Dalla simulazione al Digital Twin: Il caso del terminal petrolifero

Università di Pisa

Corso di laurea in economia e legislazione dei sistemi logistici

Dalla simulazione al Digital Twin: Il caso del terminal petrolifero

Candidata: Nency Lo Giudice
Relatore: Marco Frosolini
A.A. 2018/2019

“Ogni tecnologia sufficientemente avanzata è indistinguibile dalla magia”
Arthur C. Clarke

Indice

• Introduzione...........................................................................................5
• Capitolo 1: La simulazione.................................................................. 10
  • 1.1 Elementi di un modello di simulazione.................................... 12
  • 1.2 Classificazione dei modelli di simulazione.............................. 15
  • 1.3 Tipi di simulazione.................................................................. 16
    • 1. Discrete Event Simulation................................................ 16
    • 2. Agent Based Simulation................................................... 19
    • 3. System Dynamics Simulation........................................... 23
• Capitolo 2: Digital Twin....................................................................... 30
  • 2.1 Evoluzione del Digital Twin.................................................. 31
    • 1. Origini............................................................................. 31
    • 2. Oggi................................................................................. 32
  • 2.2 Struttura di un Digital Twin..................................................... 34
  • 2.3 Ciclo di vita di un Digital Twin................................................. 35
    • 1. See.................................................................................. 36
    • 2. Think................................................................................ 37
    • 3. Do.................................................................................... 38
  • 2.4 Vantaggi per le aziende.......................................................... 38
  • 2.5 L’importanza del Digital Twin per i prodotti............................. 40
    • 1. Fasi di sviluppo di un prodotto......................................... 41
    • 2. Casi di applicazioni reali.................................................. 44
  • 2.6 Digital Twin per i processi....................................................... 45
• Capitolo 3: Caso studio sull’applicazione della simulazione in logistica.......................................................................................... 55
  • 3.1 AnyLogic................................................................................ 55
  • 3.2 Porto di Livorno...................................................................... 58
  • 3.3 Case study: terminale petrolifero.......................................... 61
    • 1. Elementi Caratterizzanti................................................... 62
    • 2. Conosciamo il modello..................................................... 64
    • 3. Dati e statistiche............................................................... 68
• Conclusioni........................................................................................ 79
• Riferimenti bibliografici....................................................................... 81
• Ringraziamenti................................................................................... 82

Introduzione

Gli sviluppi tecnologici degli ultimi tempi hanno messo a disposizione della logistica le stesse soluzioni che, fino a poco tempo fa, erano pertinenti soltanto nella produzione 4.0; la quale indica una tendenza dell’automazione industriale che integra alcune nuove tecnologie produttive per migliorare le condizioni di lavoro, creare nuovi modelli di business ed aumentare la produttività e la qualità produttiva degli impianti; tra questi i Big Data, ossia una raccolta di dati così estesa, in termini di volume, velocità e varietà, da richiedere tecnologie e metodi analitici specifici per l’estrazione di valore o conoscenza, e la simulazione industriale.

La simulazione industriale, atta a prendere decisioni difficili nel corso delle attività di progettazione, ottimizzazione, gestione degli impianti e quant’altro, ricopre un ruolo fondamentale nella logistica moderna. Anzi, la sua importanza risulta, in questo caso, amplificata dal fatto che progetti di sviluppi futuri, progetti per ottimizzare o ampliare, vista l'alta intensità di capitale tipica dei sistemi logistici, hanno dei costi insostenibili.

Per tale ragione, i modelli di simulazione consentono di tenere conto delle distribuzioni temporali dei valori delle variabili e di ipotizzare diverse soluzioni senza realizzarle fisicamente, riducendo così i costi di attuazione ed i rischi derivanti da una cattiva scelta.

