2022 Simio Sync: Praktische Anwendungen

In der Welt der Herstellung autologer Zelltherapien, bei denen patienteneigene Zellen zur Behandlung von Krankheiten verwendet werden, gibt es nur sehr wenige Bedingungen, die konstant bleiben. Der Herstellungsprozess ist einzigartig komplex, zeitkritisch und entwickelt sich ständig weiter. In dieser Präsentation zeigen wir, wie Simio in einer CAR-T-Produktionsstätte eingesetzt wird, um variable und unsichere Eingaben schnell zu erfassen und gleichzeitig Schicht für Schicht ein genaues und vorhersagbares Modell zu erstellen. Wir verwenden eine Kombination aus Dashboard-Berichten und Gantt-Ansichten in Simio, um das Verhalten des Modells automatisch zu visualisieren und zu überprüfen, so dass wir effizient mit Inputs experimentieren können.

Die Schätzung der Kapazität eines Charakterisierungslabors kann eine Herausforderung sein, vor allem, wenn die Mitarbeiter über mehrere Qualifikationen und Testaufbauten mit zahlreichen Anwendungen verfügen, ganz zu schweigen von einem sehr dynamischen Nachfragemix mit unterschiedlichen Verarbeitungsrezepten. Wir wendeten die typischen statischen Kapazitätsberechnungen mit Hilfe einer Excel-Tabelle und dem Little'schen Gesetz an. Das Problem trat auf, als das Unternehmen uns fragte, ob wir den Bedarf eines möglichen Szenarios decken könnten. Das Excel-Modell erfüllte die Erwartungen nicht, da wir nicht bestimmen konnten, wie die Ressourcen interagieren würden, ohne uns auf historische Daten zu stützen. An diesem Punkt beschlossen wir, eine Modellierungssoftware, Simio, zu evaluieren. Mit Hilfe der Simio-Software und der Programmierunterstützung haben wir ein Modell erstellt, das simuliert, wie das Charakterisierungslabor reagieren könnte, wenn es mit einem anderen Szenario konfrontiert würde. Nach einigen Monaten der Zusammenarbeit haben wir die Interaktion zwischen Technikern, Einrichtungen und Nachfrage modelliert und verfügen nun über ein Modell, mit dem wir die Fragen der Geschäftsleitung beantworten können.

Die Entwicklung von Simulationsmodellen für den Betrieb beweglicher Anlagen (Lkw, Lader, Schaufeln usw.) in der Schwerindustrie, z. B. im Bergbau, ist komplex und zeitaufwändig. Es gibt viele Abhängigkeiten von mehreren Systemen und Datenquellen sowie Wechselwirkungen mit dem Gesamtbetrieb.

Flottenmanagementsysteme überwachen und erfassen Betriebsdaten über bewegliche Anlagen. Die Daten werden jedoch in Echtzeit erfasst, aber nur im Nachhinein betrachtet, was zu reaktiven Maßnahmen führt. Die Analyse der gesammelten Daten kann wertvolle Erkenntnisse über Auslastung, Verfügbarkeit, Leerlaufzeiten usw. liefern, doch fehlt es an Echtzeit-Reaktionsfähigkeit. Daher greift sie zu kurz, wenn es um Terminierung, Planung, Einhaltung von Zielen und die Gesamtleistung des Systems geht.

Durch die Integration von datengesteuerten Simulationstechnologien in Flottenmanagementsysteme wird das Simulationsmodell zu einem prädiktiven Analysewerkzeug, das historische und Echtzeitdaten einbezieht. Die integrierte Lösung kann die Leistungsoptimierung unterstützen, eine genaue Planung und Terminierung ermöglichen, die Einhaltung von Zielvorgaben verfolgen, ein proaktives Anlagenmanagement unterstützen und das Kostenmanagement verbessern.

Mit dem proprietären datengesteuerten Modellierungsansatz nutzt das Simulationsmodell Daten aus dem Flottenmanagement, um das Simulationsmodell automatisch zu erstellen, einschließlich des Transportnetzwerks. Dieser Ansatz ermöglicht die Anwendung einer standardisierten Methodik und reduziert den Zeit- und Kostenaufwand für die Erstellung solcher Modelle. Komplexe Modelllogik wird durch unseren firmeneigenen Ansatz ersetzt, der mit Hilfe der Simio®-Simulationssoftware vollständig auf Betriebsdaten basiert.

