LIVRABLE N 7 Simulation de l'Internet Physique (Etude Macroscopique) - Juin 2017 Rédacteurs : UPHF

Livrable N°7 « Simulation de l’Internet Physique » 31/05/2017

 LIVRABLE N°7
 Simulation de l’Internet Physique
 (Etude Macroscopique)

 Juin 2017

Rédacteurs : Shenle PAN, Yanyan YANG, Eric BALLOT

 CGS, Mines ParisTech - PSL Research University

 1

Livrable N°7 « Simulation de l’Internet Physique » 31/05/2017

 SOMMAIRE

I/ INTRODUCTION 3

II/ LES FLUX SIMULES ET LE RESERAU INTERNET PHYSIQUE 3
 Les flux de PGC simulés 3
 Le réseau Internet Physique 3

III/ LE SIMULATEUR MULTI-AGENTS 4
 Le logiciel choisi 4
 Méthodologie de la simulation 5
 Catégories d’agents en transport 6

IV/ SCENARIO SANS PERTURBATION 8
 Renforcement du modèle 8
 Nouveaux résultats pour l’étude micro 8

V/ SCENARIO AVEC PERTURBATIONS 9
 Résilience de l’Internet Physique 9
 Modélisation des perturbations 10
 Stratégies de routage de résilience 11
 Résultats 12

VI/ CONCLUSION 13

REFERENCES 14

 2

Livrable N°7 « Simulation de l’Internet Physique » 31/05/2017

I/ INTRODUCTION

Ce livrable présente les travaux réalisés pour une étude de la simulation de la performance d’un
exemple de réseau Internet Physique (IP ou PI en anglais) composé par des PI-hubs relié par de
multiples services. L’objectif de cette étude est triple. Premièrement, la simulation va fournir une
vision macroscopique sur les mouvements de flux représentés par des conteneurs de transport dans
le réseau PI, autrement dit, entre les PI-hubs. Deuxièmement, nous allons étudier des stratégies de
réponse face de perturbations au niveau de réseau ainsi que leur performance. La résilience de PI est
ainsi étudiée. Troisièmement, les résultats de simulation qui enregistrent le mouvement des flux
entrant (inbound) et sortant (outbound) des hubs sont considérés et pris comme les inputs pour la
simulation microscopique intra-site, afin d’optimiser les mouvements de conteneurs dans les sites.
Simplement dit, les outputs de la simulation macro servaient aux inputs pour la simulation micro. Il y
a ainsi une possibilité de bouclage entre les deux échelles de modélisation.

II/ LES FLUX SIMULES ET LE RESERAU INTERNET PHYSIQUE

L’étude de simulation se base sur les travaux de recherche réalisés par l’équipe CGS sur la conception
de la démonstration du potentiel de l’Internet Physique, voir (Ballot, Glardon et al. 2010), (Ballot
2012), (Ballot, Montreuil et al. 2014) et (Sarraj, Ballot et al. 2014). Les flux pour la simulation, ainsi
que le réseau conçu sont repris et renforcés pour cette étude.
Les flux de PGC simulés
Afin de construire une simulation plus proche possible d’une partie de la réalité des flux, nous
utilisons une base de données réelles de produits de grande consommation (PGC) en France. La base
de données concerne deux importants distributeurs en France, et leurs 100 fournisseurs communs
les plus importants. En raison de la taille et l’homogénéité de données, 12 semaines de flux sont
prises en compte. Table 1 donne les caractéristiques de ces flux. En général, les schémas logistiques
sont depuis les usines (303 usines au total), vers les entrepôts (57 au total) puis vers les centres de
distribution (DC) des distributeurs, 58 au total). Moins fréquent, les flux directs, correspondent à des
DC qui sont directement approvisionnés par les usines.

 Usine -> DC Usine -> entrepôt Entrepôt -> DC
 Nombre de flux 2 738 251 1 461
 Nombre de commandes 56 710 22 730 37 604
 Taille moyenne (en Eq. palette complète) 19,7 32,3 19,2
 Poids (tonne) 999 323 443 540 435 149
 Trafic (t.km) 474 459 658 165 930 963 163 419 052
 Distance moyenne (km) 511 444 441
 Table 1. Caractéristiques de flux PGC pour la simulation (12 semaines).

