OPTIMISATION DES CHAÎNES

D’APPROVISIONNEMENT EN BOUCLE FERMÉE DANS

UN CONTEXTE D’ÉCONOMIE CIRCULAIRE À L’ÈRE
DE L’INDUSTRIE 4.0

par

Victor DELPLA

MÉMOIRE PAR ARTICLES PRÉSENTÉ À L’ÉCOLE DE TECHNOLOGIE

SUPÉRIEURE COMME EXIGENCE PARTIELLE À L’OBTENTION DE
LA MAÎTRISE AVEC MÉMOIRE EN GÉNIE MÉCANIQUE
M. Sc. A.

MONTRÉAL, LE 5 JANVIER 2021

ÉCOLE DE TECHNOLOGIE SUPÉRIEURE

UNIVERSITÉ DU QUÉBEC

Victor Delpla, 2020

Cette licence Creative Commons signifie qu’il est permis de diffuser, d’imprimer ou de sauvegarder sur un autre
support une partie ou la totalité de cette œuvre à condition de mentionner l’auteur, que ces utilisations soient faites
à des fins non commerciales et que le contenu de l’œuvre n’ait pas été modifié.
 PRÉSENTATION DU JURY

CE MÉMOIRE A ÉTÉ ÉVALUÉ

PAR UN JURY COMPOSÉ DE :

M. Lucas A. Hof, directeur de mémoire

Département de Génie mécanique à l’École de technologie supérieure

M. Jean-Pierre Kenné, codirecteur de mémoire

Département de Génie mécanique à l’École de technologie supérieure

M. Christian Belleau, président du jury

Département de Génie mécanique à l’École de technologie supérieure

Mme Tasseda Boukherroub, membre du jury

Département de Génie des systèmes à l’École de technologie supérieure

IL A FAIT L’OBJET D’UNE SOUTENANCE DEVANT JURY ET PUBLIC

LE 18 DÉCEMBRE 2020

À L’ÉCOLE DE TECHNOLOGIE SUPÉRIEURE

 AVANT-PROPOS

Le présent mémoire est l’aboutissement du travail de recherche effectué dans l’objectif de

l’obtention de la maîtrise en génie mécanique de l’École de Technologie Supérieure de
Montréal. J’ai eu la chance d’intégrer ce programme grâce au partenariat entre l’ÉTS de
Montréal et les Arts et Métiers ParisTech, université dans laquelle je suivais le cursus
d’obtention du diplôme d’ingénieur.
 REMERCIEMENTS

Je remercie les professeurs Lucas Hof et Jean-Pierre Kenné pour m’avoir proposé ce sujet de
maîtrise et pour la liberté, l’intégrité et la confiance qu’ils ont pu m’accorder durant ce
mémoire, et pour m’avoir accompagné lors de chaque instant de mon travail de recherche. Je
les remercie aussi pour leur soutien financier.

Je tiens également à remercier les différents établissements qui m’ont accueilli dans les
meilleures conditions tout au long de mes études supérieures, le lycée Chaptal à Paris, les Arts
et Métiers ParisTech et l’École de Technologie Supérieure de Montréal. Mes remerciements
vont aussi aux professeurs qui ont su me transmettre leurs connaissances et aux membres du
personnel pour leur travail quotidien.

Je remercie ensuite mon frère Alexandre, ainsi que son épouse Esther, qui sont pour moi des
exemples à suivre pour s’épanouir dans sa vie professionnelle. Ils seront de merveilleux parents
pour leur fils Léopold.

Je souhaite aussi remercier mes parents qui m’ont toujours soutenu dans mes études et dans
chacune de mes étapes de la vie, en me donnant le goût du savoir et du travail.

Je n’oublie pas de remercier aussi Aubin, Rémi, Romain, Salomé et Thomas pour ces deux
années passées à Montréal, pour avoir supporté ou non mon humour au quotidien, pour toutes
ces soirées et pour avoir vécu ensemble les joies et les galères de la recherche.

Merci aussi à Charlotte, Pods, Papy, Sam, Clémence, Maxime H., Florian, Guillaume, Aubin
G., Sixtine, Lauriane, Maxime B., Colombine et tant d’autres belles personnes rencontrées au
Québec pour les moments passés à leur côté.
 Optimisation des chaînes d’approvisionnement en boucle fermée avec l’internet des
objets dans un contexte d’économie circulaire à l’ère de l’Industrie 4.0

Victor DELPLA

RÉSUMÉ

L’Économie Circulaire est une nouvelle conception de l’économie répondant au problème de

l’appauvrissement des ressources naturelles. Pour rester compétitif économiquement et
répondre aux nouvelles attentes écologiques des consommateurs, les chaînes
d’approvisionnement en boucle fermée (closed-loop supply chains, CLSC) sont une solution
concrète pour l’industrie manufacturière avec la réutilisation les produits en fin de vie (end-of-
life, EOL) et le recyclage des matières premières.

Néanmoins, les CLSC sont difficiles à mettre en place à cause de la difficulté à récupérer de
manière optimale les produits EOL étant donné les incertitudes qui existent sur leur condition
après leur utilisation. Ces incertitudes complexifient la gestion des CLSC en empêchant de
planifier efficacement les flux. Les technologies de l’Industrie 4.0 comme l’Internet des Objets
(IoT) peuvent les réduire avec la collecte de données sur son état de dégradation tout au long
du cycle de vie du produit. Le choix du traitement de récupération du produit et de ses
composants en serait alors facilité et aucune étape d’inspection ne serait nécessaire. Les
produits EOL récupérés pourraient aussi être sélectionnés de manière optimale.

Ce travail propose un modèle de CLSC qui optimise les flux pour maximiser le profit généré
par la réutilisation des produits EOL d’une entreprise manufacturière en utilisant l’IoT. On
utilisera un modèle en programmation linéaire sur LINGO considérant plusieurs produits
modulaires pour étudier les retombées d’une telle CLSC. L’apport principale de ce mémoire
est donc de montrer les potentiels gains de la mise en place d’une CLSC dont la récupération
et le choix de traitements des produits EOL sont dirigés par l’IoT. Ainsi, dans le cas où les
produits refabriqués représenterait 40% de la demande total, on peut atteindre une
augmentation de près de 48% du profit grâce au modèle de CLSC présenté. Ce travail montre
aussi la compatibilité entre les intérêts économiques et une consommation plus raisonnable des
ressources naturelles, moins exploités grâce à la récupération des produits EOL.

