Ottimizzazione dei Flussi Intralogistici nell'Industria Ceramica Mediante Approcci Data-Driven

This doctoral thesis explores optimization problems in the field of intralogistics, with a particular focus on the ceramic tile industry. The study focuses on three main research directions aimed at improving the efficiency, flexibility, and reliability of intralogistics processes through the application of Operations Research (OR), Discrete Event Simulation (DES) and Machine Learning (ML) methodologies. The first topic concerns the optimization of buffer storage areas by means of DES. The research analyzes different pallet classification and allocation policies, providing quantitative insights to maximize storage capacity, facilitate operators’ activities, and enhance warehouse efficiency. The second topic addresses the design of an automated Decision Support System (DSS) for transportation planning in peripheral warehouses. The system integrates digitalization and mathematical optimization to automate order assignments and truck loading plans, minimizing transportation costs and improving coordination among storage sites. The third topic explores a hybrid predictive approach that combines optimization and ML to estimate the number of pallets required for shipping. The algorithm enables fast and accurate predictions suitable for real-time decision-making and is further extended through a multi-output regression framework capable of simultaneously forecasting different pallet types, improving stock planning and resource utilization. In conclusion, this doctoral thesis contributes to the advancement of OR applications in ceramic tiles intralogistics, providing innovative methodologies and practical tools that support the digitalization and optimization of industrial logistics systems.

Questa tesi di dottorato esplora problemi di ottimizzazione nel campo dell’intralogistica, con particolare attenzione all’industria delle piastrelle ceramiche. Il lavoro si concentra su tre principali direzioni di ricerca finalizzate a migliorare l’efficienza, la flessibilità e l’affidabilità dei processi intralogistici attraverso l’applicazione di metodologie di Ricerca Operativa (OR), Simulazione ad Eventi Discreti (DES) e Apprendimento Automatico (ML). Il primo tema riguarda l’ottimizzazione delle aree di stoccaggio intermedie mediante l’uso della DES. La ricerca analizza diverse politiche di classificazione e allocazione dei pallet, fornendo risultati quantitativi utili a massimizzare la capacità di stoccaggio, agevolare le attività degli operatori e migliorare l’efficienza del magazzino. Il secondo tema affronta la progettazione di un Sistema di Supporto alle Decisioni (DSS) automatizzato per la pianificazione dei trasporti nei magazzini periferici. Il sistema integra digitalizzazione e ottimizzazione matematica per automatizzare l’assegnazione degli ordini e la pianificazione del carico dei camion, minimizzando i costi di trasporto e migliorando il coordinamento tra i diversi siti di stoccaggio. Il terzo tema esplora un approccio predittivo ibrido che combina ottimizzazione e ML per stimare il numero di pallet necessari per la spedizione. L’algoritmo consente previsioni rapide e accurate, adatte al processo decisionale in tempo reale, e viene ulteriormente esteso attraverso un modello di regressione multi-output capace di prevedere simultaneamente diverse tipologie di pallet, migliorando la pianificazione delle scorte e l’utilizzo delle risorse. In conclusione, questa tesi di dottorato contribuisce all’avanzamento delle applicazioni della Ricerca Operativa nell’intralogistica dell’industria ceramica, fornendo metodologie innovative e strumenti pratici a supporto della digitalizzazione e dell’ottimizzazione dei sistemi logistici industriali.