Possiamo parlare di “logistica moderna” in quanto un tempo, il termine di riferimento comprendeva esclusivamente i trasporti; successivamente, fino alla fine degli anni Settanta, si cominciò a parlarne in termini di distribuzione fisica del prodotto. A partire dagli anni Ottanta, con l’avvento di nuove logiche gestionali, come MRP, Materials Requirement Planning, Distribution Requirement Planning, l’evoluzione JIT, Just in Time e DRP, della logistica si completa, comprendendo tutte le attività che assicurano la corretta acquisizione, movimentazione e gestione dei materiali, dalle materie prime e componenti ai prodotti finiti, col fine di assicurare il corretto, costante, puntuale rifornimento alla produzione, agli utilizzatori ed ai consumatori finali.

Il punto di forza della simulazione industriale moderna sta nel fatto che, essendo gli strumenti sempre più accurati, è possibile replicare il mondo reale con un modello su misura, ad un livello di dettaglio elevato, in modo tale da non lasciare nulla al caso. Per questo motivo, chi analizza il modello, deve essere in grado di esprimere un giudizio critico sullo stesso e sui risultati ottenuti per ritenerli soddisfacenti, oppure per capire cosa modificare per migliorare quanto fatto. L’analisi critica dei risultati può essere distinta in due fasi, entrambe cruciali: la validazione del modello, atta a verificare se il modello analizzato corrisponde concettualmente a quello che era nelle intenzioni del progettista, e la valutazione dell’accuratezza dei risultati.

Quest’ultima, va a costituire un valore aggiunto per la logistica, soprattutto perché consente di predisporre scenari alternativi, tra i quali sarà poi selezionato il più idoneo a seconda delle esigenze.

Risulta ragionevole volersi informare, prima di iniziare dei lavori di implementazione o costruzione, ad esempio su cosa succederebbe se, parametrizzando, aumentassi il numero di treni in uscita da un porto; o se, invece, aumentassi il numero di gru disponibili per caricare le navi, o se implementassi o diminuissi la capacità di stoccaggio disponibile per determinati prodotti. Ci sono tutta una serie di domande alla quale la simulazione può rispondere, per far comprendere al meglio a chi analizza la situazione, cosa comporterebbe iniziare l’esecuzione di determinati cambiamenti, visualizzando tutte le variabili in gioco, in modo tale da poter ottimizzare l’esecuzione di progetti futuri e la gestione interna degli stessi.

Ad oggi, la simulazione informatica si è evoluta al punto tale che si comincia a parlare della sua possibile trasformazione in “Digital Twin”, la cui definizione non si scosta di molto da quella della simulazione. Infatti, un “Digital Twin” o “Gemello digitale” è una copia esatta di qualcosa di reale, sul quale eseguire test e prove, in modo da evitare problemi o errori che potrebbero costare cari e causare ritardi sulle consegne.

La differenza sostanziale tra i due si può riassumere in due elementi:

• Il livello di dettaglio, che nel caso del Digital Twin deve essere molto elevato, quindi vicinissimo a quella che è la realtà.
• Il canale comunicativo, perché un Digital Twin deve permettere il passaggio inverso dei dati; deve, cioè, mettere in comunicazione diretta i vari elementi della simulazione con i loro corrispettivi reali.

La simulazione, quindi, non rappresenterà più soltanto uno strumento che assiste il decision maker nella sola decisione di effettuare o meno un determinato progetto; bensì diventerà uno strumento fondamentale per l’operativo nel pieno delle attività gestionali.

Questo elaborato si prepone, in una prima parte, di concentrarsi sulle “simulazione” e “Digital Twin”, comprensive delle peculiari definizioni rispettive caratteristiche. Dopodiché analizza un piccolo modello di simulazione, effettuato con il software “AnyLogic”, il quale mette a disposizione un ambiente di animazione, che permette la costruzione di sofisticate animazioni interattive (implementate in linguaggio Java), costruite modularmente utilizzando le strutture gerarchiche del modello.

L’obiettivo è quello di evidenziare l’importanza che al giorno d'oggi assume avere strumenti in grado di analizzare preventivamente ipotetiche situazioni, che sarebbe troppo oneroso e rischioso portare a termine senza un adeguato studio al riguardo.