Mots-clés : Chaîne d’approvisionnement en boucle fermée, Internet des Objets, Économie

Circulaire, Industrie 4.0
 Closed-loop supply chain optimization with the Internet of Things in a context of
circular economy in the era of Industry 4.0

Victor DELPLA

ABSTRACT

The Circular Economy is a new conception of the economy responding to the problem of the
exhaustion of natural resources. To remain economically competitive and meet the new
ecological expectations of consumers, closed-loop supply chains (CLSC) are a concrete
solution for the manufacturing industry with the reuse of end-of-life products (EOL) and the
recycling of raw materials.

However, CLSCs are difficult to implement because of the difficulty of optimally recovering
EOL products given the uncertainties that exist about their condition after use. These
uncertainties complicate the management of CLSCs by preventing effective flow planning.
Industry 4.0 technologies such as the Internet of Things (IoT) can reduce them with the
collection of data on its degradation condition throughout the product lifecycle. The choice of
recovery treatment for the product and its components would then be facilitated and no
inspection steps would be required. Recovered EOL products could also be optimally selected.

This work proposes a CLSC model that optimizes flows to maximize the profit generated by
the reuse of EOL products from a manufacturing company using IoT. A linear programming
model on LINGO considering several modular products will be used to study the impact of
such a CLSC. The main contribution of this research is to show the potential benefits of setting
up a CLSC whose recovery and choice of processing of EOL products are directed by the IoT.
Thus, in the case where remanufactured products would represent 40% of the total demand, an
increase in profit of nearly 48% can be achieved thanks to the CLSC model presented. This
work also shows the compatibility between economic interests and a more responsible
consumption of natural resources, less exploited due to the recovery of EOL products.

Keywords: Closed Loop Supply Chain, Internet of Things, Circular Economy, Industry 4.0
 TABLE DES MATIÈRES

Page

INTRODUCTION .....................................................................................................................1

CHAPITRE 1 REVUE DE LITTÉRATURE ......................................................................3

Introduction ....................................................................................................................3
1.1.1 Approche linéaire du cycle de vie ............................................................... 3
1.1.2 Conséquence de l’approche linéaire du cycle de vie des produits .............. 4
1.1.3 La fin de vie des produits ............................................................................ 5
1.1.3.1 La production des déchets ............................................................ 5
1.1.3.2 La collecte des produits EOL ....................................................... 9
1.1.3.3 Les insuffisances du recyclage................................................... 10
L’Économie Circulaire.................................................................................................11
1.2.1 Le développement durable ........................................................................ 11
1.2.2 Définition du concept d’Économie Circulaire .......................................... 13
1.2.3 Les bénéfices de l’Économie Circulaire ................................................... 16
1.2.4 Transition vers l’Économie Circulaire ...................................................... 18
L’Industrie 4.0..............................................................................................................19
1.3.1 De nouveaux enjeux industriels ................................................................ 20
1.3.2 Les outils de l’Industrie 4.0 ...................................................................... 22
1.3.3 L’Industrie 4.0 au service de l’Économie Circulaire ................................ 25
Un problème de logistique inverse ..............................................................................26
1.4.1 Les différents types de logistiques inverses .............................................. 27
1.4.1.1 La logistique inverse en boucle ouverte..................................... 27
1.4.1.2 La logistique inverse en boucle fermée ..................................... 28
1.4.2 Une nouvelle conception de la logistique inverse..................................... 29
1.4.3 Impact de l’Industrie 4.0 sur les CLSC ..................................................... 30
1.4.4 Techniques de modélisation et de résolution des problèmes de réseaux
manufacturiers........................................................................................... 32
Conclusion ...................................................................................................................34
1.5.1 Résumé de l’analyse critique de la littérature ........................................... 34
1.5.2 Problématiques et objectifs de recherche .................................................. 34
1.5.3 Méthodologie ............................................................................................ 36

CHAPITRE 2 CIRCULAR MANUFACTURING 4.0: TOWARDS INTERNET OF

THINGS EMBEDDED CLOSED-LOOP SUPPLY CHAINS IN THE
CONTEXT OF INDUSTRY 4.0................................................................37
Abstract ........................................................................................................................37
Introduction ..................................................................................................................38
Literature review ..........................................................................................................40
2.3.1 Recovery processsing................................................................................ 41
2.3.2 IoT and embedded sensors ........................................................................ 42
2.3.3 Existing CLSCs models ............................................................................ 43
XIV

Problem statement ........................................................................................................45

2.4.1 Objectives ................................................................................................. 47
2.4.2 Assumptions.............................................................................................. 47
2.4.3 Nomenclature ............................................................................................ 48
2.4.4 Device of Internet of Thing (DIOT) ......................................................... 51
Mathematical model.....................................................................................................56
2.5.1 Variables and parameters .......................................................................... 56
2.5.2 Objective function ..................................................................................... 58
2.5.2.1 Total revenue ............................................................................. 59
2.5.2.2 Total cost .................................................................................... 59
2.5.3 Circular Economy Total Profit.................................................................. 60
2.5.4 Constraints ................................................................................................ 61
2.5.4.1 Sales and Collection center demand .......................................... 61
2.5.4.2 Stock management ..................................................................... 62
2.5.4.3 Manufacturing ............................................................................ 62
2.5.4.4 Recycling ................................................................................... 62
2.5.4.5 Remanufacturing ........................................................................ 63
2.5.4.6 Products Assembly..................................................................... 63
2.5.4.7 Raw materials management ....................................................... 64
A case study: a numerical example ..............................................................................64
2.6.1 Fairphone: a modular smartphone ............................................................ 64
2.6.2 Model adjustement .................................................................................... 66
2.6.3 Case Study Numerical Data ...................................................................... 68
2.6.4 DIOT modeling ......................................................................................... 69
2.6.5 Studied variables ....................................................................................... 71
2.6.6 Parameter variation range ......................................................................... 71
2.6.7 Reference case of the sensitivity analysis ................................................. 74
2.6.8 Sensitivity analysis.................................................................................... 77
2.6.9 Optimal EOL product selection ................................................................ 82
Conclusion ...................................................................................................................83

CHAPITRE 3 VERS LA PRÉVISION DE L’ÉTAT DE DÉGRADATION DES

PRODUITS EN FIN DE VIE ....................................................................85
Introduction ..................................................................................................................85
Le diot : reflet de l’utilisation des consommateurs ......................................................85
Le diot : reflet d’une réalité mécanique .......................................................................87
Détecter les dégradations .............................................................................................89
Prédire les dégradations ...............................................................................................92
Conclusion ...................................................................................................................93

CONCLUSION ........................................................................................................................95

RECOMMANDATIONS ........................................................................................................97

