Aplicación práctica para la optimización de rutas en la recogida de residuos en base al nivel de llenado previsto

111 Aplicación práctica para la optimización de rutas en la recogida de residuos en base al nivel de llenado previsto APLICACIÓN PRÁCTICA PARA LA OPTIMIZACIÓN DE RUTAS EN LA RECOGIDA DE RESIDUOS EN BASE AL NIVEL DE LLENADO PREVISTO Juan Manuel Ramos Cueli1,*, Amalia Luque Sendra2, Diego Francisco Larios Marín3, Julio Barbancho Concejero3 1 Doctorado en Instalaciones y Sistemas para la Industria, Universidad de Sevilla. 2 Departamento de Ingeniería del Diseño, Universidad de Sevilla, Sevilla. 3 Departamento de Tecnología Electrónica, Universidad de Sevilla, Sevilla. E-mail de correspondencia: jr[email protected] Resumen El objetivo ha sido el diseño de un sistema de ayuda a la decisión para la planificación del servicio de recogida de residuos sólidos urbanos de una ciudad. El sistema recoge datos de sensores ubicados en algunos contenedores (volumen) y cada vez que se vacía un contenedor (peso). La principal novedad del sistema consiste en la obtención de un modelo del nivel de llenado de cada contenedor. Con ello se permite conocer el nivel actual y previsto, y en base a ello, obtener rutas óptimas. El sistema permite obtener esta información sin necesidad de instalar sensores en cada contenedor. Este sistema permite instalar un sólo sensor por cada camión recolector frente a sensorizar los cientos o miles de contenedores que recogería dicho camión, lo que supone un ahorro considerable. 1. Introducción Una de las dificultades que nos encontramos en la implantación de nuevas tecnologías es que no se acometen de forma completa, sino que habitualmente se desarrollan parcialmente por lo que no puede validarse la solución en su conjunto. Este trabajo muestra, desde el punto de vista del usuario final, el caso de uso de un sistema de ayuda a la toma de decisión para la planificación del servicio de recogida de residuos de una ciudad. Las características del sistema desarrollado son: • Visualización del estado de nivel de llenado de los contenedores en las próximas recogidas d+1, d+2…, siendo del día actual. 112 La investigación de hoy, el futuro de mañana • Realización de simulaciones para la toma de decisiones en d+1, d+2 permitiendo analizar resultados en posteriores recogidas: d+2, d+3. • Cálculo de rutas óptimas generando una serie de indicadores y modificando las condiciones de simulación. 2. Materiales y métodos A modo de síntesis la metodología seguida ha sido la siguiente. Sobre un conjunto de datos de partida, se han aplicado unos modelos de predicción previamente obtenidos sobre datos históricos. Los resultados se muestran en una herramienta interactiva que permite simular diferentes escenarios. Los conjuntos de datos usados como puntos de partida han sido: • Peso de un contenedor en el momento de su recogida procedente de sensores de pesaje instalados en 2 camiones de recogida. • Nivel de llenado de un contenedor en intervalos horarios procedentes de sensores volumétricos en una muestra de 6 contenedores (usados como elementos de verificación). • Información del servicio de recogida: situación de los contenedores, tipo de residuo, frecuencia, número de camiones, rutas, etc. • Datos de contexto de la ciudad: callejero, catastro, costes de desplazamiento, población, negocios y meteorología. Sobre estos conjuntos de datos históricos se elaboró, en trabajos previos, un modelo de predicción de llenado, que obtiene la predicción del nivel de llenado en d+1, d+2, d+3… (siendo del día actual). En este modelo se determinó qué series de datos influyen y cuáles no. El trabajo se ha realizado en una ciudad de 150.000 habitantes, durante 15 meses, considerando 345 contenedores de envases y 223 de papel/cartón. El proceso seguido consiste en determinar cuándo conviene vaciar cada contenedor, realizar simulaciones y comparar con los ensayos reales. La parametrización del sistema consiste en definir las decisiones a tomar en función de los últimos datos reportados y de las predicciones. Posteriormente, se simulan rutas a varios días vista y el sistema propone rutas óptimas generando los indicadores asociados. 