Au total, l’ensemble de 12 semaines de flux contient enivrement 2,5 million équivalent palettes
complètes, soit en moyenne 200 000 équivalent palettes complètes par semaine, ou environ 6,8
palettes par jour et par flux. Il est clair que ces volumes peuvent paraître très importants,
représentent un enjeu logistique important.
Le réseau Internet Physique
En prenant en compte les flux ci-dessous, un réseau IP a été conçu pour interconnecter les sites
(nœuds) et transporter les flux. Comme ce livrable ne cherche pas à contribuer à la conception de
réseau, nous simplement donnons ici le réseau mise à jour pour cette recherche et qui est le résultat
des travaux de recherche réalisé auparavant.

 3

Livrable N°7 « Simulation de l’Internet Physique » 31/05/2017

 a: réseau des usines, entrepôts et DC b: réseau Internet Physique

 Figure 1. Le réseau IP intégré dans la simulation.

Figure 1 a) illustre les sites logistiques pris en compte, i.e. la localisation des usines, entrepôts et DC,
et b) le réseau IP conçu pour interconnecter ces sites. Le réseau est optimisé pour créer un maillage
entre ces les sites, i.e. les nouveaux schémas logistiques. Ce réseau comporte 47 hubs dont 17 avec
une liaison ferroviaire. Le réseau peut être utilisé avec ou sans le réseau ferroviaire pour avoir une
base de comparaison sachant que toutes les liaisons ferroviaires sont doublées par la route (synchro-
modalité).
Les flux et le réseau IP sont utilisés par la simulation comme des données d’entrée.

III/ LE SIMULATEUR MULTI-AGENTS

Le logiciel choisi
La simulation de flux macroscopique est réalisée sur un modèle de simulation codé sur le logiciel
Anylogic (www.xjtek.com). L’environnement virtuel résultant est un système complexe et dynamique
qui reproduit les interactions entre un grand nombre d’acteurs (de producteurs, de transporteurs, de
hubs, etc.). Ces acteurs réagissent de manière indépendante et autonome et sont gérée par des
agents décisionnels qui adaptent leur décision à l’évolution de leur représentation de leur
environnement. Un modèle de système multi-agents, basé sur l’approche par événements discrets,
est développé et implanté dans le logiciel AnyLogic de XJ Technologies dont un aperçu est démontré
comme la Figure 2.

 4

Livrable N°7 « Simulation de l’Internet Physique » 31/05/2017

 Figure 2. Interfaces du simulateur

Le modèle développé ici est une extension du modèle de (Sarraj, Ballot et al. 2014) avec
l’introduction d’un agent supplémentaire qui génère des interruptions aléatoires qui simulent les
effets de perturbations au niveau des hubs : intempérie, panne technique, grève… Ce modèle lit tout
d’abord les données des réseaux routiers et ferroviaires, des sites et celles relatives aux commandes.
Ensuite le modèle de simulation exécute avec les agents programmés à chaque nœud les protocoles
de routage et des conteneurs, d’allocation des moyens de transport… Implémentés. Enfin, il permet
d’écrire sur une base de données les contenus et parcours des conteneurs fournissant ainsi une
traçabilité des résultats obtenus. Les indicateurs de performances sont calculés à partir de cette base
des opérations logistiques effectuées. A titre indicatif chaque simulation repose sur plusieurs millions
de décisions optimisées (routage de chaque conteneur, chargement de chaque transport…) qui
génère environ 200Mo de données en sortie.

Méthodologie de la simulation
La Figure 3 représente la méthodologie suivie pour étudier la performance de l’IP, sans ou avec
perturbations dans les hubs. Premièrement, on a comme bases de données d’entrée des commandes
réelles pour des produits de grande consommation en France et le réseau actuel (une cartographie
réelle des sites logistiques et des infrastructures). On a aussi implémenté dans le modèle les
pratiques actuelles en matière de transport (palettes, chargement, déchargement etc. Après le
lancement de la simulation, on obtient un certain nombre de données correspondant aux différents
transports des palettes (ou conteneurs) et leurs contenus. Ces données sont stockées dans un fichier
Access et on l’examine ensuite les performances des scénarios en utilisant des différents indicateurs
de performance (KPI). Cette étape a pour le but de valider le modèle en comparant les résultats de
simulation des pratiques actuelles avec les données réelles.

 5

Livrable N°7 « Simulation de l’Internet Physique » 31/05/2017

 Figure 3. Méthodologie de Simulation.

Dès que le simulateur est validé sur le réseau actuel, nous utilisons les mêmes flux dans le réseau
Internet Physique sans et avec perturbations dans les hubs. Nous avons implémenté les protocoles
de routage de l’IP dans le simulateur et finalement nous obtenons comme sortie les KPI de l’internet
physique pour différents scénarios (taux d’utilisation, délai…). Pour introduire les protocoles de l’IP,
nous présentons tout d’abord le processus de routage dans l’IP, comme montré par la Figure 4.