ANNEXE I PROGRAMME LINGO POUR L’ÉTUDE DE CAS................................99

 XV

ANNEXE II DONNÉES NUMÉRIQUES POUR L’ÉTUDE DE CAS (1) .................121

ANNEXE III DONNÉES NUMÉRIQUES POUR L’ÉTUDE DE CAS (2) .................122

ANNEXE IV DONNÉES NUMÉRIQUES POUR L’ÉTUDE DE CAS (2) .................123

APPENDICE I PREUVE DE SOUMISSION DE L’ARTICLE DE REVUE..................124

APPENDICE II ARTICLE DE CONFÉRENCE ...............................................................125

BIBLIOGRAPHIE .................................................................................................................139
 LISTE DES TABLEAUX
Page

Tableau 1.1 Composition des ordures ménagères collectées (ADEME, 2010) ...............7

Tableau 1.2 Teneurs en minéraux de la mine urbaine (Grimaud, 2019) .........................9

Tableau 2.1 Problem parameters of the developed CLSC model ..................................48

Tableau 2.2 Problem decision variables of the developed CLSC model.......................50

Tableau 2.3 Fairphone 2 components list ......................................................................65

Tableau 2.4 Fairphone 2 parameters ..............................................................................68

Tableau 2.5 Fairphone 2 parameters ..............................................................................68

Tableau 2.6 Raw materials considered in the Fairphone 2 ............................................69

Tableau 2.7 Component diotn, i, j, t PROBvalues ..........................................................70

Tableau 2.8 Parameter values for the reference case .....................................................72

Tableau 2.9 Parameters of the different smartphone models.........................................73

Tableau 2.10 Product demands ........................................................................................73

Tableau 2.11 Component demands and importance component weights ........................74

Tableau 2.12 Profits in reference case .............................................................................74

Tableau 2.13 Values of product-related decision variables for the reference case..........75

Tableau 2.14 Values of component-related decision variables for the reference case ....75

Tableau 2.15 Values of raw material-related decision variables for the reference case ..76
 LISTE DES FIGURES

Page

Figure 1.1 Présentation du cycle de vie linéaire des produits (Recyc-Québec, 2019) .3

Figure 1.2 Évolution de la biocapacité du monde entre 1961 et 2018 (Global

Footprint Network, 2018) ............................................................................5

Figure 1.3 Réacheminement et élimination des déchets solides, Canada, 2002 à

2016 (Environnement et Changement climatique Canada, 2018) ...............7

Figure 1.4 Réacheminement des déchets solides selon le type de matières, Canada,
2002 à 2016 (Environnement et Changement climatique Canada, 2018) ...8

Figure 1.5 Les dimensions du développement durable ...............................................13

Figure 1.6 Schéma de l’Économie Circulaire (Recyc-Québec, 2019) ........................15

Figure 1.7 Chronologie des quatre révolutions industrielles (Hof, 2018) ...................20

Figure 1.8 Les outils de l’Industrie 4.0 (INSA Stasbourg, 2018) ...............................23

Figure 1.9 Exemple d’un réseau de logistique inverse en boucle ouverte (Gou,
Liang, Huang, & Xu, 2008) .......................................................................28

Figure 1.10 Exemple du réseau d’une chaîne d’approvisionnement en boucle fermée

(Tonanont, Yimsiri, Jitpitaklert, & Rogers, 2008) .....................................29

Figure 2.1 Circular Economy flows and processes .....................................................39

Figure 2.2 CLSC model considering the remanufacturing and disposal of a single
modular product and its components .........................................................44

Figure 2.3 CLSC model developed in the study .........................................................46

Figure 2.4 Device of the Internet of Things (DIOT) ...................................................52

Figure 2.5 Principle of choice for component recovery processing according to its
diotn, i, j, t and its assessment on the threshold values nj1, nj2 and nj3 ....52

Figure 2.6 Remanufacturing cost fn, i, j, t according to diotn, i, j, t .............................53

Figure 2.7 Principle of choice of product recovery processing according to its

diotn, i, t and its evaluation on the threshold values ni1 and ni2 ...............54
XX

Figure 2.8 Recovery rate for EOL products rn, i, t according to diotn, i, t .................55

Figure 2.9 Fairphone 2 disassembly components (Fairphone, 2015)..........................65

Figure 2.10 CLSC model adapted to the Fairphone case ..............................................67

Figure 2.11 TPCE variation for different values of ra, rv and rf ..................................77

Figure 2.12 TPCE variation for different values of diot1, i, j, tPROB ...........................78

Figure 2.13 TPCE for different probability distributions of diot1, i, 3, tPROB ............79

Figure 2.14 TPCE/TPDirectLoop (%) for different quantity of EOL products

recovered ....................................................................................................80

Figure 2.15 Total profit according to the number of products proposed ......................81

Figure 2.16 TPCE/TPDirectLoop (%) with and without the possibility to select the
returned products .......................................................................................83

Figure 3.1 Dégâts typiques présents sur les écrans de smartphone (Schaub et al.,
2014) ..........................................................................................................86

Figure 3.2 Critère de Griffith pour une fissure de longueur 2a soumise à une
contrainte uni axiale qui lui est perpendiculaire dans une plaque infinie ..88

Figure 3.3 Processus de détection des défauts d’une surface en verre (Ming et al.,
2020) ..........................................................................................................91

Figure 3.4 Conception d’un modèle prédictif de contrôle (Beal, Hill, Martin, &
Hedengren, 2018) .......................................................................................92
 LISTE DES ABRÉVIATIONS, SIGLES ET ACRONYMES

EC Économie Circulaire

CE Circular Economy

EOL End-of-Life

FDV En fin de vie

CLSC Closed-Loop Supply Chain

CM Circular Manufacturing

IoT Internet of Things

RFID Radio Frequency Identification

 INTRODUCTION

L’épuisement des ressources naturelles et la sensibilisation croissante des populations à une

consommation plus responsable du point de vue écologique nous pousse à repenser notre
manière de concevoir l’économie et la gestion du cycle de vie des produits.

Ces nouveaux défis influent de plus en plus sur la manière de penser les chaînes
d’approvisionnement (Stahel, 2013). Les chaînes d’approvisionnement en boucle fermée, ou
closed-loop supply chain en anglais (CLSC), sont une approche considérant les nouveaux
enjeux environnementaux, sociétaux et économiques durant l’ensemble du cycle de vie des
produits, de l’extraction des matières premières à la fin de vie du produit (Mtalaa & Aggoune,
2010; Soleimani & Govindan, 2014).