CAPITOLO 1

La simulazione

Con il termine “simulazione” si intende la riproduzione del comportamento di un sistema. In generale, è possibile parlare di “simulazione” sia nel caso in cui venga utilizzato un modello concreto, sia nel caso in cui venga utilizzato un modello astratto, che riproduca la realtà mediante l’utilizzo del computer.

Figura 1.1 Simulazione di un magazzino

Un esempio di modello concreto è il modello in scala di una nave, il quale viene successivamente posto in un’apposita vasca, dove saranno effettuate prove simulate, allo scopo di stimare opportune misure di prestazione. È chiaro che esistano leggi teoriche della fisica dalle quali ottenere informazioni sulle prestazioni della nave, ma l’analisi di queste leggi è spesso troppo complicata; naturalmente, è anche impraticabile (o quanto meno non conveniente) la costruzione reale della nave e la prova mare.

All’interno della ricerca operativa, la simulazione utilizza diretta in modelli astratti che vengono costruiti al fine di “replicare” le caratteristiche di un sistema. Essa gioca un ruolo molto importante soprattutto nel progettare un sistema stocastico e nel definirne le procedure operative: il funzionamento di un sistema è “simulato” utilizzando distribuzioni di probabilità per generare casualmente eventi del sistema; ed è dal sistema simulato che si ottengono osservazioni statistiche sulle prestazioni dello stesso. Chiaramente, affinché ciò possa essere realizzato è necessario costruire un modello di simulazione, che permetta di descrivere le operazioni di un sistema e come esse debbano essere simulate.

Gli aspetti rilevanti che fanno della simulazione uno strumento largamente utilizzato sono legati al fatto che essa permette di rappresentare sistemi reali anche complessi, tenendo conto delle sorgenti d’incertezza, e di riprodurre il comportamento di un sistema in riferimento a situazioni non direttamente sperimentabili.

D’altra parte deve essere sempre tenuto sempre ben presente che:

• La simulazione fornisce indicazioni sul comportamento del sistema, ma non “risposte” esatte;
• L’analisi dell’output di una simulazione potrebbe essere complessa; inoltre, potrebbe risultare difficile individuare la configurazione migliore;
• L’implementazione di un modello di simulazione potrebbe essere laboriosa e potrebbero servire elevati tempi di calcolo per effettuare una simulazione significativa.

1.1 Elementi di un modello di simulazione

In generale, il modello di simulazione dovrà essere sufficientemente complesso da rispondere alle esigenze del caso, ma deve comunque rimanere il più semplice possibile. Devono inoltre essere chiari i limiti di utilizzo del modello stesso.

Un modello di simulazione è costituito dai seguenti elementi:

Variabili di stato. Un sistema è descritto, in ogni istante di tempo, da un insieme di variabili che prendono nome di variabili di stato. Quindi, ad esempio, in riferimento ad un sistema a coda, il numero degli utenti presenti nel sistema in un certo istante di tempo è una variabile di stato. Esistono sistemi discreti in cui le variabili cambiano istantaneamente, in corrispondenza di precisi istanti di tempo finiti, oppure appartenenti ad un insieme numerabile, e sistemi continui in cui le variabili variano con continuità rispetto al tempo.

Si osservi che, la scelta di un modello continuo o discreto da utilizzare non è necessariamente obbligata dalla tipologia del sistema; si può infatti decidere, ad esempio, di costruire un modello discreto per un sistema continuo, a seconda dello studio da effettuare. Un esempio tipico è il caso in cui nel rappresentare una linea ferroviaria, la posizione del treno può essere descritta da una variabile reale che fornisce la distanza dalla stazione di origine, oppure da variabili binarie che descrivono lo stato libero/occupato di ciascuna delle sezioni di blocco in cui è divisa la linea.