 Figure 4. Processus de Routage dans l’Internet Physique.

Catégories d’agents en transport
Cette partie présente les grandes catégories d’agents qui assurent le fonctionnement de transport
dans l’IP. Dans le système de transport de l’IP, tout d'abord, chaque commande est chargée dans un
nombre optimisé (par exemple minimal) de PI-conteneurs. Lorsqu'un PI-conteneur est prêt à être
expédié, le meilleur acheminement vers la destination est identifié et est constitué de plusieurs

 6

Livrable N°7 « Simulation de l’Internet Physique » 31/05/2017

segments, qui pourraient être commencés par un service de camion, puis poursuivis avec un train, et
ainsi de suite jusqu'à la destination où les marchandises sont déchargées des PI-conteneurs. Il s’agit à
la différence de protocoles digitaux d’un routage de bout en bout. Entre les segments de transport,
les PI-conteneurs sont manipulés dans des hubs. Chaque fois qu'un conteneur arrive à un hub, le hub
trouve le meilleur acheminement restant et le meilleur moyen de transport approprié pour le
segment suivant. La solution de base trouvée initialement peut donc être adaptée en fonction de
l’état réel du réseau lors de l’exécution. De plus, comme il y a des perturbations dans les hubs, des
stratégies prise de décisions sont nécessaires pour faire face à des perturbations.
Ici les règles et les optimisations qui déterminent les opérations sont appelées protocoles de
transport. Chaque nœud prend des décisions au niveau local, décisions qui se résument à quatre
types de protocoles sous formes d’agents du simulateur.
 Agent de préparation de commandes : dont l’objectif est de préparer les expéditions à
 partir des commandes données par le fichier Input de flux. Ces expéditions peuvent être sous
 formes de conteneurs dans les scénarios de l’Internet Physique, ou sous formes de palettes
 dans le cas du scénario de référence (logistique actuelle). Pour la conteneurisation dans les
 scénarios de l’IP, le critère retenu est celui du minimum de conteneurs qui maximise les taux
 de remplissage, c’est un problème dit de « sac à dos ». Nous appliquons le protocole de
 conteneurisation de (Sarraj, Ballot et al. 2014). Il équivaut à une encapsulation de données
 modulaire dans Internet numérique. Basé sur le conteneur «palette-wide» (PW) qui est une
 unité de transport intermodal utilisée en Europe, (Sarraj, Ballot et al. 2014) a proposé un
 ensemble de conteneurs modulaires de différentes tailles 2.4m * 2.4m * {1.2, 2.4, 3.6, 4.8, 6,
 12} cm. Compte tenu de l'ensemble des tailles de conteneurs modulaires, le protocole
 regroupe d'abord les commandes à transporter dans la même période (journée) et se dirigeant
 vers la même destination, soit le même destinataire final, soit certains points de stockage
 intermédiaires communs. Ensuite, la sélection de conteneurs spécifiques est effectuée pour
 chaque commande afin de minimiser d'abord le nombre de conteneurs utilisés et, ensuite, de
 maximiser l'utilisation de l'espace des conteneurs avec des contraintes de poids et de volume.
 Agent de Routage : dont l’objectif est de trouver la route de chaque conteneur depuis
 leur origine jusqu’à leur destination finale, et ceci en cherchant à minimiser une certaine
 métrique. Cet agent n’a aucun rôle lors du scénario de référence. Ce problème est en fait un
 problème classique de plus « court » chemin dans un graphe où les arcs sont les services de
 transport. La notion de « court « » est relative au critère d’optimisation : coût, temps, distance
 parcourue, émissions ou toute combinaison de ceux-ci. Comme notre cas de réseau est
 complexe avec plus de 14,000 arcs (services par la route et le rail) et 500 nœuds et dans
 certains scénarios plus d’un million de conteneurs à acheminer à travers ce réseau, nous
 utilisons une heuristique dit A* pour trouver des solutions.
 Agent de Transport : Il a pour mission de remplir des moyens de transports
 intelligemment avec les conteneurs ou palettes adéquates à chaque nœud ou hub. Il essaie
 ainsi de regrouper les flux afin de maximiser globalement le taux de remplissage des moyens
 de transport, et de limiter les coûts de transbordement. Ceci peut être modélisé comme un
 problème de multiple bin-packing with time window : disposant d’un ensemble d’objets
 (conteneurs), de leurs tailles et poids, ainsi que d’un ensemble de sacs (moyen de transport)
 de leurs capacités, comment trouver le nombre minimum de sacs de sorte que tous les objets
 soient affectés à un sac ? Ici, on applique l’algorithme de First Fit Decreasing (FFD) pour
 l’affectation des conteneurs. Au départ, les objets sont triés dans l'ordre décroissant de leur
 taille. Un seul sac est considéré, et les objets sont chargés dans le sac par ordre d'arrivée.
 Quand il n'y a pas assez de place dans le premier sac pour un objet donné, il sera chargé dans
 un second sac, mais sans fermer le premier. Ensuite, l'objet suivant va essayer d'entrer dans le
 premier sac avant le second, à moins que le premier soit complet et donc fermé, et ainsi de
 suite.