La mise en place d’une CLSC entraîne des problèmes de logistique inverse. En effet, le succès
d’une CLSC au niveau économique et environnementale dépend de la capacité à récupérer de
manière optimale les produits en fin de vie (FDV ou end-of-life, EOL) et à choisir le meilleur
traitement de récupération. C’est assurément une des grandes difficultés de la logistique
inverse car les produits FDV ont été soumis à un environnement durant leur utilisation
entraînant de grandes incertitudes sur leurs conditions. Ces incertitudes sont l’un des problèmes
principaux des CLSC car elles provoquent des difficultés pour planifier les flux de ces chaînes
d’approvisionnement, notamment pour optimiser l’aspect économique (Temur & Bolat, 2012).

À l’ère de l’Industrie 4.0 et du numérique, l’Internet des Objets (Internet of Things, IoT) peut
permettre de surmonter ces problèmes. En collectant des données sur les produits avec des
capteurs puis en les transmettant au fabriquant, ce dernier peut connaître l’état de dégradation
de chacun des produits FDV. Le fabriquant peut ainsi planifier ces flux en fonction de ces
informations.

Les recherches sur l’optimisation de la récupération des produits FDV dans les CLSC sont
nécessaires pour rendre viable ce type de chaîne d’approvisionnement (J. Shi, Zhang, & Sha,
2

2011). En effet, les acteurs de la boucle de retour doivent pouvoir évaluer l’état des produits
FDV disponibles pour les réutiliser, les refabriquer ou les recycler.

Nous proposons une méthode pour choisir au mieux le traitement de récupération des produits
FDV ainsi qu’une meilleure sélection de ces produits, tout en satisfaisant les demandes des
clients, en étant plus soucieux des ressources naturelles et en s’assurant d’un profit généré
maximal. Ainsi, l’objectif principal de ce mémoire est le développement d’un outil de gestion
du flux des produits, des composants et des matières premières dans une chaîne
d’approvisionnement en boucle fermée.

Ce mémoire est subdivisé en trois chapitres. Dans le chapitre 1, nous présenterons l’Économie
Circulaire, une nouvelle manière de penser notre modèle économique pour pallier aux
manquements de l’approche linéaire traditionnelle qu’elle suit actuellement. Cette transition
vers ce modèle circulaire est entravée par la récupération efficace des produits FDV. Elle doit
ainsi s’appuyer sur les outils numériques de l’Industrie 4.0 afin de surmonter cet obstacle. Nous
décrirons ensuite le principe de logistique inverse et de chaînes d’approvisionnement en boucle
fermée. Nous verrons ensuite les transformations des CLSC avec l’Industrie 4.0 ainsi que les
méthodes de résolution des problèmes d’optimisation. Nous présenterons enfin les objectifs de
recherches et notre méthodologie. Dans le chapitre 2, nous développerons un modèle de CLSC
s’appuyant sur l’IoT. Les points suivants seront développés : la formulation du problème et ses
hypothèses, la mise en équation du problème, l’étude d’un cas concret numérique avec
optimisation et analyse de sensibilité. Ce deuxième chapitre sera présenté sous forme d’article
de revue scientifique avec comité de lecture soumis pour publication dans « Journal of Cleaner
Production » La preuve de soumission de l’article se trouve dans l’Appendice I. Cet article est
l’amélioration d’un article de conférence publié et disponible dans l’Appendice II. Enfin dans
le chapitre 3, nous proposerons une démarche pour établir des modèles de prédictions de l’état
des produits en fin de vie.
 CHAPITRE 1

REVUE DE LITTÉRATURE

Introduction

1.1.1 Approche linéaire du cycle de vie

Depuis longtemps et aujourd’hui encore, l’économie et notre manière de consommer sont

fondées sur un mode de production linéaire. La vie d’un produit est un enchaînement de cinq
phases : extraction de la matière première, transformation, distribution, utilisation et
élimination. Le parcours de ces cinq étapes est représenté sur la Figure 1.1. Le produit
traverse différentes étapes, gagnant ou perdant de la valeur lors de chacune d’entre elles.
Dans cette approche linéaire du cycle de vie, la Nature est considérée comme la source des
ressources ; et ces flux de matières issus de l’Écosphère, c’est-à-dire l’écosystème planétaire
global, ne possèdent pas de limites (Hall C. A. S. & Klitgaard K. A., 2012).

Figure 1.1 Présentation du cycle de vie linéaire des produits (Recyc-Québec, 2019)
4

Néanmoins, Cette approche linéaire du cycle de vie des produits repose sur une vision
incomplète de l’Écosphère et des activités économiques et industrielles. En effet, considérer
l’Écosphère comme un fournisseur intarissable de ressource minière et énergétique mène
fatalement à un épuisement de celles-ci (Jancovici, 2017). Les conséquences de l’activité
humaine sur l’environnement, dans cette approche linéaire, ne sont considérées qu’à la fin de
cette chaîne et non dès la source et l’extraction des matières premières.

Ainsi, les perturbations créées par l’activité économique dans ce modèle linéaire sont corrigées
par des techniques correctives en fin de chaîne (Tranchant & Vasseur, 2005). Toutes idées
d’interdépendance et de circularité des flux sont absentes, chaque phase de vie d’un produit est
indépendante des autres au-delàs de celles qui ont une connexion directe avec elle. Cela revient
ainsi à diminuer les conséquences d’un mal et non à éliminer la cause de celui-ci, ce qui est
insuffisant et ne résout pas les problèmes environnementaux sur le long terme. La seule
récupération considérée dans l’approche linéaire du cycle de vie des produits est le recyclage
des déchets générés par les produits en fin de vie (Skerlos, 2015).

1.1.2 Conséquence de l’approche linéaire du cycle de vie des produits

À partir des années 1970, l’empreinte écologique, c’est-à-dire la surface nécessaire pour
satisfaire la demande humaine en ressources naturelles, a dépassé la surface disponible sur
Terre pour les fournir et à absorber les déchets générés, la biocapacité. La Figure 1.2 montre
l’évolution de l’empreinte écologique et de la biocapacité par habitant ces dernières décennies.
Ainsi en 2018, avec une population mondiale de 7.5 milliards d’habitants, l’humanité aurait
besoin de 1.7 planète pour ne pas être en déficit écologique (Global Footprint Network, 2018).
 5

Figure 1.2 Évolution de la biocapacité du monde entre 1961 et 2018 (Global Footprint
Network, 2018)

L’économie mondiale devient de plus en plus dépendante des ressources naturelles fossiles et
cette surconsommation nous rapproche de plus en plus rapidement de l’épuisement des
ressources naturelles par manque de régénération de celles-ci (Toth & Szigeti, 2016).
L’approche linéaire de notre mode de consommation et de production ne peut donc pas
s’inscrire indéfiniment dans l’écosystème (Graedel, 1996).

