AI Summary & Key Takeaways
AI InsightThe results show that the number of shelves decreased from 654 to 648, and the same inventory volume could be managed using 10.2% fewer shelves through balanced fabric placement.
📌 3 Key Takeaways
Abstract
In textile companies, fabric warehouses are often managed through manual processes, which can lead to inefficient use of storage space, long picking times, and low inventory traceability. This study examines the fabric warehouse of a textile firm. A more efficient warehouse layout is developed by considering criteria such as current fabric quantity, usage frequency, and inventory holding time. To better understand the product structure, fabrics are classified according to type, color, customer, supplier, and movement. Based on this classification, data distribution is analyzed using ABC analysis and critical product groups are identified. Different classification alternatives are evaluated using the Fuzzy AHP method to determine the most appropriate classification for subsequent operations. Within the selected classification framework, the FP-Growth algorithm is applied to identify frequently co-occurring fabrics. Based on these relationships, a genetic algorithm is developed to optimize shelf assignments. In-warehouse picking routes are modeled using the traveling salesman problem and Dijkstra’s algorithm. Finally, a conceptual map is created to enable digital monitoring of the developed model. The results show that the number of shelves decreased from 654 to 648, and the same inventory volume could be managed using 10.2% fewer shelves through balanced fabric placement. Moreover, the proposed warehouse layout was more efficient in 73 of 100 experiments, achieving an average 32.39% improvement in efficiency. Route optimization reduced the average picking distance from 209.53 m to 177.23 m, corresponding to an 18.23% distance saving.
Özet
Tekstil sektöründe faaliyet gösteren işletmelerde kumaş depolarının çoğu zaman manuel süreçlerle yönetilmesi ve depo alanının verimsiz kullanılması, uzun toplama süreleri ve düşük stok izlenebilirliği gibi problemlere yol açabilmektedir. Çalışmada bir tekstil firmasının kumaş deposu incelenmiştir. Mevcut kumaş miktarı, kullanım sıklığı ve stokta bekleme süresi gibi kriterler dikkate alınarak daha etkin bir depo yerleşim planı oluşturulmuştur. Depodaki ürün yapısının daha iyi anlaşılabilmesi amacıyla kumaşlar cins, renk, müşteri, tedarikçi ve hareketlerine göre sınıflandırılmıştır. Bu sınıflandırma baz alınarak ABC analizi ile veri dağılımı incelenmiş ve kritik ürün grupları belirlenmiştir. Farklı sınıflandırma alternatifleri temel alınarak Bulanık AHP yöntemiyle hangi sınıflandırma ile sonraki işlemlere devam edileceği belirlenmiştir. Seçilen sınıflandırma çerçevesinde birlikte işlem gören kumaşların tespiti amacıyla FP-Growth algoritması uygulanmıştır. Elde edilen tüm ilişkiler ışığında raf atamalarının optimum şekilde yapılabilmesi için genetik algoritma geliştirilmiştir. Depo içi toplama rotaları gezgin satıcı problemi ve Dijkstra algoritmasıyla modellenmiştir. Son olarak, geliştirilen modelin dijital takibi için bir kavramsal harita oluşturulmuştur. Sonuçlar, raf sayısının 654’ten 648’e düşürüldüğünü ve kumaşların dengeli yerleştirilmesiyle aynı stok hacminin %10,2 daha az rafla yönetilebildiğini göstermektedir. Ayrıca, 100 deneyin 73’ünde yeni depo düzeni daha verimli bulunmuş ve ortalama %32,39 verimlilik artışı sağlanmıştır. Rota optimizasyonu ile ortalama toplama mesafesi 209,53 m’den 177,23 m’ye düşerek %18,23 tasarruf elde edilmiştir.