 7

Livrable N°7 « Simulation de l’Internet Physique » 31/05/2017

 Agent de Routage de Résilience : en face des perturbations, deux stratégies de résilience
 sont proposées : Risk avoidance et Risk-taking. Elles sont détaillées dans la partie V/ SCENARIO
 AVEC PERTURBATIONS.
Une fois le simulateur développé et renforcé, il est utilisé pour plusieurs scénarios de simulation sous
des hypothèses différentes. Le code est en langage Java.

IV/ SCENARIO SANS PERTURBATION

Dans un premier temps, nous focalisons sur le scénario sans prenant en compte de perturbation au
niveau de hubs et de moyens de transport. Dans les travaux précédents montrés ci-dessus, voir
(Ballot, Glardon et al. 2010), (Ballot 2012), (Ballot, Montreuil et al. 2014) et (Sarraj, Ballot et al. 2014)
par exemple, ce scénario a été simulé pour démontrer la performance de l’IP. Pour ce projet, nous
nous sommes appuyés sur cette base.
Renforcement du modèle
Pour la simulation microscopique sur les mouvements de conteneurs sur hubs, il est impératif de
connaître la composition de train arrivant en avance afin d’établir le plan de déchargement et
d’évacuation de wagons et/ou de conteneurs. Sachant que le simulateur auparavant développé par
notre équipe n’était pas compatible avec cet objectif, il était incapable de donner des informations à
ce niveau. Par conséquent, nous l’avons repris.
La catégorie d’agent de « Train » a été renforcée en ajoutant les numéros de wagon et une fonction
d’affectations de conteneurs aux wagons de train. La fonction d’affectations des conteneurs aux
wagons est aussi basée sur l’algorithme de FFD (First Fit Decreasing) afin de mieux remplir les
moyens de transport. Un aperçu de fonction dans le simulateur est montré par la Figure 5.

 Figure 5. Aperçu de fonction d’affectation de conteneurs aux wagons de train.

Nouveaux résultats pour l’étude micro
Table 2 illustre un échantillon de résultats de données simulés. On peut voir que chaque conteneur
de transport est désormais indexé en trois niveaux, 1) ID au niveau de conteneur, 2) ID de wagon
auquel le conteneur se trouvé, 3) ID de train duquel le wagon et le conteneur dépendent. De plus, le
temps de départ (depuis la source) et arrivé (à la destination) sont également connus pour chaque
conteneur sur chaque segment de transport. Avec toutes ces informations, il est possible de prévoir
l’arrivé de conteneurs au niveau de temps et de localisation dans un train. Cela nous permet d’établir

 8

Livrable N°7 « Simulation de l’Internet Physique » 31/05/2017

le plan de déchargement sur site. Ces informations de résultats simulés servent comme input pour la
simulation micro sur hubs.

ContainerID SourceId DestinationId Transport WagonID Transport Ship Arrival
 MediumId Medium Type Time Time
390 10010 10042 6646 3 Train 01:15:00 05:14:59
391 10010 10042 6646 4 Train 01:15:00 05:14:59
392 10010 10042 6646 5 Train 01:15:00 05:14:59
393 10010 10042 6646 6 Train 01:15:00 05:14:59
514 10010 10042 6646 1 Train 01:15:00 05:14:59
515 10010 10042 6646 2 Train 01:15:00 05:14:59
516 10010 10046 6648 1 Train 01:15:00 04:59:59
517 10010 10046 6648 2 Train 01:15:00 04:59:59
 Table 2. Echantillon de résultats de simulation sur la composition d’un train arrivant (site et date
 donnée).