1.1.3 La fin de vie des produits

1.1.3.1 La production des déchets

Pour suivre la consommation croissante dans le monde, l’approche linéaire est très exigeante
en matières premières primaires, c’est-à-dire en matières premières qui n’ont pas encore été
utilisées dans la production d’un produit. Lorsque ce dernier est en fin de vie, ces matières
premières deviennent des déchets et de la pollution (voir Figure 1.1). La quantité de déchets
devient de plus en plus importante (OCDE, 2020) et constitue une source de nuisances partout
6

dans le monde depuis la sédentarisation des populations humaines, dans les pays pauvres
comme les plus développés possédant des systèmes de traitements (Béguin, 2016).

Ce problème devient de plus en plus important car la quantité de déchets ménagers produits
par habitant a été multipliée par 100 entre 1800 et 2017 dans des pays comme la France
(ADEME, 2016).

Le recyclage est la méthode la plus répandue pour limiter la quantité de déchet et le gaspillage.
C’est une pratique qui est entrée dans les mœurs et est pratiquée depuis des décennies,
proposant une solution pour adoucir les conséquences de l’approche linéaire de l’économie
(ADEME, 2014).

Le Canada ne fait pas exception de cette augmentation de la quantité de déchets. En effet, entre
2002 et 2016, la quantité de déchets a augmenté de 11%, soit 3,5 millions de tonnes
supplémentaires. Pour la gestion des déchets ménagers, le Canada a recours à l’incinération, à
l’enfouissement et au recyclage après réacheminement. La quantité de déchets subissant ces
traitements a connu une croissance de 4% entre 2002 et 2016, pour un total de 24.9 millions
de tonnes. Pour la quantité de déchets recyclé, l’augmentation de 2002 à 2016 est plus
conséquente en atteignant 39% et portant le total à 9.3 millions de tonnes. Ainsi, seulement
26% de la quantité totale de déchets est recyclés. Le secteur non résidentiel (construction,
industrie, commerce) représentait 59% des déchets éliminés et 48% des déchets recyclés, ce
qui montre le retard de l’industrie canadienne dans le réacheminement des déchets
(Environnement et Changement climatique Canada, 2018).

La Figure 1.3 montre plus en détail la répartition des quantités de déchets entre ceux
résidentiels ou non, ceux recyclés ou non.
 7

Figure 1.3 Réacheminement et élimination des déchets solides, Canada, 2002 à 2016
(Environnement et Changement climatique Canada, 2018)

En comparaison, en France, 42% des déchets résidentiels sont recyclés, le reste est soit incinéré
(32 %), soit enfoui (26 %). L’Agence de la transition écologique française (ADEME) alerte
aussi sur le fait que les capacités d’enfouissement diminuent et que donc cette méthode n’est
pas viable sur le long terme (ADEME, 2016).

La composition des flux de déchets est extrêmement variée. Par exemple, dans le cas des
ordures résidentielles, le flux possède une grande palette de composants comme on peut le voir
sur le Tableau 1.1.

Tableau 1.1 Composition des ordures ménagères collectées (ADEME, 2010)

Cette diversité pose des problèmes de traitements des déchets. La collecte sélective a pour but
d’homogénéiser les compositions des flux de déchets mais demande une organisation
8

permettant de faire le tri avant la récupération des produits (ADEME, 2014). La Figure 1.4
indique la diversité de la composition des déchets canadiens, largement dominée en masse par
les déchets organiques et le papier sur les deux dernières décennies (Canada, 2018).

Figure 1.4 Réacheminement des déchets solides selon le type de matières, Canada, 2002 à
2016 (Environnement et Changement climatique Canada, 2018)

Face à une quantité de déchets croissante, l’utilisation des produits FDV comme une source de
matière première autre que l’extraction minière est judicieuse, c’est ce qu’on nomme la mine
urbaine. La quantité d’énergie pour extraire les minerais urbains par rapport à des minerais
dans une mine géologique est faible (Geldron, 2016; Sengupta, 2018).

Le Tableau 1.2 illustre ce propos en opposant les quantités de minerais à haute importance
technologique présentes dans les mines urbaines et géologiques, ainsi que les types de déchets
électroniques dans lesquels on les trouve.
 9

Tableau 1.2 Teneurs en minéraux de la mine urbaine (Grimaud, 2019)

Ainsi, en 2007, 3% l’or disponible sur les marchés, 3% de l’argent, 13% du palladium et 15%
du cobalt provenait de l’exploitation des mines urbaines (Tansel, 2017). La collecte des
produits FDV dans le but de récupérer cette mine urbaine est donc un enjeu majeur.

1.1.3.2 La collecte des produits FDV

La diversité de la composition des déchets demande un tri qui se fait en amont de la

récupération. Or, la production d’un déchet se fait le plus souvent à proximité du lieu de sa
dernière utilisation. Ainsi les produits FDV sont dispersés sur le territoire, ce qui constitue le
principal problème de la récupération, car cela augmente les coûts de traitements notamment
pour des produits très nombreux, très disséminés et à faibles coûts unitaires (une canette en
aluminium par exemple) (Grimaud, 2019).
10

Cette organisation pour recycler les déchets demande de sensibiliser les consommateurs afin
d’optimiser la collecte. Il s’agit de la limite du recyclage dans l’approche linéaire du cycle de
vie des produits. En effet, le recyclage est effectué par le consommateur, avec souvent un appui
des autorités gouvernementales, sans connexion avec l’industrie manufacturière (Erkman,
2004). Ce système n’est pas assez performant et les différents acteurs du cycle de vie d’un
produit doivent avoir une connexion pour gérer de manière optimale les produits FDV
(Arnsperger & Bourg, 2016).

1.1.3.3 Les insuffisances du recyclage

Récupérer les produits FDV n’est pas la seule difficulté à surmonter pour améliorer la gestion
des produits FDV récupérés. En effet, comme vu à la section 1.1.3.1, le recyclage est le
traitement de récupération le plus courant, mais il n’est pas suffisant.

Premièrement, le recyclage complet des matériaux issus de produits FDV n’est théoriquement
pas possible car les lois de la thermodynamique imposent la consommation d’une immense
quantité d’énergie pour le réaliser, rendant contre-productif le recyclage (Korhonen,
Honkasalo, & Seppälä, 2018). De plus, les opérations de recyclage entraîne elles aussi des
pertes de matières (Stahel, 2013). Cette limitation technologique est notable pour certaines
terres rares abondamment présentes dans l’électronique du quotidien (Teigeiro, 2017).

