Machine learning applications for optimization and traceability in the coffee supply chain
Kahve tedarik zincirinde optimizasyon ve izlenebilirlik için makine öğrenimi uygulamaları
- Tez No: 1021020
- Danışmanlar: DOÇ. DR. GERÇEK BUDAK
- Tez Türü: Yüksek Lisans
- Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: İngilizce
- Üniversite: Ankara Yıldırım Beyazıt Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Endüstri Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Kahve tedarik zinciri, birincil kaynakların coğrafi olarak dağınık yapısı, çok katmanlı aktör çeşitliliği ve ürünün zamana, kaliteye ve depolama koşullarına yüksek duyarlılığı nedeniyle gıda endüstrisindeki en karmaşık sistemlerden biri olarak değerlendirilmektedir. Bu tür bir yapıda, üretim noktasından tüketim noktasına kadar uzanan malzeme ve bilgi akışlarının izlenebilirliği; yalnızca ürün kalitesi ve tazeliğinin güvence altına alınması için değil, aynı zamanda sürdürülebilirlik gerekliliklerinin karşılanması, şeffaflığın artırılması ve tüketici güveninin güçlendirilmesi açısından da kritik öneme sahiptir. Bu bağlamda, makine öğrenmesi teknikleri; operasyonel, satış ve lojistik verilerinin büyük hacimlerini analiz etmeyi mümkün kılarak belirleyici bir rol oynamaktadır. Gizli talep örüntülerinin ve pazar davranışlarının ortaya çıkarılması yoluyla bu teknikler, bilgiye dayalı karar alma için veri temelli bir zemin sunar. Makine öğrenmesinin optimizasyon modelleri ve izlenebilirlik mekanizmalarıyla bütünleştirilmesi; kahve akışlarının tedarik zinciri boyunca sürekli izlenmesini, planlama kararlarının gerçek pazar davranışıyla uyumlandırılmasını ve ekonomik, kaliteye ilişkin ve çevresel hedeflerin eşgüdümlü biçimde aynı anda gözetilmesini mümkün kılar. Veri analitiği, optimizasyon ve izlenebilirlik arasındaki bu sinerji, kahve tedarik zincirinin daha akıllı, daha şeffaf ve daha sürdürülebilir yapılara doğru dönüşümünü desteklemektedir. Bu doğrultuda, çalışmada veri analitiği katmanı ile optimizasyona dayalı karar alma katmanını tutarlı biçimde birbirine bağlayan iki seviyeli bir modelleme çerçevesi geliştirilmiştir. Birinci seviyede talep tahminine odaklanılmakta ve hibrit bir CNN–LSTM sinir ağı mimarisi kullanılmaktadır. Bu mimari, talepteki kısa dönemli örüntüleri ve yerel dalgalanmaları çıkarmak üzere tek boyutlu evrişim katmanlarını; orta ve uzun dönemli zamansal bağımlılıkları yakalamak üzere ise LSTM katmanlarını bir araya getirmektedir. Böylece farklı pazar düğümleri genelinde dinamik talep davranışının doğru biçimde temsil edilmesi sağlanmaktadır. Bu seviyenin ampirik temelini, Kaggle platformundan elde edilen gerçek satış verileri oluşturmaktadır. Veri temizleme, eksik değerlerin tamamlanması, normalizasyon ve zaman serilerinin oluşturulması gibi ön işleme adımlarının ardından, işlenen veriler tahmin modeline girdi olarak aktarılmıştır. Bu aşamanın çıktısı, optimizasyon modeline doğrudan parametrik girdi olarak iletilen zamana bağlı bir talep matrisi niteliğindedir. İkinci seviyede ise, çok dönemli, çok modlu ve kapalı çevrimli bir kahve tedarik zincirini temsil eden kapsamlı bir matematiksel model geliştirilmiştir. Model; birincil ve yedek tedarikçilerden tedarik, işleme ve kavurma operasyonları, farklı kademelerde stok dinamikleri, çok modlu taşımacılık akışları ile atık geri kazanımı ve geri dönüşüm faaliyetlerini bütünleşik biçimde ele almaktadır. Üç amaçlı bir karma tamsayılı doğrusal programlama (MILP) modeli olarak formüle edilen yapı; toplam ekonomik maliyetin en aza indirilmesini, karbon emisyonlarının azaltılmasını ve tüketim noktasında ürün tazeliğinin en üst düzeye çıkarılmasını eş zamanlı olarak hedeflemektedir. Ürün tazeliği, zaman içinde ürün yaşının bir fonksiyonu olarak dinamik biçimde modellenmekte; böylece stok kararlarının, zamanlama tercihlerinin ve taşıma modu seçimlerinin nihai ürün kalitesi üzerindeki etkileri doğrudan yansıtılmaktadır. Çok amaçlı problemin çözümünde ε-kısıt yöntemi uygulanmış; bu sayede Pareto-etkin çözümlerden oluşan bir kümenin elde edilmesi ve ekonomik, çevresel ve kaliteye ilişkin hedefler arasındaki ödünleşimlerin şeffaf biçimde analiz edilmesi mümkün kılınmıştır.