113 Aplicación práctica para la optimización de rutas en la recogida de residuos en base al nivel de llenado previsto Figura 1. Predicción del estado de contenedores y decisión, 17 y 18/01/2019. Fuente: elaboración propia. Se programan ensayos en 5 semanas consecutivas. Estos se realizan en un entorno reducido con 17 contenedores de envases y 19 de papel/cartón. Figura 2. Ruta simulada por el usuario (izquierda) frente a ruta base. Fuente: elaboración propia. El sistema recoge como indicadores el número de contenedores, el tiempo empleado, el peso de los residuos recogidos y la distancia recorrida. La concesionaria del servicio de recogida de residuos considera el ahorro de tiempo como indicador clave y en base a ello se programan los ensayos, de forma que esta variable sea la función objetivo a minimizar. Durante los ensayos se coordinó con la concesionaria las decisiones a tomar (recoger o no recoger cada contenedor y la ruta óptima a seguir). Se consideraron cuestiones específicas sobre cada tipo de residuo: • Contenedores de envases: producen olores, por lo que no deben pasar más de dos días sin recogerse. • Contenedores de papel/cartón: menor precisión en la relación peso-volumen, y por el contrario no se producen olores, por lo que no hay limitación de un número máximo de días sin recoger. 114 La investigación de hoy, el futuro de mañana Además, los ensayos permitieron comparar las predicciones realizada frente a los datos recogidos por los sensores de pesaje. 3. Resultados y discusión Tras los ensayos realizados, se obtienen ahorros de tiempo entre el 25% y el 50% en envases, y entre el 45% y el 70% en papel/cartón. Como primera conclusión podemos decir que, al manejar mayor información y en base a ella establecer diferentes escenarios, se pueden establecer nuevas estrategias de cara a optimizar el servicio. No obstante, es importante considerar las dificultades que se han encontrado relativas a problemas con los datos (ruido en las medidas, fallos ocasionales en la recogida o envío de datos) y el establecimiento de la correlación peso-volumen (motivado por los dos tipos de sensores utilizados), la cual es crítica para el caso de papel/cartón por la mayor variabilidad de los datos, motivado porque se introducen cajas de cartón sin plegar en los contenedores. Estos problemas se minimizaron ajustando los parámetros adecuadamente. 4. Conclusiones Se ha desarrollado una solución que, junto con las nuevas fuentes de datos procedentes de los sensores instalados, ha permitido evaluar diferentes estrategias de optimización obteniéndose mejoras significativas. Se ha de tener en cuenta que el alcance de los ensayos ha sido limitado y estos resultados deberán corroborarse en el futuro. Como resultado del proceso seguido, se han fortalecido los algoritmos y la metodología utilizados, lo cual aporta una interesante capacidad de adaptación a nuevos escenarios (ciudades). Agradecimientos Los autores agradecen el apoyo financiero recibido para la realización de este trabajo por parte del CDTI y el programa FEDER (expediente IDI-20160974), y a las empresas UTE Sufi Cointer, Azvi y Soltel. Referencias bibliográficas Beliën, J., De Boeck, L., y Van Ackere, J. (2014). Municipal solid waste collection and management problems: A literature review. Transportation Science, 48(1), 78- 102. https://doi.org/10.1287/trsc.1120.0448 115 Aplicación práctica para la optimización de rutas en la recogida de residuos en base al nivel de llenado previsto Cole, C., Quddus, M., Wheatley, A., Osmani, M., y Kay, K. (2014). The impact of Local Authorities’ interventions on household waste collection: A case study approach using time series modelling. Waste Management, 34(2), 266-272. https://doi.org/10.1016/j.wasman.2013.10.018 Golden, B., Raghavan, S., y Wasil, E. (2008). The vehicle routing problem: Latest Advances and New Challenges. Springer. Jalili, M., y Noori, R. (2008). Prediction of municipal solid waste generation by use of artificial neural network: A case study of Mashhad. International Journal of Environmental Research, 2(1), 13-22. https://www.researchgate.net/ publication/27794359_Prediction_of_Municipal_Solid_Waste_Generation_ by_Use_of_Artificial_Neural_Network_A_Case_Study_of_Mashhad Ler, A., Benavente, M., Bustos, J., y Venegas, B. (2009). El problema de rutas de vehículos: Extensiones y métodos de resolución estado del arte. En Workshop Internacional EIG2009. https://pdfs.semanticscholar.org/ e47e/71d4f7470d69dd987190286cfd48eeabae61.pdf