Le recyclage provoque aussi une baisse de fonctionnalité des matériaux recyclés et une perte
énergétique dû au processus de recyclage (Perry et al., 2012). Dans le cas des métaux, la phase
d’affinage à chaud entraine la perte d’éléments d’alliage (Ohno et al., 2015; Paraskevas,
Kellens, Renaldi, Dewulf, & Duflou, 2013). Certains éléments d’alliages sont complexes à
recycler et altèrent considérablement le processus (Gaustad, Olivetti, & Kirchain, 2010).

Plus globalement, les filières de récupération mettent en commun les flux de retour et le
traitement des produits FDV, peu importe les compositions des alliages qui les composent. La
 11

fonctionnalité des matériaux métalliques en est alors dégradée (Sakai et al., 2013). Lorsqu’un
effort de tri est fait, de possibles erreurs peuvent perturber le recyclage (Hiraki et al., 2011).

Le recyclage ne permet donc pas de réduire complètement les déchets. Des méthodes
alternatives sont donc préférables pour traiter les produits FDV. La réutilisation des produits
FDV dans un le cadre d’un emploi identique est une option. On peut aussi citer le réusinage
des composants pour les remettre à neuf après désassemblage du produit FDV. Ces nouvelles
perspectives de traitement sont des alternatives de plus en plus répandues pour compenser les
limites du recyclage qui ne permettent pas de réduire l’impact de l’approche linéaire de
l’économie. Ces méthodes transforment l’économie, elle n’est plus linéaire et gagne en
circularité.

L’Économie Circulaire

1.2.1 Le développement durable

Nous venons de voir que l’approche linéaire du cycle de vie des produits ne pouvait pas être
durable dans un monde où consommation et population augmentent inexorablement.
L’épuisement des ressources s’accélère et les dérèglements de l’écosystème impactent de plus
en plus fortement l’Humanité (ONU, 2019).

Le concept de développement durable réunit développement économique et préservation de

l’Écosphère. Cette expression est apparue en 1987, lorsque l’Organisation des Nations Unies
a publié le rapport Brundtland traitant de question environnementale. Le développent durable
y est définit de la manière suivante :

Le développement durable est un mode de développement qui

répond aux besoins des générations présentes sans
compromettre la capacité des générations futures de répondre
aux leurs. Deux concepts sont inhérents à cette notion : le
concept de « besoins », et plus particulièrement des besoins
essentiels des plus démunis, à qui il convient d’accorder la plus
grande priorité, et l’idée des limitations que l’état de nos
12

techniques et de notre organisation sociale impose sur la

capacité de l’environnement à répondre aux besoins actuels et à
venir (Brundtland, 1987).

Cette nouvelle manière d’organiser le développement de la société se réalise dans trois

dimensions représentées sur la Figure 1.5 :

- La première dimension est la dimension environnementale. L’activité économique

humaine ne doit pas dépasser la capacité de renouvellement des ressources naturelles
et perturber l’équilibre des écosystèmes.
- La seconde dimension est sociale : les ressources et les services essentiels qui en
découlent doivent être accessibles à tous pour garantir la cohésion des peuples.
- La troisième dimension est économique. La croissance économique qui résulte de la
meilleure gestion des ressources garantit la pérennité et la stabilité de la Société.

Il est souvent mention d’une quatrième dimension, la gouvernance. Il s’agit de la méthode pour
mener collectivement l’application du développement durable, englobant les trois autres
dimensions (Combe, 2015). Les combinaisons de ces dimensions permettent à la société de
devenir vivable, viable, équitable, et donc durable. Ces combinaisons sont présentées Figure
1.5.
 13

Figure 1.5 Les dimensions du développement durable

Le développement durable a donc posé un concept avant tout sociétal d’une société industrielle
plus consciente des problèmes environnementaux causés par une consommation irraisonnée
des ressources naturelles et de leurs conséquences sur les populations. On appelle Économie
Circulaire (EC) l’aspect plus matérielle du développement durable. On peut donc considérer
que le développement durable contient donc l’EC (Grimaud, 2019).

1.2.2 Définition du concept d’Économie Circulaire

Une approche circulaire de l’Économie modifie l’enchainement des cinq étapes de l’approche
linéaire (extraction de la matière première, transformation, distribution, utilisation et
élimination) donné à la Figure 1.1. Dans cette dernière étape, chaque phase n’est dépendante
de celle qui la précède ou la suit directement. Dans l’Économie Circulaire, toutes ces étapes
sont interdépendantes entre-elles grâce à l’intégration d’une boucle de retour permettant de
14

fermer le cycle. Cette approche circulaire peut être comparée aux cycles naturels des ressources
comme le cycle de l’eau (Zhang et al., 2014).

L’Économie Circulaire est ainsi décrite comme un « système de production, d’échange et de

consommation visant à optimiser l’utilisation des ressources à toutes les étapes du cycle de vie
d’un bien ou d’un service, dans une logique circulaire, tout en réduisant l’empreinte
environnementale et en contribuant au bien-être des individus et des collectivités » (Institut
EDDEC, 2018).

On distingue deux objectifs principaux de l’Économie Circulaire présenté sur la Figure 1.6
(Recyc-Québec, 2019). Le premier est de reconsidérer notre manière de produire et de
consommer afin d’utiliser moins de ressources et protéger les écosystèmes dont elles sont
extraites. Plusieurs stratégies peuvent permettre d’atteindre cet objectif. La consommation doit
devenir plus responsable et les opérations doivent être optimisées afin de réduire les
gaspillages.

En effet, la solution circulaire ne peut contenter les besoins en ressources et l’apport de

matières primaires serait toujours nécessaire (McDonough & Braungart, 2010). Il est aussi
primordial de changer la façon de concevoir les produits afin de réduire l’impact
environnemental tout au long de leur cycle de vie, du choix des matériaux, à la fabrication, en
passant par son utilisation et en prenant en compte sa fin de vie c’est ce qu’on appelle
l’écoconception (Sauvé et al., 2016).
 15

Figure 1.6 Schéma de l’Économie Circulaire (Recyc-Québec, 2019)

Le second est d’optimiser les ressources qui sont déjà utilisées. Pour atteindre cet objectif,
plusieurs stratégies sont envisageables. Premièrement les produits peuvent être utilisés plus
fréquemment, c’est-à-dire maximiser leur temps d’activité quand ils sont en service. C’est le
concept d’économie collaborative. Les produits et services sont partagés par plusieurs
entreprises ou individus afin d’optimiser les ressources nécessaires à leur fabrication (Rizos,
Tuokko & Behrens, 2017). Des plateformes numériques permettent cette mutualisation des
ressources entre différents acteurs. Les entreprises peuvent, dans cet esprit d’échange, louer
sur de courtes durées leurs équipements afin que d’autres les utilisent, sans pour autant devoir
faire usage de nouvelles ressources pour en créer un nouveau (ADEME, 2014). De la même
manière, des espaces de travail partagés s’inscrivent dans l’économie collaborative.