Diese Sitzung zeigt, wie diese Technologie die Industrie einen Schritt näher an die Vorteile des Digitalen Zwillings heranführt.

Die NATRIUM-Demonstrationsanlage wird in den späten 2020er Jahren in Wyoming gebaut. Um einen Reaktor in Betrieb zu nehmen, werden Brennelementwechsel durchgeführt, um die Brennelemente auszutauschen. Das Ziel des Natrium-SIMIO-Brennelementwechselprozesses ist die Simulation von Brennelementen während eines Brennelementwechsels. Die Simulation wird verwendet, um die Anforderungen an den Brennelementwechsel und die ihn beeinflussenden Variablen zu verstehen.

Viele Hersteller haben zwei primäre und konkurrierende Ziele für ihr Geschäft. Das erste besteht darin, die Systemkapazität zu maximieren, indem so viel wie möglich in kürzeren Zeiträumen produziert wird. Das zweite ist die Verbesserung der Servicequalität, d. h. die Verkürzung der Durchlaufzeiten. Für beide Ziele sind Produktionsmanagementtechniken erforderlich, die im Widerspruch zueinander stehen. Die Maximierung der Systemkapazität bedeutet eine Verringerung der Umrüst- und Einrichtungszeiten, wodurch die Bedeutung von Fälligkeitsterminen, die für die Einhaltung von Service Level Agreements wichtig sind, außer Acht gelassen wird. In dieser Sitzung werden Techniken zur Implementierung dieser Produktionsmanagementtechniken unter Verwendung der in Simio eingebauten Versandlogik und deren Kombination mit der Auftragsauswahl über die Ankunftslogik des Quellobjekts erörtert.

Ein großer Teil der Arbeit von Lockheed Martin Aeronautics besteht in der Montage großer Komponenten, deren Zusammenbau in einem einzigen Fertigungsbereich Hunderte oder Tausende von Arbeitsstunden erfordert. Während der Montage eines Bauteils kann es zu zahlreichen Änderungen im Fertigungsbereich kommen, wie z. B. tägliche Schichtwechsel, monatliche Änderungen des Personalbestands, Zuweisung des Personals zur Arbeit, Teilemangel, Qualitätssicherungsprüfungen und daraus resultierende Nacharbeiten oder Reisen, um nur einige zu nennen. Um genau vorhersagen zu können, ob Aeronautics in der Lage ist, die vertraglich vereinbarten Lieferverpflichtungen einzuhalten, müssen diese komplexen Faktoren in den Simio-Modellen berücksichtigt werden, die zur Bewertung der Lieferzuverlässigkeit verwendet werden. Diese Präsentation gibt einen Überblick über viele der Modellierungsansätze und -techniken, die Lockheed Martin Aeronautics verwendet, um diese komplexen Verhaltensweisen genauer zu modellieren.

Das übergreifende Ziel dieser Arbeit war es, den Zugang zu Simulationsanalysen zu erweitern und die Entscheidungsunterstützung für interne Kunden zu verbessern. Um dieses Ziel zu erreichen, haben wir ein System untersucht, das aus einer Web-Schnittstelle, einer Datenbank und der Simio-API in Kombination mit datengenerierter Modellierung besteht, um den Einsatz eines neuen Anlagentyps in einer Produktionsanlage zu simulieren. Das System führt per Fernzugriff ein verallgemeinertes Simio-Modell aus, das durch eine Reihe von Datentabellen gesteuert wird, in denen die wichtigsten Ressourcen, Standorte und Arbeitslasten der Anlage definiert sind. Jedes Teammitglied, das Zugang zum internen Netzwerk hat, kann mit Hilfe der Schnittstellenaufforderungen sein System definieren und ein vorgefertigtes Experiment durchführen, um zu beurteilen, ob sich die Investition in die neue Anlage in seinem Betrieb wahrscheinlich amortisieren würde oder nicht. Diese Präsentation beschreibt einige der Methoden und Erkenntnisse, die im Laufe der Arbeit gewonnen wurden.