Özet (Çeviri)
The coffee supply chain is regarded as one of the most complex systems within the food industry due to the geographical dispersion of primary resources, the diversity of actors across multiple tiers, and the high sensitivity of the product to time, quality, and storage conditions. In such a structure, traceability of material and information flows from the point of origin to the point of consumption is essential not only for ensuring product quality and freshness, but also for meeting sustainability requirements, enhancing transparency, and strengthening consumer trust. In this context, machine learning techniques play a critical role by enabling the analysis of large volumes of operational, sales, and logistics data. Through the extraction of latent demand patterns and market behavior, these techniques provide a data-driven foundation for informed decision-making. Integrating machine learning with optimization models and traceability mechanisms allows coffee flows to be continuously monitored throughout the supply chain, planning decisions to be aligned with actual market behavior, and economic, quality, and environmental objectives to be pursued simultaneously in a coordinated manner. This synergy between data analytics, optimization, and traceability facilitates the transition of the coffee supply chain toward more intelligent, transparent, and sustainable structures. Accordingly, this study develops a two-level modeling framework that coherently links the data analytics layer with the optimization-based decision-making layer. At the first level, the framework focuses on demand forecasting and employs a hybrid CNN–LSTM neural network architecture. This model combines one-dimensional convolutional layers to extract short-term patterns and local fluctuations in demand with LSTM layers that capture medium- and long-term temporal dependencies. Such an architecture enables an accurate representation of dynamic demand behavior across different market nodes. Real sales data obtained from the Kaggle platform are used as the empirical basis of this level. After undergoing preprocessing steps including data cleaning, missing value imputation, normalization, and time-series construction, the processed data are fed into the forecasting model. The output of this stage is a time-dependent demand matrix that is directly transferred as a parametric input to the optimization model. At the second level, a comprehensive mathematical model is developed to represent a multi-period, multimodal, and closed-loop coffee supply chain. The model integrates sourcing from both primary and backup suppliers, processing and roasting operations, inventory dynamics at multiple echelons, multimodal transportation flows, and waste recovery and recycling activities. It is formulated as a tri-objective mixed-integer linear programming (MILP) model that simultaneously minimizes total economic cost, minimizes carbon emissions, and maximizes product freshness at the point of consumption. Product freshness is modeled dynamically as a function of product age over time, allowing the direct reflection of inventory decisions, scheduling choices, and transportation mode selection on final product quality. To solve the multi-objective problem, the ε-constraint method is applied, enabling the derivation of a set of Pareto-efficient solutions and a transparent analysis of the trade-offs among economic, environmental, and quality-related objectives.
Benzer Tezler
- Kam yapma aparatı
Cam milling attachment
ORHAN UZUN
Yüksek Lisans
Türkçe
1986
Makine MühendisliğiGazi ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
DOÇ. DR. FEVZİ ERCAN
- Örnekle-tut ve analogtan dijitale çevirme devrelerinin analiz ve sentezi
Başlık çevirisi yok
ERTUĞRUL İPEK
Yüksek Lisans
Türkçe
1985
Elektrik ve Elektronik MühendisliğiUludağ ÜniversitesiElektronik Ana Bilim Dalı
PROF. DR. ERGÜR TÜTÜNCÜOĞLU
- Bir pamuk iplikhanesinde fiili çalışma metodlarının incelenmesi ve mevcut işlemlerin standart sürelerinin saptanması
Başlık çevirisi yok
MÜRŞİDE KESEROĞLU
Yüksek Lisans
Türkçe
1985
İşletmeEge ÜniversitesiTekstil Mühendisliği Ana Bilim Dalı
DOÇ. DR. MUSTAFA NAZMİ ERCAN
- Adana ili Ceyhan ilçesi Tatlıkuyu köyünün mekanizasyon varlığı ve işletme maliyetlerinin saptanması üzerinde bir araştırma
Başlık çevirisi yok
MEHMET KABASAKAL
Yüksek Lisans
Türkçe
1987
ZiraatÇukurova ÜniversitesiTarımsal Mekanizasyon Ana Bilim Dalı
PROF. DR. KURTULUŞ TUNCER
- Türkiye Demiryolu Makinaları Sanayi Anonim Şirketi'nin örgütsel sosyoloji açısından değerlendirilmesi
Başlık çevirisi yok
M. SERDAR KARAMANOĞLU