La deuxième stratégie consiste à prolonger la durée de vie des produits et des composants.
Réparer un produit qui ne fonctionne plus ou bien revendre/donner un produit dont on n’a plus
l’usage sont des manières assez intuitives pour augmenter la durée de vie. On peut aussi citer
16

le reconditionnement (refurbishing) qui est la remise à neuf d’un produit après l’avoir
désassemblé, inspecté, nettoyé, réusiné (remanufacturing) et enfin réassemblé (H. J. Parkinson,
2003; Lieder & Rashid, 2016). Enfin l’économie de fonctionnalité est quant à elle une
économie où l’on vend l’utilisation d’un produit et non la possession de ce dernier. L’entreprise
qui vend l’usage du produit peut ainsi faire perdurer son utilisation en gérant sa maintenance
de la meilleur manière grâce à son expertise et sa connaissance du produit (Haas, Krausmann,
Wiedenhofer & Heinz, 2015). On peut citer l’exemple du fabricant du pneu Michelin qui offre
maintenant un service d’utilisation au kilomètre de ses pneus à ses clients et assure l’entretien
de ceux-ci ainsi que le contrôle de la pression multipliant ainsi la durée de vie du pneu par 2.5
(ADEME, 2014).

La dernière stratégie est le fait de donner une nouvelle vie aux ressources. Le recyclage est la
méthode la plus conventionnelle pour réutiliser la matière première et la réinjecter dans un
nouveau cycle de vie (Lieder & Rashid, 2016). Le recyclage s’étend aussi aux matières
organiques : le compost permet d’obtenir des engrais naturels par exemple. Pour les matières
qui ne peut être recyclées, on peut les valoriser en les incinérant. La chaleur dégagée permet
ainsi de chauffer des locaux (ADEME, 2014). Enfin, l’écologie industrielle, ou symbiose
industrielle, est la circulation des matières sortantes et entrantes des entreprises entre-elles.
Ainsi, ce qu’une industrie rejette peut constituer le flux de matière entrante d’une autre
(Bocken, Miller, Weissbrod, Holgado, & Evans, 2017; Erkwan, 2004; Institut Montaigne,
2016).

1.2.3 Les bénéfices de l’Économie Circulaire

L’Économie Circulaire est donc un concept visant à réduire l’impact écologique des activités
humaines. Si les nouvelles contraintes imposées par ce modèle peuvent nuire à certains
domaines économiques, la transition vers l’Économie Circulaire apporte de nombreuses
retombées positives.
 17

On distingue évidement des retombées environnementales positives grâce à l’Économie

Circulaire. C’est l’objectif principal de cette nouvelle façon de concevoir l’économie.

Les études publiées sont pour le moment essentiellement européennes et se focalisent sur la
réduction des gaz à effet de serres ainsi que la récupération et le recyclage des déchets. Il a été
calculé qu’optimiser les ressources dans l’alimentation, la fabrication et la métallurgie
diminuerait jusqu’à 4% des émissions des gaz à effet de serre (Lawton et al., 2013). Par
exemple, le cuivre recyclé émet seulement 35% de la quantité de gaz à effet de serre émise par
du cuivre primaire à masse égale (Technopolis Group, 2016). De plus, les processus de
fabrication et d’utilisation qui ne sont pas optimisés ont des besoins en matières premières
primaires plus importants. L’Économie Circulaire pourrait ainsi réduire les besoins en matières
premières de 32% en 2030 et de 53% en 2050. Ces économies serraient acquises en utilisant
mieux les produits et les infrastructures. En effet, les voitures sont utilisées seulement pendant
8% de leur vie, les infrastructures de travail sont utilisées 40% du temps et un produit
manufacturé est en service en moyenne 9 ans (Fondation Ellen MacArthur, 2015).

Les retombées de l’Économie Circulaire sont aussi économiques tant au niveau de

l’augmentation du PIB que de la création d’emplois. La Commission européenne estime
qu’une meilleure utilisation des ressources amenant une diminution de 1% du besoin en
ressources naturelles engendrerait entre 12 et 23 milliards d’euros et entre 100 000 et 200 000
emplois dans l’Union Européenne (Erkwan, 2004). Une stratégie comme le reconditionnent
peut apporter des bénéfices importants. Le prix de ventes des produits pourrait baisser de 20%
grâce à des coûts d’approvisionnement et de production diminués respectivement de 70% et
34%. L’Économie Circulaire garantit aussi plus de stabilité pour les entreprises car les matières
issues du recyclage et de la récupération des produits en fin de vie diminuent l’impact des cours
de matières premières sur celle-ci (Rebaud, 2017).

Les bénéfices de l’Économie Circulaire doivent pourtant être modérés (Wijkman & Skånberg,
2015). En effet, on peut observer des effets rebonds, c’est-à-dire que les bénéfices
économiques créés par l’Économie Circulaire provoquent une plus grande consommation,
18

réduisant ainsi les bénéfices écologiques, voire peut même être néfaste pour l’écosystème
(Korhonen et al., 2018; Zink & Geyer, 2017).

1.2.4 Transition vers l’Économie Circulaire

Bien que les bénéfices soient multiples dans de nombreux domaines, la transition vers
l’Économie Circulaire n’en est qu’à ses débuts. Le traitement des produits en fin de vie est la
clé de cette transition (S. Sauvé, D. Normandin & M. Mcdonald, 2016). Cela demande de
repenser l’organisation complète des filières de récupérations des produits en fin de vie car
pour le moment leur retour n’est pas suffisant pour assurer la pérennité d’un modèle circulaire
(Allwood, 2014). Les acteurs de la récupération des produits FDV ont donc pour objectifs
(Grimaud, 2019) :

- Optimiser la collecte des produits FDV tant en quantité qu’en qualité.

- Choisir les traitements de récupération en fonction de l’état des produits FDV.
- Conserver la quantité et la qualité des matières premières.

Passer vers un modèle circulaire demande nécessairement une meilleure gestion des ressources
pour réduire les effets sur l’environnement en augmentant la fonctionnalité des ressources dans
le temps grâce à toutes les options possibles pour les produits FDV autre que l’élimination :
réutilisation, réparation, désassemblage, reconditionnement ou bien recyclage. Les économies
réalisées grâce à cette meilleure utilisation des ressources doivent être réinvestis dans des
technologies qui permettraient de rendre plus rentables cette nouvelle politique industrielle et
de créer des emplois (Lavery, Pennell, Pennell, & Evans, 2014).