Die Gastronomie entwickelt sich ständig weiter und die Restaurants versuchen, mit den Veränderungen Schritt zu halten, die sich aus dem Zustrom von Außer-Haus- und Drive-Thru-Geschäften ergeben. In Drive-Thru-Systemen ist das Management von Störfaktoren" zur Minimierung von Verzögerungen am Fenster und an der Bestelltafel immer häufiger anzutreffen, da die Bestellungen der Kunden immer komplexer werden und ihre Toleranz für Wartezeiten sinkt. Die Optimierung des Durchsatzes und der Servicegeschwindigkeit ist in den Vordergrund vieler Konzepte gerückt, wozu auch die Behandlung von "Ausnahmen" oder "Störern" mit "Parkverfahren" gehört. Die Computersimulation dient als wertvolle, messbare Methode zur Identifizierung von Bereichen, in denen sich Chancen bieten, und zur schnellen Umsetzung von Lösungen. Mit Hilfe von Simio hat Profitality Labor Guru Modelle von Food-Service-Konzepten erstellt, um optimale Entwürfe zu testen und zu definieren, einschließlich der Anordnung der Geräte, des Personaleinsatzes und der Montageverfahren, aber auch mit einer einzigartigen Entscheidungslogik, die zur Modellierung von Parkvorgängen verwendet wird. Mithilfe von Entscheidungsbäumen und Suchvorgängen in den Prozessen bestimmt das Modell wechselnde Ergebnisse für die getesteten Szenarien. Wir werden erörtern, wie die Kernlogik des Modells erstellt wurde, wie z. B. das Auftragsrouting und die Prozesslogik, die verwendet wird, um Aufträge auf der Grundlage variabler Faktoren umzuleiten, während das Modell läuft, und einzigartige Datenpunkte sammelt, die alle Restaurants verfolgen sollten, um ihre Drive-Thru-Abläufe zu optimieren.

Die Bestimmung des besten Modellierungsansatzes für die Simulation eines realen Prozesses kann oft schwierig sein - der naheliegendste Ansatz ist nicht unbedingt die einzige Option und auch nicht der effektivste. Ein häufiger Fehler besteht darin, sich auf das zu modellierende Material zu versteifen (z. B. diskrete Einheiten) und daher zu glauben, dass ein diskretes Simulationsmodell der einzig richtige Weg ist.

Zur Veranschaulichung dieses Konzepts wird eine einfache Simulation einer Abfüllanlage mit drei verschiedenen Ansätzen erstellt, die sich im Detailgrad unterscheiden. Der erste Ansatz verwendet eine diskrete Modellierung, um jede Flasche als einzigartige Einheit darzustellen, während die zweite Methode die Bewegung der Flaschenmengen als kontinuierlichen Fluss annähert. Es ist möglich, einen Schritt weiter zu gehen und alle Entitäten aus dem Modell zu entfernen, indem die Token-Funktionalität und die Prozesse von Simio verwendet werden, um zu kontrollieren, was mit den Flaschen passiert, ohne dass irgendwelche Entitäten im Modell vorhanden sind.

Diese drei Simulationsansätze werden im Hinblick auf die erzielten Ergebnisse in Bezug auf die Genauigkeit, die Laufgeschwindigkeit und die erforderliche Entwicklungszeit verglichen. Jede Methode bietet ein anderes Maß an Einblicken, und wenn Sie erfolgreich herausfinden, welche für Ihre Zwecke ausreichend ist, können Sie erhebliche Entwicklungsstunden einsparen.

Optimax stellt die Optik für die neuesten bahnbrechenden Technologien in der Luft- und Raumfahrt, der Verteidigung und der Unterhaltungselektronik her. Optimax hat hochentwickelte Prozesse sowie überlegene Fertigungs- und Beschichtungsfähigkeiten für fortschrittliche Optiken für Raumfahrtanwendungen, leistungsstarke gerichtete Energiesysteme und die Halbleiterindustrie entwickelt. Simio wird eingesetzt, um einen teilunabhängigen Prozess zu entwickeln, der die Taktzeit um etwa 600 % reduziert. Die diskrete stochastische Arbeitsablauf- und Tabellenstruktur ist der Grund, warum Optimax sich für Simio gegenüber den meisten seiner Wettbewerber entschieden hat. Die Simulation wurde für den Teile-Agnostizismus entwickelt, wobei die Prozessgleichungen so gestaltet wurden, dass sie mehrere Teilespezifikationen und Maschinenkonfigurationen berücksichtigen. Durch die Verwendung der in Simio eingebetteten Tabellenstruktur und der experimentellen Funktionen ist Optimax in der Lage, mehrere verschiedene Prozessstrukturen und Teileflüsse zu testen, was zu einem robusten dynamischen Anlagendesign führt.

