TMR Queenslands regjering: Leverer smartere landeveisinvesteringer i hele delstaten med ADVICE, aktivert av SAP-teknologi

Rektangelbilde av bygningsarbeider som kikker på en skriveplate med to overlagte Joule-bilder
Logo for Department of Transport and Main Roads (TMR), Queensland

Department of Transport and Main Roads (TMR) Queensland

Department of Transport and Main Roads (TMR) står overfor en kompleks utfordring med å investere i rehabilitering av veidekke og overflatebehandlinger over hele Queenslands enorme veinett. Gamle systemer gjør det vanskelig å levere riktig behandling til rett tid, og på rett sted. Med over 33 000 km  med veier og en 20-års planleggingshorisont, påvirker hver investeringsbeslutning sikkerhet, kostnader, fremtidig tilstand og verdi av offentlige eiendeler. ADVICE-løsningen (Asset Deterioration, Valuation and Investment Calculation Engine) er en skybasert, KI-drevet plattform som simulerer millioner av scenarier og optimaliserer investeringer i hele delstaten.

 

BransjeBedriftsstørrelseRegion
Statlig virksomhet9000Queensland, Australia 

Muligheten

Vedlikeholde et omfattende veinett uten å ofre tid, kostnader eller sikkerhet

Queenslands gamle styringssystem for veidekke begrenset optimaliseringen med $ 500m/år i behandlinger. Veier var gruppert bredt, forringelseskurver var utdaterte, miljødata var grunnleggende, og scenariomodellering var ikke egnet til formålet. Analysen tok timer eller dager, og de kunne ikke optimalisere i hele delstaten fordi beregningene måtte gjennomføres for hvert distrikt eller veinett.

placeholder
Avdelingsingeniør (nettverksanalyse og moderering) TMR
Siden implementeringen av ADVICE har arbeidsprogrammering forbedret seg markant. Systemet genererer optimale, målrettede behandlinger samtidig som driftskostnadene for kjøretøy minimeres. Manuell dataopprydding er i stor grad redusert, og analysen er strømlinjeformet. Vi tar tydeligere og forsvarlige beslutninger med langt mindre innsats og optimaliserer programmer innenfor budsjettet.

Løsningen

Styrke delstatsomfattende ressursoptimering med SAP AI Core

ADVICE-prosjektet drar nytte av SAP Business Technology Platform og SAP AI Core, distribuert som en nettskybasert løsning for å optimere ressursstyringsstrategier. TMR fant nye veier ved å integrere avansert modellering med miljødatasett ved hjelp av SAPs skalerbare arkitektur, slik at ingeniører kan simulere tusenvis av strategier og evaluere millioner av alternativer i løpet av minutter/timer. Denne tilnærmingen kombinerte prediktive forringelseskurver med granulære bærekraftfaktorer, og ga enestående nøyaktighet og hastighet. Ved å automatisere komplekse analyser og integrere intelligens i arbeidsflyter, adresserte løsningen utfordringen med tidsintensiv, manuell planlegging og styrket datadrevne beslutninger for langsiktig infrastrukturrobusthet.

Omdefinering av ressursstyring i hele delstaten

ADVICE omdefinerer ressursstyring ved å orkestrere et av Australias komplekse optimeringsproblemer på SAP BTP. SAP AI Core er innovasjonsmotoren som automatiserer og skalerer ende-til-ende-optimalisering , håndterer forbehandling av data, solver-utføring og etterbehandling, samtidig som den integrerer med Fiori/UI5 for en enhetlig opplevelse. SAP Datasphere og HANA Cloud administrerer store datamengder, Integration Suite og Data Intelligence organiserer pipelines og SAP Analytics Cloud (SAC) leverer innsikt. Løsningen analyserer ~30 000 km med asfalterte veier, 300 000 segmenter og 5 000 behandlingsalternativer per segment, noe som resulterer i ~30 millioner planer. Optimaliseringsprosessen tar hensyn til de 100 beste behandlingene, og evaluerer kombinasjoner mot budsjett og ytelse over en periode på 20–30 år. Statistisk robust validering, scenariomodellering og riktig dimensjonering av BTP-tjenester bygger fundamentet for en skalerbar optimaliseringsplattform.

placeholder
Leder (Asset Management-systemer) TMR
Ved å bygge på TMRs eksisterende sofistikerte, strukturerte og bevisbaserte tilnærming til investeringsplanlegging, muliggjorde ADVICE en teknologisk transformasjon. Med større fleksibilitet, avansert optimaliseringskapasitet og SAP AI i skyen tester vi millioner av alternativer i løpet av timer og tar smartere og raskere beslutninger for veiene i Queensland.

Resultatet

Levering av målbare resultater og en plattform for fremtidig innovasjon

Målrettet optimalisering i hele delstaten

Muliggjør investeringer på rett sted til rett tid, og med riktig behandling – ved å reinvestere ≥ 2 % av det årlige veidekkebudsjettet (≈$9,5M/år) i høyt prioritert vedlikehold, som maksimerer anleggenes levetid, reduserer livssykluskostnadene og gir bedre resultater for lokalsamfunn.

Automatisert og rask behandling

Redusert syklustid fra 11 til 4 timer for scenarioanalyse i hele delstaten, slik at forretningsbrukere kan levere innsikt raskere (distrikter kan fullføres på minutter). TMR opplevde 80 % raskere resultatlevering, ettersom teamene nå klargjør og kontrollerer resultatene raskere, med færre feil. Beslutninger tas raskt og kan enkelt gjennomgås, slik at TMR kan svare og planlegge mer effektivt.

Forbedret datakvalitet, pålitelighet, effektivitet og reviderbarhet

Automatiserte datakvalitetskontroller reduserte manuell innsats og feil, mens delstatsomfattende studieoppsett, datakvalitetskontroll og rapporteringstider ble redusert fra 5–7 dager hver til bare 1 dag – noe som støtter en mer nøyaktig, rettidig og reviderbar beslutningstaking.  ADVICE hjalp faktisk TMR med å bli ti ganger mer presis, noe som gir mer presise, målrettede investeringsbeslutninger. Veifinansiering brukes akkurat der det trengs, noe som forbedrer sikkerheten og verdien for Queensland-samfunnene.

placeholder
Direktør (Transport System Asset Management) TMR
ADVICE har betydelig økt vår evne til å administrere veinettet – noe som har forvandlet omfattende bevis til større innsikt, smartere beslutninger og bedre resultater for innbyggerne i Queensland. Det gir oss klarhet og tillit til å prioritere det som betyr mest, og opprettholde et mer robust nettverk for fremtiden.
twitter pixeltwitter pixeltwitter pixeltwitter pixeltwitter pixeltwitter pixeltwitter pixeltwitter pixeltwitter pixeltwitter pixeltwitter pixeltwitter pixel