V/ SCENARIO AVEC PERTURBATIONS

Etant une des contributions scientifiques majeures de notre équipe pour ce projet, ce scénario prend
en compte des perturbations variées. En faisant l’hypothèse que les perturbations vont dégrader la
performance du réseau, l’objectif de cette simulation est double : premièrement pour
quantitativement et qualitativement analyser la résilience de l’IP, autrement dit l’impact de
perturbations sur la performance de l’IP ; et deuxièmement pour générer les données sur les flux
entrant et sortant de hubs en cas de perturbations, pour l’usage de la simulation micro. Cette partie
du travail est publié dans un papier de conférence IFAC, voir Yang, Pan et al. (2017) pour plus
d’information.

Résilience de l’Internet Physique
Brièvement, la résilience est la capacité d'un élément, ou d'un système, à revenir à un état original
stable après des perturbations (Christopher and Peck 2004, Ponomarov and Holcomb 2009, Kim,
Chen et al. 2015). En logistique, le concept décrite la capacité d’un système logistique à limiter les
impacts des perturbations sur la performance logistique du système. Dans la littérature, plusieurs
stratégies de résilience ont été proposées et étudiées, par exemple la stratégie inventory redundancy
(Groenevelt, Pintelon et al. 1992, Arreola-Risa and DeCroix 1998), la stratégie source/process
flexibility (Snyder and Shen 2006, Tomlin 2006, Simchi-Levi, Wang et al. 2013), la stratégie par
l’optimisation du réseau et de la localisation de sites (Snyder and Daskin 2005, Cui, Ouyang et al.
2010), ou encore la stratégie d’assurance renforcée (Gümüs, Ray et al. 2012).
Sachant que l’IP est basé sur une organisation d’interconnexion des réseaux logistique qui est
différente des organisations actuelles, la résilience peut également être robuste. L’objectif de cette
étape est de valider cette hypothèse par une étude de simulation.

 9

Livrable N°7 « Simulation de l’Internet Physique » 31/05/2017

 Figure 6. Processus de la simulation.

Comme la Figure 6 le montre, basés sur les données PGC et le réseau IP conçu, plusieurs scénarios
avec de perturbations différentes ont été simulés et comparé par des indicateurs de performance,
par exemple le temps total de livraison, les émissions de CO2, ou le coût logistique.

Modélisation des perturbations
Etant une des méthodes les plus pertinentes pour modéliser les perturbations (Snyder and Shen
2006, Tomlin 2006, Baghalian, Rezapour et al. 2013), la chaîne de Markov a été adoptée dans cette
étude. Précisément, nous avons suivi la modélisation méthodologique proposé dans Snyder and Shen
(2006). Une perturbation dans un hub i est modélisée par une chaîne de Markov à deux états
(Fonctionnement/Panne), avec une probabilité de tomber en panne i (le hub i devient inutilisable)
et une probabilité de réparation i (le hub i redevient fonctionnel), voir Figure 7. Les hubs perturbés
ne sont pas opérationnels, ni réception ni expédition par des camions ou des trains, jusqu’à la fin de
la perturbation. Toutefois, il est présumé que les conteneurs (marchandises) dans les hubs perturbés
ne sont pas détruits, c’est-à-dire qu’ils peuvent être expédiés après la perturbation. Autrement dit,
toutes les catégories de perturbation ne sont pas considérées ici, par exemple seules les
perturbations comme la panne d’équipements, la grève d’opérateurs, la manque des moyens
informatique, etc., et non pas les perturbations graves comme l’incendie, le tremblement de terre,
etc. Ainsi, la probabilité d’un hub en panne à un temps donné peut être calculé par l’équation
 
suivante ( ).
 + + 
 Par conséquent, la combinaison (i,  i) avec des valeurs différentes représente
des perturbations différentes, en termes de fréquence et /ou temps en panne par exemple, voir
Table 3.

 Figure 7. Perturbations modélisées par une chaîne de Markov à deux états.

Afin de quantitativement étudier la résilience de l’IP, plusieurs profils de perturbations sont
également modélisés et pris en compte dans la simulation. Pour cela, nous avons adopté les profits

 10

Livrable N°7 « Simulation de l’Internet Physique » 31/05/2017

de perturbations proposés dans (Snyder and Shen 2006, Tomlin 2006). Les paramètres sont illustrés
dans Table 3. La capacité perdue est calculée par temps total inutilisable / temps total (24h par jour)
pour tous les hubs.

 Probabilité de Probabilité de Temps en panne Capacité
# Description de Profils
 tomber en panne i réparation i en moyen (h) perdue (%)
0 0% 100% 0 0% pas de perturbation
1 1% 30% 3,2 3% rare, très longue
2 5% 50% 1,9 9% rare, longue
3 5% 70% 1,4 7% rare, mi-longue
4 10% 50% 1,9 17% moins fréquente, longue
5 10% 70% 1,4 13% moins fréquente, mi-longue
6 20% 50% 1,9 29% fréquente, longue
7 20% 70% 1,4 22% fréquente, mi-longue
8 20% 90% 1,1 18% fréquente, courte
 Table 3. Profils de perturbations.