Danfoss entwickelt die Technologien, die es der Welt von morgen ermöglichen, mit weniger mehr zu erreichen. Wir erfüllen den wachsenden Bedarf an Infrastruktur, Lebensmittelversorgung, Energieeffizienz und klimafreundlichen Lösungen. Bei Danfoss Power Solutions nutzen wir Simio in vielen Bereichen des Unternehmens. Wir nutzen Simulationen, um die Leistung der aktuellen Montagelinien, Lackierstraßen und unserer Wareneingangsabteilung zu bewerten. In der heutigen Zeit, in der Ungewissheit und Volatilität die Unternehmen beeinflussen, ist es oft notwendig, schnell auf globale wirtschaftliche Veränderungen zu reagieren. Simio hat uns dabei geholfen, schnell auf diese Veränderungen zu reagieren. In den letzten Jahren haben wir Simio genutzt, um Entscheidungen über Expansionsprojekte zu treffen, die sich erheblich auf Qualität, Lieferung und Sicherheit auswirken würden. Wir werden einige dieser Beispiele vorstellen und erläutern, wie einige Simio-Funktionen wie Datentabellen und Zusatzprozesse uns geholfen haben, Simulationsmodelle zu entwickeln, die der Realität sehr nahe kommen. Wir werden auch über einige Herausforderungen und Lektionen berichten, die wir bei der Entwicklung kleiner und großer Simulationsmodelle gelernt haben.

Unter Kohlenstoffabscheidung und -speicherung (CCS) versteht man die Abscheidung von Kohlendioxid (CO2), das in der Regel aus großen Punktquellen stammt, zu einer Lagerstätte transportiert und dort deponiert wird, wo es nicht in die Atmosphäre gelangt, in der Regel in einer unterirdischen geologischen Formation. Aufgrund der hohen Investitions- und Betriebskosten für CCS-Versorgungsketten hat sich diese Technologie bisher nicht durchgesetzt, was sich jedoch ändern wird, wenn die Emissionsrechte teurer werden. Pipelines in Kombination mit dem Transport von verflüssigtem CO2 auf dem Seeweg gelten als effektive Lösung für CCS, die sowohl flexibel als auch in der Lage ist, große Mengen wirtschaftlich zu einer Speicherstätte zu transportieren. Eine genaue Vorhersage der Netzkosten ist entscheidend, um die besten Entscheidungen für die Gestaltung der Lieferkette treffen zu können. In Anbetracht der Interaktion zwischen den Netzen, der Variabilität, der Speicheranforderungen und der Betriebsstrategien ist die Simulation eine hervorragende Technologie, um den Kostenbereich der Versorgungskette für verschiedene Konstruktionsentscheidungen genau vorherzusagen.

Seegrid hat sich mit Simio zusammengetan, um eine flexible Simulationsvorlage zu entwickeln, die die Zusammenarbeit im Entwicklungsteam der Lösung unterstützt.

Covid-19 hat die ganze Welt überrascht. Keine Branche kann behaupten, nicht von COVID betroffen zu sein; alle waren in unterschiedlichem Maße betroffen. Um die Krise zu überleben, mussten die Unternehmen schnell reagieren, um den Empfehlungen der WHO und den Erwartungen der Verbraucher gerecht zu werden. Die Fluggesellschaften waren nicht anders! Zunächst mussten die Fluggesellschaften ihren Betrieb verkleinern, um den Cash-Burn in den Monaten zu minimieren, in denen die Reisenachfrage praktisch ausblieb, und dann, als sie wieder einsetzte, mussten die Fluggesellschaften den Umfang ihres Betriebs neu anpassen, um auf die Rückkehr der Gäste und die Wiedergewinnung ihres Vertrauens in das Reisen vorbereitet zu sein. Ein Bereich, der sehr stark betroffen war, war der Bereich der Abfertigung, da jedes Land andere Gesetze und Anforderungen hat, wenn es darum geht, die fliegende Öffentlichkeit in ihren Grenzen zu akzeptieren. Da sich diese Anforderungen außerdem täglich ändern und niemand eine Grundlage für den Umgang mit einer solchen Situation hatte, wurde die Planung des Personals für diese Situation zu einem Problem, das sich auf die Zeit auswirkte, die die Gäste brauchten, um für ihre Flüge eingecheckt zu werden. In dieser Präsentation werde ich Ihnen erläutern, mit welchen Problemen unsere Gäste konfrontiert waren, mit welchen Herausforderungen wir als Fluggesellschaft konfrontiert waren, als wir versuchten, dieses Problem für unsere Gäste zu lösen, und schließlich, wie wir ein Simulationsmodell verwendet haben, um die ideale Anzahl von Mitarbeitern zu ermitteln, die unsere Gäste in unserer Lobby an unserem geschäftigsten Flughafen bedienen.

