in the Scopus and Web of Science (WoS) databases. Through a rigorous filtering process, 70 articles were selected from an initial total of 410, focusing on those that specifically addressed the intersection of machine learning and decision-making in supply chain management.Findings: Machine learning has proven to be an essential tool in the supply chain, with applications in inventory management, logistics, and transportation, among others. Its integration with other techniques has led to significant advances in decision-making, improving efficiency in complex environments. Combining machine learning methods with traditional techniques has been particularly effective, and integration with emerging technologies has opened up new application possibilities.Originality/value: Unlike previous studies that focused on specific areas, this study offers a broad perspective on the application of machine learning in the supply chain. Additionally, combining machine learning techniques with other models is highlighted, representing added value for the scientific community and suggesting new avenues for future research.

show abstract

Section: Production Planningmentioning

confidence: 99%

“…• Neural networks predict batch viability in hierarchical production planning (Gahm et al, 2022) • Random Forest (RF) predicts work order completion times and PCA Principal Component Analysis identifies the most influential levels of categorical variables (Liu et al, 2020).…”

Section: New Technologies Adoptionmentioning

confidence: 99%

Integration of machine learning in the supply chain for decision making: A systematic literature review

Polo-Triana,

Gutierrez,

Leon-Becerra

2024

JIEM

View full text Add to dashboard Cite

show abstract

“…In addition, a metal-processing business was used an ML prediction framework to find top-level scheduling and batching decisions by resolving a challenging nesting problem at the base level. 23 In this article, a novel method for calculating MP efficiency based on image segmentation and classification methods is presented. Numerous articles discuss these methods for addressing a range of issues in various fields.…”

Section: Application Of ML In 2dnpmentioning

confidence: 99%

Efficiency marker evaluation based on optimized deep learning supported by Bayesian optimization technique

Salama,

Aly,

Abed

et al. 2023

Textile Research Journal

View full text Add to dashboard Cite

In this article the efficiency of marker patterns is calculated based on a new optimized automated computer-aided design system interested in nesting the irregular objects using deep learning techniques to reduce the unused area of garment layout. The automatic hyper-parameter is adjusted based on Bayesian optimization technique. Our proposed work is based on four phases: segmentation using the Grab-Cut technique which is utilized to increase our framework performance and decrease the cost. Moreover, different optimization algorithms, including k-nearest neighbor, naive Bayes, decision trees, and support vector machine are performed for classifying the pattern size from the fabric layer. Furthermore, the data augmentation technique is applied to overcome the lack of datasets and improve our framework performance by increasing the number of datasets. The optimized framework achieves 98.99% area under the receiver-operating characteristic curve, an accuracy of 98.97%, a sensitivity ([Formula: see text]) of 98.98%, a precision ([Formula: see text]) of 98.89%, an [Formula: see text]-score of 98.99%, a mean square error of 0.03% to 4.91%, an efficiency of 99.66%, a p-value of 0.0207, a t-statistics of 1.336, and a computational time of 3.21 s.

show abstract

“…Kết quả nghiên cứu cho thấy thiết kế máy cắt vải được đề xuất trong bài báo này có thể đạt được hiệu năng cao với chi phí đầu tư thấp. (Wong, 2003;Phakphonhamin & Chudokmai, 2018;Vilumsone-Nemes, 2018;Gahm, 2022). Trong quá trình này, nhiều lớp vải được trải tự động lên bề mặt, bàn máy được điều khiển tự động dưới sự trợ giúp của máy tính (máy CNC) sau đó được sử dụng để cắt vải dựa theo sơ đồ cắt được thiết lập trước đó.…”

Section: Tóm Tắtunclassified

Thiết kế và phát triển máy cắt vải tự động

Ngô,

Phạm,

Phạm

et al. 2023

CTU J. Sci.

View full text Add to dashboard Cite

Hiện nay, ngành sản xuất các sản phẩm may mặc đóng góp một phần không nhỏ vào kim ngạch xuất khẩu Việt Nam. Tuy nhiên, phần lớn các công đoạn sản xuất ở nước ta hiện nay đều được thực hiện thủ công. Để nâng cao chất lượng và sản lượng các sản phẩm may mặc, việc tự động hóa các quy trình sản xuất là vấn đề cấp thiết. Bài báo này giới thiệu một thiết kế của hệ thống máy cắt vải tự động. Máy được thiết kế bao gồm một bàn máy ba bậc tự do và một hệ thống dao cắt rung, được dẫn động bởi hệ thống các động cơ AC servo. Một mô hình thực nghiệm được xây dựng để kiểm tra hệ thống bàn máy được thiết kế. Trong các hệ thống cắt vải, việc bố trí các mảnh cần cắt lên trên một tấm vật liệu để giảm thiểu vật liệu hao phí, được gọi là bài toán giác sơ đồ, là một vấn đề rất đáng được quan tâm. Trong nghiên cứu nay, hệ thống máy cắt vải sử dụng công cụ mã nguồn mở Deepnest, dựa trên thuật toán No Fit Polygon và giải thuật di truyền được, để xây dựng sơ đồ cắt tối ưu cho hệ thống. Kết quả nghiên cứu cho thấy thiết kế máy cắt vải được đề xuất trong bài báo này có thể đạt được hiệu năng cao với chi phí đầu tư thấp.

show abstract

Applying machine learning for the anticipation of complex nesting solutions in hierarchical production planning

Cited by 17 publications

References 49 publications

Integration of machine learning in the supply chain for decision making: A systematic literature review

Integration of machine learning in the supply chain for decision making: A systematic literature review

Efficiency marker evaluation based on optimized deep learning supported by Bayesian optimization technique

Thiết kế và phát triển máy cắt vải tự động

Contact Info

Product

Resources

About