Les profils de perturbations sont tous étudié un par un par le simulateur, afin de comparer leur
impact sur la performance de l’IP.

Stratégies de routage de résilience
La prise en compte de perturbations exige des stratégies de routage dynamiques pour éviter et
limiter l’impact des perturbations. Car, comme Figure 3 et Figure 4 l’expliquent, il faudra actualiser la
route optimale (restante) pour chaque conteneur arrivant sur un hub en fonction de perturbations
aux prochaines destinations s’il y a lieu. Ces stratégies, dites stratégies de routage de résilience (ou
protocoles dans des publications), ont été développées pour cette recherche.
Deux stratégies de routage de résilience ont été proposées et étudiées pour la simulation : Risk
avoidance et Risk-taking.
 Risk avoidance : une stratégie qui vise à éviter tous les hubs perturbés pour le routage.
 C'est-à-dire, s’il existe des hubs perturbés sur le chemin optimal a priori, le conteneur va
 prendre un autre chemin sans hubs perturbés, même si la « distance » totale parcourue est
 plus longue. Cette stratégie est conservative pour tenir le temps de livraison total, mais en
 augmentant le coût logistique à cause de la distance rallongée : logique de contournement.
 Risk-taking : sous cette stratégie, les hubs perturbés seront pris en compte en ajoutant
 un temps de pénalité estimé (pour chaque perturbation) au calcul de temps total. Si l’agent de
 routage constate que le chemin perturbé reste le meilleur chemin selon les critères
 d’optimisation, les conteneurs continueront d’utiliser le chemin perturbé. En prenant des
 risques, la stratégie permet à l'agent de routage de trouver des itinéraires globaux optimaux,
 mais elle peut également entraîner un délai important en raison de longues perturbations
 imprévisibles (à cause des aléas rencontrés).
En complément de ces stratégies, le critère d’optimisation du chemin d’un conteneur est mono-
objectif, soit la distance totale parcourue, soit le temps de livraison total.
 La distance totale parcourue est calculée depuis la source vers la destination finale en
 passant par des hubs. Par suite, le coût de transport et les émissions de CO2 de transport sont
 calculés par une fonction linéaire de la distance totale ;
 Le temps de livraison total est calculé à partir du moment où le départ d’un conteneur
 est planifié jusqu'à son arrivée à destination finale, y compris le temps de transport sur la

 11

Livrable N°7 « Simulation de l’Internet Physique » 31/05/2017

 route, le temps de chargement et de déchargement et le temps d'attente dans les hubs
 (données à lier aux simulations micro).

Résultats
Plusieurs scénarios ont été conçus, en considérant respectivement les deux stratégies de routage de
résilience, les deux objectifs, et les 8 profils de perturbation (plus une sans perturbation). Par
conséquent, 36 scénarios ont été simulés et étudiés au total. Afin de démonter la résilience, chaque
scénario a été comparé avec la situation sans aucune perturbation (scénario 0). La comparaison a été
faite selon 3 indicateurs principaux : coût logistique, émission de CO2, et temps de livraison. Les
résultats sont présentés dans cette partie en suivant les indicateurs.
Les simulations ont été réalisées sur AnyLogic 6.8, sur un ordinateur Intel (R) Core (TM) i7-3940XM
CPU 3.20 GHz et 32 Go RAM.
Coût logistique : dans la Figure 8, les 8 scénarios avec perturbations ont été comparés avec le
scénario sans perturbation en coût logistique. La comparaison est par le rapport de performance, qui
est calculé par l’équation (A-B)/B quand on veut comparer le scénario A avec le scénario B.
Autrement dit, c’est l’augmentation relative du coût. Prenons les quatre premières colonnes par
exemple, qui sont les scénarios sous le profil de perturbation 1 (voir Table 3). Selon la première et
deuxième colonne (scénarios) ayant pour objectif d’optimiser la distance totale, le coût logistique a
augmenté 0,5% avec la stratégie Risk avoidance, contre 1,9% avec la stratégie Risk-taking. Quand on
optimise le temps (la troisième et quatrième colonne), l’augmentation est de 0,2% contre 2,8%
respectivement. Dans cet exemple, la stratégie Risk avoidance clairement domine l’autre. Cependant,
le résultat est très différent scénario par scénario.
Dans l’ensemble, nous pouvons constater que les perturbations entraînent toujours une
augmentation du coût logistique total. Cependant, l’augmentation maximale est de seulement 4,3%
par rapport à une perte de 29% des nœuds du réseau (le 29% ici signifie qu’à chaque heure 29% des
hubs sont perturbés donc inutilisables). Plus précisément, l’augmentation du coût total provient
principalement du coût de transport, y compris le coût supplémentaire de la consommation
d’énergie. Cela s’explique par un nombre accru de conteneurs « urgents » (qui doit être expédié sans
attente pour respecter la fenêtre de temps), en raison de perturbations qui retenaient ces
conteneurs sur hubs.