Für die Erstellung und den Betrieb eines Simulationsmodells stehen oft große Datenmengen zur Verfügung. Die effiziente und angemessene Nutzung dieser Daten ist entscheidend für den Erfolg des Modells. Wenn ein Projekt beginnt, ist der Weg zu einem datengenerierten oder datengesteuerten Ansatz vielleicht noch nicht klar. Es ist jedoch nie zu spät, zu einer datenorientierten Strategie zu wechseln. Simio ist mit Funktionen ausgestattet, die die Nacharbeit minimieren und diesen Übergang erleichtern. In diesem Vortrag werden einige Tipps und Tricks vorgestellt, wie man den Modellierungsansatz in einem bestehenden Modell von traditionellen Methoden auf datengesteuerte und datengenerierte Methoden umstellen kann. Ein Beispielmodell aus der Fertigung wird durch den Aufbau und die Referenzierung von Datentabellen und Tabellenbeziehungen, die Nutzung von benutzerdefinierten Objekten und die Verwendung von Shortcut-Aktionen verbessert. Das Ergebnis ist ein Modell, das logisch mit Daten organisiert ist und über einfache Optionen zur Erweiterung durch Daten verfügt.

Simios Funktionen für neuronale Netze eröffnen viele neue Möglichkeiten im Bereich der künstlichen Intelligenz, einschließlich der Nutzung der ereignisdiskreten Simulation (DES) zur Erzeugung synthetischer Trainingsdaten für neuronale Netze oder andere maschinelle Lernalgorithmen. Viele Algorithmen für maschinelles Lernen benötigen große Mengen an Trainingsdaten, die DES bereitstellen kann. Darüber hinaus können die Eingangsparameter von DES-Modellen so angepasst werden, dass sie ausgewogene Trainingsdaten liefern, um robuste maschinelle Lernmodelle zu erstellen. Neben synthetischen Trainingsdaten können DES-Modelle auch dazu verwendet werden, Machine-Learning-Modelle vor dem Einsatz in der Produktion zu evaluieren. In dieser Präsentation wird Simio verwendet, um Trainingsdaten zu generieren, ein neuronales Netz zu trainieren, ein neuronales Netz zum Routen von Aufträgen zu verwenden und die Auswirkungen des Routings eines neuronalen Netzes in einer Lieferkette zu bewerten.

Dieses Modell zeigt die Verwendung von Transportern für Materialbewegungen und Materialauffüllungsrichtlinien in Planungsanwendungen und zeigt einige der besten Praktiken, die Simio identifiziert hat. Insbesondere werden wir hervorheben, wie das Schema und die Prozesse so aufgebaut wurden, dass sie vollständig datengesteuert sind und gleichzeitig einige der einzigartigen Aspekte der Modellierung des Materialflusses darstellen. Die Vorlage ist nicht nur in der Lage, Ressourcen, Arbeiter und Materialien zu planen, sondern modelliert auch die Transporter, die für den Transport von Roh-, Zwischen- und Fertigmaterialien benötigt werden.

Das Tabellenschema des Modells basiert auf den Normen ISA-95 und ISA-88. Das Modell ist so aufgebaut, dass es auf einer sehr detaillierten Ebene modelliert werden kann. Darüber hinaus können die Transporter als "Wagen" modelliert werden, bei denen Arbeiter benötigt werden, um die Fahrzeuge zu bewegen, oder die Transporter können als "AMRs" mit Batterieladung und Bewegung im freien Raum entlang eines Pfades mit Kollisionsvermeidung modelliert werden. Die Vorlage ist auch so eingerichtet, dass sie als Echtzeit-Disponent von Arbeit funktioniert. Das Modell kann so eingerichtet werden, dass es Befehle an die Fahrzeuge sendet, um Transportaufträge zu beginnen und den Standort des Fahrzeugs im Modell während seiner Fahrt mit Hilfe der IIOT-Konnektivität zu aktualisieren.

