| dc.contributor.advisor | Γκρίτζαλης, Στέφανος | |
| dc.contributor.author | Σαγιά, Αναστασία | |
| dc.date.accessioned | 2026-05-14T06:48:07Z | |
| dc.date.available | 2026-05-14T06:48:07Z | |
| dc.date.issued | 2026 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/19314 | |
| dc.description.abstract | Η συλλογή αστικών αποβλήτων παραμένει μια από τις δημόσιες υπηρεσίες με τη μεγαλύτερη κατανάλωση πόρων σε αστικά περιβάλλοντα. Τα παραδοσιακά συστήματα σταθερής διαδρομής λειτουργούν με στατικά χρονοδιαγράμματα που δεν αντικατοπτρίζουν τα πρότυπα παραγωγής αποβλήτων σε πραγματικό χρόνο, οδηγώντας σε περιττές μετακινήσεις, μη βέλτιστη αξιοποίηση οχημάτων, κατανάλωση καυσίμου που μπορεί να αποφευχθεί και αυξημένες εκπομπές αερίων του θερμοκηπίου. Αυτή η μελέτη αναπτύσσει και αξιολογεί ένα πλαίσιο ψηφιακού διδύμου για έξυπνη διαχείριση αποβλήτων που υποστηρίζεται από προβλέψεις που βασίζονται στην τεχνητή νοημοσύνη και δυναμική βελτιστοποίηση δρομολόγησης.
Το προτεινόμενο σύστημα ενσωματώνει μοντελοποίηση συσσώρευσης αποβλήτων σε επίπεδο κάδου, πρόβλεψη πληρότητας βασισμένη στη μηχανική μάθηση και δυναμική χωρητική δρομολόγηση οχημάτων εντός μιας ενοποιημένης αρχιτεκτονικής ψηφιακού διδύμου. Η παραγωγή αποβλήτων μοντελοποιείται ως μια χρονικά εξαρτώμενη στοχαστική διαδικασία που ενσωματώνει εβδομαδιαία εποχικότητα, επιδράσεις αργιών και μεταβλητότητα του περιβάλλοντος. Προγνωστικά μοντέλα, συμπεριλαμβανομένης της μάθησης σε σύνολο και προσεγγίσεων που βασίζονται σε ακολουθίες, εκτιμούν τον χρόνο έως το όριο για κάθε κάδο. Οι αποφάσεις δρομολόγησης επανυπολογίζονται καθημερινά χρησιμοποιώντας ευρετικές μεθόδους βελτιστοποίησης για την ελαχιστοποίηση της συνολικής απόστασης μετακίνησης, σεβόμενοι παράλληλα τη χωρητικότητα του οχήματος και τους λειτουργικούς περιορισμούς.
Μια συγκριτική προσομοίωση μεταξύ ενός βασικού συστήματος σταθερής διαδρομής και του σεναρίου ψηφιακού διδύμου βελτιστοποιημένου με τεχνητή νοημοσύνη πραγματοποιήθηκε για ένα δίκτυο πόλης 500 κάδων και 8 οχημάτων ντίζελ. Τα αποτελέσματα δείχνουν μείωση 26,5% στη συνολική απόσταση διαδρομής, μείωση 31,9% στην κατανάλωση καυσίμου και αντίστοιχη μείωση 31,9% στις εκπομπές CO2. Η χρήση των οχημάτων βελτιώθηκε από 63% σε 84%, ενώ τα περιστατικά υπερχείλισης μειώθηκαν από 47 σε 9 περιστατικά ανά μήνα. Η ανάλυση ευαισθησίας σε μικρά, μεσαία και μεγάλα δίκτυα πόλεων επιβεβαιώνει ότι τα οφέλη βελτιστοποίησης κλιμακώνονται θετικά με το μέγεθος του δικτύου.
