Modelo Combinado de Red de Flujo y Trasporte: Solución Integrada para la Eficiencia en Producción de Azúcar

Palabras clave: red de flujo máximo, método de transporte, cuello de botella, planeación agregada, producción azucarera

Resumen

Este artículo presenta una solución integrada de investigación de operaciones para la agroindustria azucarera, que combina un modelo de red de flujo máximo con el método de transporte aplicado a la planeación agregada. A partir de observación directa se levantaron capacidades de equipos desde el batey hasta la tolva de almacenamiento y se modeló la línea como una secuencia de nodos con restricciones, lo que permitió diagnosticar cuellos de botella y su efecto sobre el throughput del sistema. En paralelo, se formuló un problema de asignación que incorpora costos y políticas operativas (mano de obra interna, tiempo extralimitado al 20% y subcontratación hasta 12%), resuelto en POM for Windows V5. La integración de ambos enfoques entrega: (i) identificación explícita de restricciones críticas, particularmente en evaporadores y centrifugadoras; (ii) un plan de producción de costo mínimo que prioriza capacidad interna difiere la subcontratación a periodos necesarios y controla inventarios; y (iii) análisis de sensibilidad y escenarios que apoyan decisiones tácticas ante variaciones de demanda y disponibilidad. Los hallazgos muestran que la asignación óptima vía transporte supera a políticas simplificadas (producción constante o mínima con subcontratación), reduciendo costos totales y mejorando la utilización de capacidad. La propuesta es de fácil implementación y transferible a otros procesos secuenciales agroindustriales, proporcionando una ruta práctica para elevar la eficiencia y la resiliencia operativa en ingenios azucareros. Se discuten además implicaciones gerenciales calendarios de producción, inversión focalizada y reprogramación de equipos y se sugieren líneas futuras para integrar indicadores ambientales y simulación dinámica del proceso.

Descargas

La descarga de datos todavía no está disponible.