 Figure 8. Rapports de performance en coût logistique.

Emissions de CO2 : La Figure 9 illustre les rapports de performance pour cet indicateur de
performance. En général, nous pouvons constater que les perturbations entraînent des émissions
supplémentaires qui augmentent avec la perte de nœud du réseau. Dans le pire des cas, lorsque
moyennement 29% des hubs deviennent inutilisables, les émissions augmentent de 9,6% par rapport
au scénario sans perturbation. De plus, sous critère d’optimisation de distance, la stratégie Risk-

 12

Livrable N°7 « Simulation de l’Internet Physique » 31/05/2017

taking surpasse la stratégie Risk avoidance (sauf Profil 1), contrairement au critère d’optimisation de
temps.

 Figure 9. Rapports de performance en émissions de CO2.

Temps de livraison : le report de performe pour cet indicateur est calculé en value absolue, comme
indiqué dans la Figure 10. Comme les autres indicateurs, les perturbations ont fait augmenter le
temps de livraison en moyen. Cependant, l’augmentation maximale causée par la perte de capacité
maximale de 29% dans IP ne représente que 1,83 heures sur 8 heures dans un scénario sans
interruption. En outre, pour cet indicateur, la stratégie Risk avoidance est nettement meilleure car
elle évite toutes les perturbations dans le chemin.

 Figure 10. Rapports de performance en temps de livraison.

Globalement, les perturbations ont dégradé la performance du réseau IP, mais l’impact était limité
par les stratégie de routage de résilience. Dans le pire des cas où PI a perdu 29% de sa capacité (Profil
6), les perturbations entraîneront un maximum de 4,3% du coût logistique total supplémentaire,
9,6% des émissions totales de CO2 totales, et 1,83 sur un délai de 8 heures De livraison de
conteneurs. Autrement dit, si le client peut accepter un délai supplémentaire de 1,83h, l’impact des
perturbations est effacé par le réseau IP. Par ce fait, on peut ainsi conclure que la résilience du
réseau IP est remarquable. En outre, les deux stratégies de routage étudiées se comportent très
différent sans montrer une seule stratégie dominante. Pour résumer, Table 4 présente la meilleure
stratégie par scénario. Cette conclusion peut aider aux décideurs de choisir la meilleure stratégie en
face des perturbations et d’objectif communes.

 13

Livrable N°7 « Simulation de l’Internet Physique » 31/05/2017

 Critères d’optimisation Distance Temps
 Indicateurs Coût Temps CO2 Coût Temps CO2
 Profils
 rare, très longue A A A A A A
 rare, longue A A R A A A
 rare, mi-longue A A R A A A
 moins fréquente, longue R A R A A A
 moins fréquente, mi-longue R A R A A A
 fréquente, longue R A R R A R
 fréquente, mi-longue R A R R A R
 fréquente, courte R A R R A R
 Table 4. Stratégie de routage de résilience optimal par scénario (A : Avoidance; R : Risk taking).

En ce qui concerne les données pour la simulation micro sur hubs, le simulateur est également
capable d’enregistrer et fournir les informations sur le mouvement des conteneurs en considération
de perturbation, de la même forme que cela de la Table 2.

VI/ CONCLUSION

Ce livrable vise à expliquer et présenter les travaux réalisés par l’équipe CGS à MINES ParisTech pour
le projet PI-NUTS. La problématique et l’objectif de l’étude, ainsi que le processus, les méthodes, et
les résultats, sont présentés. Le lien avec les autres packages, notamment avec la simulation micro
est également justifié.
En suivant la planification du projet, les tâches prévues pour MINES ParisTech sont terminées. La
prochaine étape sera de relier les résultats de la simulation macro aux besoins de la simulation micro.
Les équipes du projet vont travailler ensemble pour assurer que les données de simulation soient
exploitables et utilisables pour les autres packages.
La valorisation des travaux sera également poursuivie avec la publication dans une revue
internationale de ces travaux.
Ces travaux montrent clairement la robustesse des réseaux interconnectés comparé aux réseaux
classiques. La plateforme développée permettra à l’avenir de tester d’autres protocoles de routage
et d’étendre les perturbations : par exemple, un changement de hub de destination en cours de
route, perturbation sur une infrastructure routière ou ferroviaire etc.
D’un point de vue des méthodes d’optimisation, compte tenu de la complexité des opérations mais
également du nombre d’aléas potentiels en application réelle l’approche MAP-Elites sera explorée
pour tester son intérêt sur ce type de problème.