Eventi. Si definisce “evento” un qualsiasi accadimento istantaneo che faccia cambiare il valore di almeno una delle variabili di stato. L’arrivo di un utente ad un sistema a coda è un evento, così come il completamento di un servizio. Esistono eventi esterni al sistema (eventi esogeni) ed eventi interni (eventi endogeni). Ad esempio, l’inizio del servizio ad un utente in coda è un evento endogeno, mentre l’arrivo di un utente ad un sistema a coda è un evento esogeno.

Entità e attributi. Le entità sono singoli elementi del sistema che devono essere definiti. Un esempio di entità è un utente presso un sistema a coda, oppure un servente. Nel primo caso l’entità fluisce all’interno del sistema e si parla di “entità dinamica”, nel secondo caso si parla di “entità statica”. Le entità possono essere caratterizzate da attributi che forniscono un valore di un dato assegnato alla stessa. È chiaro che, alcuni attributi possono essere di interesse in alcuni casi e non in altri. Le entità possono essere raggruppate in classi, che sono insiemi di entità dello stesso tipo, ovvero si possono raggruppare le entità in base agli attributi. Se, ad esempio, consideriamo persone di sesso maschile e femminile come utenti di un sistema a coda, essendo le entità le persone, esse possono essere raggruppate in due classi in base all’attributo “sesso”.

Risorse. Le risorse sono elementi del sistema che forniscono un servizio alle entità. Un’entità può richiedere una o più unità di risorsa e se questa non è disponibile l’entità dovrà mettersi, ad esempio, in una coda, in attesa che si renda disponibile, oppure intraprendere un’altra azione. Se invece la risorsa è disponibile, essa viene “catturata” dall’entità, “trattenuta” per il tempo necessario e poi “rilasciata”. Un esempio di risorsa potrebbe essere un operaio che sovrintende il funzionamento di una macchina, la quale non può funzionare senza l’operaio stesso. Quando è richiesto l’utilizzo di questa macchina, se la risorsa “operaio” è disponibile, l’esecuzione del lavoro è effettuata, altrimenti si attende la sua disponibilità. L’operaio verrà “trattenuto” per la durata dell’esecuzione del lavoro e poi “rilasciato”. Si osservi che, in generale, un elemento del modello potrebbe essere considerato parimenti un’entità o una risorsa. Questo, ovviamente, dipende da come si è scelto di costruire un modello.

Attività e ritardi. Un’attività è un’operazione la cui durata è nota a priori, all’inizio della sua esecuzione. Tale durata può essere una costante, un valore aleatorio generato da una distribuzione di probabilità, oppure data in input o calcolata in base ad altri eventi che accadono nel sistema. Un esempio è dato dal tempo di servizio in un sistema a coda. Un ritardo è un periodo di tempo di durata indefinita che è determinata dalle condizioni stesse del sistema. Il tempo che un’entità trascorre presso una coda prima che si liberi una risorsa della quale necessita è un ritardo.

1.2 Classificazione dei modelli di simulazione

I modelli di simulazione si possono classificare in base a diversi criteri; una prima distinzione già vista si ha tra:

• Modelli continui, in cui il valore delle variabili cambia con continuità;
• Modelli discreti, in cui il valore delle variabili cambia in ben definiti “istanti di tempo”.

Un’altra distinzione, tra:

• Modelli statici, che rappresentano un sistema in un particolare istante di tempo;
• Modelli dinamici, che rappresentano un sistema in evoluzione nel tempo.

Infine, si possono distinguere:

• Modelli deterministici, che non contengono elementi probabilistici;
• Modelli stocastici, che presentano elementi soggetti ad aleatorietà.

1.3 Tipi di simulazione

1. Discrete Event Simulation

Nella simulazione ad eventi discreti il sistema è rappresentato, nella sua evoluzione nel tempo, con variabili che cambiano il loro valore in ben definiti “istanti di tempo”, appartenenti ad un insieme numerabile. In questi “istanti” accadono gli eventi. È chiaro che, essendo questi, modelli di natura dinamica, è necessario registrare, ovvero tenere memoria