Εμφάνιση απλής εγγραφής

Ψηφιακό δίδυμο για την έξυπνη διαχείριση απορριμμάτων με χρήση τεχνητής νοημοσύνης

dc.contributor.advisorΓκρίτζαλης, Στέφανος
dc.contributor.authorΣαγιά, Αναστασία
dc.date.accessioned2026-05-14T06:48:07Z
dc.date.available2026-05-14T06:48:07Z
dc.date.issued2026
dc.identifier.urihttps://dione.lib.unipi.gr/xmlui/handle/unipi/19314
dc.description.abstractΗ 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.extent102el
dc.language.isoelel
dc.publisherΠανεπιστήμιο Πειραιώςel
dc.rightsΑναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/gr/*
dc.titleΨηφιακό δίδυμο για την έξυπνη διαχείριση απορριμμάτων με χρήση τεχνητής νοημοσύνηςel
dc.title.alternativeDigital twin for smart waste management using Artificial Intelligenceel
dc.typeMaster Thesisel
dc.contributor.departmentΣχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Ψηφιακών Συστημάτωνel
dc.description.abstractENMunicipal 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.masterΚλιματική Κρίση και Τεχνολογίες Πληροφορικής και Επικοινωνιών / MSc in Climate Crisis and Information and Communication Technologiesel
dc.subject.keywordΨηφιακό δίδυμοel
dc.subject.keywordΈξυπνη διαχείριση αποβλήτωνel
dc.subject.keywordΤεχνητή νοημοσύνηel
dc.subject.keywordΠρόβλεψη μηχανικής μάθησηςel
dc.subject.keywordΠρόβλημα δρομολόγησης οχημάτωνel
dc.subject.keywordΔυναμική δρομολόγησηel
dc.subject.keywordΑστική βιωσιμότηταel
dc.subject.keywordΒελτιστοποίηση συλλογής αποβλήτωνel
dc.subject.keywordΜείωση εκπομπών CO2el
dc.subject.keywordΠαρακολούθηση αποβλήτωνel
dc.subject.keywordIoT
dc.date.defense2026-05-12


Αρχεία σε αυτό το τεκμήριο

Thumbnail

Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές

Εμφάνιση απλής εγγραφής

Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα
Εκτός από όπου διευκρινίζεται διαφορετικά, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα

Βιβλιοθήκη Πανεπιστημίου Πειραιώς
Επικοινωνήστε μαζί μας
Στείλτε μας τα σχόλιά σας
Created by ELiDOC
Η δημιουργία κι ο εμπλουτισμός του Ιδρυματικού Αποθετηρίου "Διώνη", έγιναν στο πλαίσιο του Έργου «Υπηρεσία Ιδρυματικού Αποθετηρίου και Ψηφιακής Βιβλιοθήκης» της πράξης «Ψηφιακές υπηρεσίες ανοιχτής πρόσβασης της βιβλιοθήκης του Πανεπιστημίου Πειραιώς»