Valorisation des travaux
La partie concernant la simulation de la résilience de l’IP a donné lieu d’une publication acceptée
pour le World IFAC congress en France. En s’appuyant sur la même idée, un autre article a été
accepté et publié par IJPR, en étudiant la résilience de l’IP sur la gestion de stocks.
 YANG, Y., PAN, S. & BALLOT, E. (2017) Freight Transportation Resilience Enabled by Physical
 Internet. The 20th World Congress of the International Federation of Automatic Control
 (IFAC 2017 World Congress), 9-14 July 2017 2017 Toulouse, France.
 YANG, Y., PAN, S. & BALLOT, E. (2017). Mitigating supply chain disruptions through
 interconnected logistics services in the Physical Internet. International Journal of Production
 Research, 55, 3970-3983.

 14

Livrable N°7 « Simulation de l’Internet Physique » 31/05/2017

REFERENCES
Arreola-Risa, A. and G. A. DeCroix (1998). "Inventory management under random supply disruptions
and partial backorders." Naval Research Logistics 45(7): 687-703.
Baghalian, A., S. Rezapour and R. Z. Farahani (2013). "Robust supply chain network design with
service level against disruptions and demand uncertainties: A real-life case." European Journal of
Operational Research 227(1): 199-215.
Ballot, E. (2012). Simulation de l'Internet Physique : contribution à la mesure des enjeux et à sa
definition. Paris, PREDIT.
Ballot, E., R. Glardon and B. Montreuil (2010). OPENFRET : contribution à la conceptualisation et à la
réalisation d'un hub rail-route de l'Internet Physique. Paris, PREDIT.
Ballot, E., B. Montreuil and R. Meller (2014). The Physical Internet: The Network of Logistics
Networks, La documentation Française.
Christopher, M. and H. Peck (2004). "Building the resilient supply chain." The international journal of
logistics management 15(2): 1-14.
Cui, T., Y. Ouyang and Z.-J. M. Shen (2010). "Reliable facility location design under the risk of
disruptions." Operations research 58(4): 998-1011.
Groenevelt, H., L. Pintelon and A. Seidmann (1992). "Production lot sizing with machine
breakdowns." Management Science 38(1): 104-123.
Gümüs, M., S. Ray and H. Gurnani (2012). "Supply-side story: Risks, guarantees, competition, and
information asymmetry." Management Science 58(9): 1694-1714.
Kim, Y., Y.-S. Chen and K. Linderman (2015). "Supply network disruption and resilience: A network
structural perspective." Journal of Operations Management 33–34(0): 43-59.
Mouret, J.-B., Clune, J. (2015). "Illuminating search spaces by mapping elites". arXiv:1504.04909v1
[cs.AI] 20 Apr 2015.
Ponomarov, S. Y. and M. C. Holcomb (2009). "Understanding the concept of supply chain resilience."
The International Journal of Logistics Management 20(1): 124-143.
Sarraj, R., E. Ballot, S. Pan, D. Hakimi and B. Montreuil (2014). "Interconnected logistic networks and
protocols: simulation-based efficiency assessment." International Journal of Production Research
52(11): 3185-3208.
Simchi-Levi, D., H. Wang and Y. Wei (2013). "Increasing supply chain robustness through process
flexibility and strategic inventory." Operations Research.
Snyder, L. V. and M. S. Daskin (2005). "Reliability models for facility location: the expected failure
cost case." Transportation Science 39(3): 400-416.
Snyder, L. V. and Z.-J. M. Shen (2006). "Supply and demand uncertainty in multi-echelon supply
chains." Submitted for publication, Lehigh University 15.
Tomlin, B. (2006). "On the value of mitigation and contingency strategies for managing supply chain
disruption risks." Management Science 52(5): 639-657.
Yang, Y., S. Pan and E. Ballot (2017). Freight Transportation Resilience Enabled by Physical Internet.
The 20th World Congress of the International Federation of Automatic Control (IFAC 2017 World
Congress), Toulouse, France.

 15