Citas

Citra, Z., Ferial Ashadi, R., Dwiyanto Wibowo, P., Malinda, Y., Apdeni, R., Karno Kinasih, R., & Rizqi Fitriansyah, E. (Julio de 2024). Analysis of Heavy Equipment Quantity using Quantitative Methods Software (QM) for Windows V5 on Road Infrastructure Works. Jurnal Teknologi, 16(2), 203–212.
Lotfi, R., Gholamrezaei, A., Kadłubek, M., Afshar, M., Ali, S., & Kheiri, K. (2022). A robust and resilience machine learning for forecasting agri-food production. Scientific Reports, 12(1). doi: https://doi.org/10.1038/s41598-022-26449-8
Almeida, O., Arias, V., & Vargas, W. (2023). Gestión inteligente de los datos en la agroindustria. Revista Alfa, 7(19), 139-152. doi: https://doi.org/10.33996/revistaalfa.v7i19.204
Doliente, S., & Samsatli, S. (2020). Integrated production of food, energy, fuels and chemicals from rice crops: Multi-objective optimisation for efficient and sustainable value chains. Journal of Cleaner Production, 285. doi: https://doi.org/10.1016/j.jclepro.2020.124900
Essien, E., Dzisi, K., & Addo, A. (2018). Decision support system for designing sustainable multi-stakeholder networks of grain storage facilities in developing countries. Computers and Electronics in Agriculture, 147, 126-130. doi: https://doi.org/10.1016/j.compag.2018.02.019
Giallombardo, G., Mirabelli, G., & Solina, V. (2021). An Integrated Model for the Harvest, Storage, and Distribution of Perishable Crops. Applied Sciences, 11(15x). doi: https://doi.org/10.3390/app11156855
Gómez Dueñas, M., Manrique Guarin, L., Romero-Riaño, E., & Ardila Becerra, L. (2019). Agri-food systems: A regional perspective in innovation capabilities. ENTRAMADO, 15(2), 242-254. doi: https://doi.org/10.18041/1900-3803/entramado.2.5707
Jiang, D., Hassan, M., Faiz, T., & Noor‐E‐Alam, M. (2018). A Possibility Distribution Based Multi-Criteria Decision Algorithm for Resilient Supplier Selection Problems. arXiv (Cornell University), 1(1). doi:https://arxiv.org/abs/1806.01650
Mendoza, C., Sanín, F., Leo, R., & Rebollo, H. (2021). Estrategias para cubrir la demanda insatisfecha en una fábrica alimenticia. arXiv (Cornell University). doi: https://arxiv.org/abs/2103.10998
Mukherjee, T., Sangal , I., Sarkar, B., & Alkadash, T. (2022). Estimación matemática del flujo máximo de mercancías dentro de un cross-dock para reducir el inventario. Biociencias Matemáticas e Ingeniería., 19(12), 13710-13731. doi:10.3934/mbe.2022639
Mukherjee, T., Sangal, I., Sarkar, B., & Ahmed Almaamari, Q. (2022). Modelos logísticos para minimizar el coste de manipulación de materiales dentro de un cross-dock. Biociencias Matemáticas e Ingeniería, 2(20), 3099-3119. doi:10.3934/mbe.2023146
Nilakantan, K. (2019). Supply chain resilience to sudden and simultaneous lead-time and demand disturbances. International Journal of Supply Chain and Operations Resilience, 3(4), 292. doi: https://doi.org/10.1504/ijscor.2019.099455
Nurhasanah, N., Mangunwidjaja, D., & Romli, M. (2020). A conceptual framework on the design of intelligent supply chain for natural fibre agroindustry. AIP conference proceedings, 2217. doi: https://doi.org/10.1063/5.0000742
Palacio, I. (2021). Oportunidades para la transformación digital de la cadena de suministro del sector bananero basado en software con inteligencia artificial. Revista Politécnica, 17(33), 47-63. doi: https://doi.org/10.33571/rpolitec.v17n33a4
Rahbari, M., Arshadi Khamseh, A., & Mohammadi, M. (2023). Optimización robusta y análisis estratégico para la cadena de suministro agroalimentaria en tiempos de crisis: estudio de caso de una economía emergente. Sistemas expertos con aplicaciones(225). doi:10.1016/j.eswa.2023.120081
Rofiq Mulyarto, A., Aminah, S., & Astuti, R. (2025). Asignación de caña de azúcar a los ingenios azucareros de la provincia de Java Oriental: enfoque de distribución espacial y método de transporte. BIO Web de Congresos(165). doi:10.1051/bioconf/202516502003
Sadrabadi, M., Ghousi, R., & Makui, A. (2021). Designing a disruption-aware supply chain network considering precautionary and contingency strategies: a real-life case study. RAIRO - Operations Research, 55(5), 2827-2860. doi: https://doi.org/10.1051/ro/2021123
Sinaga, T., & Bahagia, S. (2019). Integrated Logistics and Transportation Routing in Rural Logistics System. IOP Conference Series Materials Science and Engineering, 528(1). doi: https://doi.org/10.1088/1757-899x/528/1/012081
Singh, C., Soni, G., & Badhotiya, G. (2019). Performance indicators for supply chain resilience: review and conceptual framework. Journal of industrial engineering international, 15, 105-117.
Singh, R., & Kumar, P. (2021). Strategic framework for developing resilience in Agri-Food Supply Chains during COVID 19 pandemic. International Journal of Logistics Research and Applications, 25(11), 1411-1424. doi: https://doi.org/10.1080/13675567.2021.1908524
Viet, N., Behdani, B., & Bloemhof‐Ruwaard, J. (2019). Data-driven process redesign: anticipatory shipping in agro-food supply chains. International Journal of Production Research, 58(5), 1302-1318. doi: https://doi.org/10.1080/00207543.2019.1629673
Zanoni, S., Ferretti, I., & Mazzoldi, L. (2017). Supply chain network design under uncertain demand: robust and stable optimisation approaches. International Journal of Inventory Research, 4, 172. doi: https://doi.org/10.1504/ijir.2017.088761
Publicado
2025-10-20
Cómo citar
Barrientos Fernández, D. P., Cortes Zetina, E. J., Ramos Hernández, R., Alcudia Chagala, L., & Morales Barragán, M. (2025). Modelo Combinado de Red de Flujo y Trasporte: Solución Integrada para la Eficiencia en Producción de Azúcar. Ciencia Latina Revista Científica Multidisciplinar, 9(4), 12449-12465. https://doi.org/10.37811/cl_rcm.v9i4.20059
Sección
Ciencias Sociales y Humanas