Surrogate gradient methods for data-driven scrap procurement optimization
The foundry industry, a fundamental element of modern industrialization, faces significant challenges in scrap procurement and energy consumption, impacting both operational costs and environmental sustainability. This work presents a threefold approach to address these challenges, aiming to bridge the theoretical concepts of machine learning (ML) and numerical optimization with practical applications in the foundry sector. Initially, two user-friendly ML software tools, EidoData desktop and EidoData web, are developed to democratize ML applications, enabling individuals with limited ML expertise to leverage data-driven insights for informed decision-making. Furthermore, a novel surrogate gradient method is introduced to simplify the optimization process of scrap purchasing, making it more efficient and practical. This method uses smooth surrogate functions to approximate non-smooth cost functions, enhancing computational efficiency in deriving optimal scrap purchasing strategies more effectively. Lastly, an integration of the developed software tools and the optimization method is employed to simulate real-world scrap purchasing scenarios. Through a virtual environment mirroring real-world scrap trading dynamics, this integrated framework provides a powerful tool for decision-makers in the foundry industry, facilitating a detailed understanding of the complex interplay between scrap procurement, energy consumption, and overall operational cost. By employing user-friendly software, introducing a new optimization method, and demonstrating their practical application in real-world scenario simulations, the presented work contributes to the development of cost-effective and environmentally sustainable practices in the foundry industry.
Die Gießereiindustrie, ein grundlegendes Element der modernen Industrialisierung, steht vor erheblichen Herausforderungen bei der Beschaffung von Schrott und dem Energieverbrauch, die sowohl die Betriebskosten als auch die Umweltverträglichkeit beeinflussen. Diese Arbeit stellt einen dreigliedrigen Ansatz zur Bewältigung dieser Herausforderungen vor, mit dem Ziel, die theoretischen Konzepte des maschinellen Lernens (ML) und der numerischen Optimierung mit praktischen Anwendungen im Gießereisektor zu verbinden. Zunächst werden zwei benutzerfreundliche ML-Softwaretools, EidoData desktop und EidoData web, entwickelt, um ML-Anwendungen zu demokratisieren und Personen mit begrenzten ML-Kenntnissen zu ermöglichen, datengetriebene Erkenntnisse für informierte Entscheidungen zu nutzen. Darüber hinaus wird eine neuartige Surrogate-Gradient-Methode vorgestellt, um den Optimierungsprozess des Schrottkaufs zu vereinfachen und praktikabler zu gestalten. Diese Methode erstellt glatte Ersatzfunktionen, um nicht-differenzierbare Kostenfunktionen anzunähern und die Recheneffizienz bei der Ermittlung optimaler Schrottkaufstrategien zu verbessern. Schließlich wird eine Integration der entwickelten Softwaretools und der Optimierungsmethode verwendet, um reale Szenarien für den Schrottkauf zu simulieren. Durch eine virtuelle Umgebung, die die realen Dynamiken des Schrotthandels widerspiegelt, bietet dieses integrierte Framework ein leistungsstarkes Tool für Entscheidungsträger in der Gießereiindustrie und erleichtert ein detailliertes Verständnis der komplexen Wechselwirkungen zwischen Schrottbeschaffung, Energieverbrauch und den gesamten Betriebskosten. Durch den Einsatz benutzerfreundlicher Software, die Einführung einer neuen Optimierungsmethode und die Demonstration ihrer praktischen Anwendung in Echtzeitszenariosimulationen trägt diese Arbeit zur Entwicklung kosteneffizienter und umweltverträglicher Praktiken in der Gießereiindustrie bei.