Τα ευρήματα δείχνουν ότι η λειτουργική βελτιστοποίηση μέσω της ενσωμάτωσης ψηφιακών διδύμων παρέχει άμεσα οικονομικά και περιβαλλοντικά οφέλη χωρίς να απαιτείται ηλεκτροδότηση του στόλου ή σημαντική αντικατάσταση υποδομών. Ενώ οι προκλήσεις εφαρμογής, όπως η αξιοπιστία των αισθητήρων, η ενσωμάτωση δεδομένων και η οργανωτική προσαρμογή, πρέπει να αντιμετωπιστούν, τα αποτελέσματα καταδεικνύουν ότι ο συνδυασμός της παρακολούθησης σε πραγματικό χρόνο, της προγνωστικής ανάλυσης και της δυναμικής δρομολόγησης προσφέρει μια πρακτική οδό προς πιο βιώσιμα και ανθεκτικά συστήματα διαχείρισης αστικών αποβλήτων. | el |
| dc.format.extent | 102 | el |
| dc.language.iso | el | el |
| dc.publisher | Πανεπιστήμιο Πειραιώς | el |
| dc.rights | Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα | * |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/gr/ | * |
| dc.title | Ψηφιακό δίδυμο για την έξυπνη διαχείριση απορριμμάτων με χρήση τεχνητής νοημοσύνης | el |
| dc.title.alternative | Digital twin for smart waste management using Artificial Intelligence | el |
| dc.type | Master Thesis | el |
| dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Ψηφιακών Συστημάτων | el |
| dc.description.abstractEN | Municipal waste collection remains one of the most resource-intensive public services in urban environments. Traditional fixed-route systems operate on static schedules that do not reflect real-time waste generation patterns, leading to unnecessary travel, suboptimal vehicle utilization, avoidable fuel consumption, and increased greenhouse gas emissions. This study develops and evaluates a digital twin framework for smart waste management supported by artificial intelligence-driven forecasting and dynamic routing optimization.
The proposed system integrates bin-level waste accumulation modeling, machine learning-based fullness prediction, and dynamic capacitated vehicle routing within a unified digital twin architecture. Waste generation is modeled as a time-dependent stochastic process incorporating weekly seasonality, holiday effects, and contextual variability. Predictive models, including ensemble learning and sequence-based approaches, estimate time-to-threshold for each bin. Routing decisions are recalculated daily using heuristic optimization methods to minimize total travel distance while respecting vehicle capacity and operational constraints.
A comparative simulation between a baseline fixed-route system and the AI-optimized digital twin scenario was conducted for a city network of 500 bins and 8 diesel vehicles. Results demonstrate a 26.5 percent reduction in total route distance, a 31.9 percent reduction in fuel consumption, and a corresponding 31.9 percent decrease in CO2 emissions. Vehicle utilization improved from 63 percent to 84 percent, while overflow incidents were reduced from 47 to 9 events per month. Sensitivity analysis across small, medium, and large city networks confirms that optimization benefits scale positively with network size.
The findings indicate that operational optimization through digital twin integration provides immediate economic and environmental benefits without requiring fleet electrification or major infrastructure replacement. While implementation challenges such as sensor reliability, data integration, and organizational adaptation must be addressed, the results demonstrate that combining real-time monitoring, predictive analytics, and dynamic routing offers a practical pathway toward more sustainable and resilient urban waste management systems. | el |
| dc.contributor.master | Κλιματική Κρίση και Τεχνολογίες Πληροφορικής και Επικοινωνιών / MSc in Climate Crisis and Information and Communication Technologies | el |
| dc.subject.keyword | Ψηφιακό δίδυμο | el |
| dc.subject.keyword | Έξυπνη διαχείριση αποβλήτων | el |
| dc.subject.keyword | Τεχνητή νοημοσύνη | el |
| dc.subject.keyword | Πρόβλεψη μηχανικής μάθησης | el |
| dc.subject.keyword | Πρόβλημα δρομολόγησης οχημάτων | el |
| dc.subject.keyword | Δυναμική δρομολόγηση | el |
| dc.subject.keyword | Αστική βιωσιμότητα | el |
| dc.subject.keyword | Βελτιστοποίηση συλλογής αποβλήτων | el |
| dc.subject.keyword | Μείωση εκπομπών CO2 | el |
| dc.subject.keyword | Παρακολούθηση αποβλήτων | el |
| dc.subject.keyword | IoT | |
| dc.date.defense | 2026-05-12 | |