Es gibt viele Systeme, die auf einen begrenzten Pufferraum (d.h. Tanks) zwischen stromaufwärts und stromabwärts gelegenen Ressourcen angewiesen sind. Um die Kapazität der Tanks richtig darzustellen, ist ein Ereigniskalender erforderlich, um die Ströme in und aus diesen Tanks zu verfolgen. Simio wird die bewährten Verfahren vorstellen, die wir zur Erfassung dieser Einschränkungen in einem datengesteuerten Rahmenwerk identifiziert haben. Zu den besonderen Einschränkungen gehören die Tankreinigung, begrenzte Konnektivität (d.h. viele zu vielen, aber nicht alle zu allen) und effizientes Campaigning mit Prozesslogik (z.B. wie man Simio-Objekte warten lässt, um Umschaltungen zu vermeiden) sowie einige Logik-Optimierungstechniken, um die Berechnungszeiten niedrig zu halten.

Um auf Marktschwankungen reagieren zu können, haben Unternehmen auf die Gestaltung von Fertigungssystemen zurückgegriffen, um die Flexibilität ihrer Fertigungssysteme zu verbessern. Dies ist jedoch ein sehr schwieriger und komplexer Prozess. Glücklicherweise kann die diskrete Ereignissimulation (DES) in dieser Hinsicht helfen. Allerdings ist die DES in diesem Bereich noch nicht allgegenwärtig.

Um in dieser Hinsicht zu helfen und um (1) die Zeit zu reduzieren, die DES-Praktiker benötigen, um ein Fertigungssystem zu modellieren, und (2) Simulationsmodelle zu erstellen, die sowohl in ihrem Modellierungsansatz als auch in ihrem Verhalten standardisiert sind, kann ein automatischer Generator von Simulationsmodellen verwendet werden, der nur durch die Verwendung von Simulationsmodellen realisierbar ist.

Diese Präsentation konzentriert sich auf die Entwicklung von Simulationsobjekten, die Gewährleistung ihrer Generizität, die Verwendung von Unterklassen zur Verbesserung der Effizienz zukünftiger Modellierung und den Visualisierungsaspekt der Simulation.

Ein digitaler Zwilling sollte es einem Unternehmen ermöglichen, Entscheidungen in Echtzeit zu treffen, indem er es in die Lage versetzt, zu verstehen, zu simulieren und zu visualisieren, wie sich diese Entscheidungen auf die Fertigungs- und Produktionspläne auswirken werden. In diesem Vortrag wird erörtert, wie wir den potenziellen Einsatz von Simio als digitaler Zwilling in einem Fertigungsunternehmen untersuchen, um das Unternehmen bei der Entscheidungsfindung in seinen Produktionssystemen zu unterstützen. Zunächst identifizieren wir einige Szenarien oder Anwendungsfälle, die häufig in Produktionssystemen vorkommen, und ermitteln, inwieweit ein digitaler Zwilling bei der Bewältigung dieser Szenarien helfen kann. Zweitens erstellen wir diese Szenarien in Simio anhand einiger vereinfachter Simulationen von Produktionssystemen und analysieren, wie ein digitaler Zwilling in Simio die Entscheidungsfindung unterstützen kann. Im Mittelpunkt dieses Vortrags stehen Szenarien für die zustandsorientierte Instandhaltung und die Simulation der Produktion ausgehend vom aktuellen Stand der Produktion in der Anlage.

Bei der ereignisdiskreten Simulation werden Entscheidungen anhand von Regelsätzen (z. B. Dispatching) getroffen, die vor jedem Durchlauf festgelegt werden. Einige reale Systeme haben Entscheidungen, die mit diesem Ansatz nur schwer zu modellieren sind, was zu Entscheidungen führen kann, die lokal "am besten" sind, aber im Hinblick auf das gesamte System kurzsichtig sind. In dieser Präsentation wird ein technologischer Rahmen vorgestellt, der den Optimierungslöser Gurobi in ein Simio-Modell integriert. Während eines Laufs führt Simio regelmäßig Gurobi aus, um eine Entscheidung zu treffen, die den aktuellen Zustand des Modells berücksichtigt. Das Ergebnis wird dann innerhalb des Simio-Modells verwendet, während es seinen Lauf fortsetzt. Die Integration dieser beiden Technologien bietet einen Modellierungsansatz, der sowohl die globale Entscheidungsfindung der Optimierung als auch die Fähigkeit der ereignisdiskreten Simulation, mit Unsicherheit und Komplexität umzugehen, beibehält.