Ainsi, l’Économie Circulaire est un concept qui est certes défini, mais dont la mise en
application réelle en est encore à ses débuts. L’Économie Circulaire est devenue une des
priorités de nombreux pays à travers le monde (Gouvernement du Canada, 2018), tant au
niveau des politiques gouvernementales à grande échelle, que des entreprises civiles menant
 19

des initiatives plus petites. Beaucoup de défis doivent encore être à réaliser pour que
l’Économie Circulaire soit complétement adoptée (Smart Prosperity Institute, 2018).

On peut alors se demander quels outils technologiques permettront cette transition. L’Industrie
4.0 est un moyen de la réaliser car elle offre des solutions pouvant renforcer le modèle
circulaire de l’Économie, notamment en améliorant les différentes stratégies envisagées dans
la partie 1.2.2 comme la réutilisation, le reconditionnement ou le recyclage. Les technologies
de l’Internet des objets pourraient aussi aider à optimiser la collecte des produits FDV (Rajput
& Singh, 2019). Dans la prochaine partie, nous allons donc présenter plus en détail l’Industrie
4.0 pour cerner tous ses aspects qui permettraient de transiter vers l’Économie Circulaire.

L’Industrie 4.0

Les sociétés humaines ont traversé au cours du temps trois révolutions industrielles et
commencent la quatrième en ce moment même. La chronologie des révolutions industrielles
est résumée sur la Figure 1.7. La première a eu lieu vers 1780 et se caractérise par la
mécanisation de l’Industrie avec des machines fonctionnant à l’eau et à la vapeur. La seconde
révolution industrielle se déroula plus d’un siècle plus tard avec l’avènement des chaînes de
montage et l’électrification de l’industrie. Enfin, la troisième révolution se passa dans les
années 1970 avec les débuts de l’automatisation des chaînes de production et l’apparition des
systèmes informatiques.

Ces trois révolutions ont successivement transformé notre manière de produire et de

consommer. Avec les avancées technologiques en matière de numérique, l’industrie
manufacturière commence aujourd’hui sa quatrième révolution industrielle pour répondre aux
nouveaux besoins industriels (Schwab, 2017).
20

Figure 1.7 Chronologie des quatre révolutions industrielles (Hof, 2018)

1.3.1 De nouveaux enjeux industriels

Les marchés deviennent de plus en plus complexes, en évolution permanente et de plus en plus
concurrentiels (Brettel, Klein, & Friederichsen, 2016). L’imprévisibilité des prévisions, de la
production et de l’innovation demandent aux industriels de faire preuve d’une flexibilité plus
importante que par le passé (Spena, Holzner, Rauch, Vidoni, & Matt, 2016) afin de répondre
aux besoins variables des clients, aux nouvelles technologies qui renouvellent l’offre et à des
produits toujours plus nombreux (Lafou, Mathieu, Pois, & Alochet, 2016). La personnalisation
des produits devient une exigence récurrente de la part des clients (Cantamessa & Capello,
2009) : l’individualisation des produits devient progressivement la norme dans la plupart des
secteurs de l’économie comme cela était attendu depuis des décennies (Da Silveira, 2001).
Cette individualisation devient si avancée qu’on préfère désormais parler de personnalisation
de masse.

Cette personnalisation entraîne des lots de plus petites tailles, plus difficiles à produire de
manière économique car elle s’oppose aux processus de fabrication traditionnels pensés pour
 21

des lots de tailles importantes. L’impact stratégique de cette flexibilité est discuté depuis
presque trente ans dans la littérature (Gerwin, 1993). Des systèmes de fabrication flexibles
(FMS) s’appuyant sur des machines-outils à commandes numériques et pilotés par des
processus de manutention et de stockage automatisés grâce à des systèmes informatiques
intégrés ont été développés pour faire face à ce défi (Mahmood, Karaulova, Otto, &
Shevtshenko, 2017). Les FMS sont dépendants des changements rapides des configurations et
instructions d’usinage propres à chaque pièce fabriquée par le manufacturier. La flexibilité de
fabrication n’est pas la seule exigence à satisfaire, la flexibilité de sur la taille des lots et sur la
livraison est aussi nécessaire. Les manufacturiers doivent être capables de fabriquer une variété
de composants avec le même équipement, en faisant varier la productivité et en étant capable
de respecter et de raccourcir les délais de livraison. (Oke, 2005). La fabrication est considérée
comme l’aspect le plus compliqué à rendre flexible (Mahmood et al., 2017).

La prochaine évolution de cette personnalisation de masse est l’intégration du client à la

conception et à la fabrication des produits à la fois en choisissant parmi une liste d’options
(Koren, Hu, Gu, & Shpitalni, 2013), ce qui demande une flexibilité encore plus importante
(Mourtzis & Doukas, 2014).

Pour répondre à ces nouvelles exigences, l’Industrie 4.0 est née en Allemagne en 2011
(Kagermann, Lukas, & Wahlster, 2011). Cette industrie se fonde notamment sur l’Internet des
Objets (IoT) afin de connecter les systèmes de production tout au long de la chaîne
d’approvisionnement avec des usines intelligentes (Thoben, Wiesner, & Wuest, 2017).
L’industrie manufacturière doit s’appuyer sur l’Industrie 4.0 pour produire des produits plus
personnalisés tout en restant compétitifs économiquement (Deloitte, 2015).

L’Industrie 4.0 est l’intégration et la collaboration de systèmes basés sur les données
récupérées lors de chaque étape de la chaîne de valeur d’un produit. On peut définir cette
collaboration comme verticale, car elle a lieu à chaque niveau d’une entreprise. En effet, toutes
les informations au niveau de la gestion à la production sont transmises et analysées dans le
22

but de réagir à tous les niveaux en fonction des variations de demandes, de stocks ou de
capacités de productions (Dalenogare, Benitez, Ayala, & Frank, 2018).

Cette collaboration est aussi horizontale : les données circulent entre les différents acteurs de
la chaîne d’approvisionnement, y compris parfois entre des entreprises concurrentes, afin que
chacun puisse s’adapter aux besoins ou difficultés des autres (Hahn, Krautkremer, Hartmann,
& Wachendorf, 2014). Cette collaboration permettrait de diminuer les coûts et d’augmenter la
flexibilité et la productivité des entreprises, ainsi que de satisfaire pleinement le besoin de
personnalisation de plus en plus fort des clients.

1.3.2 Les outils de l’Industrie 4.0

L’avancée principale de l’industrie 4.0 est donc l’intégration des technologies de l’information
dans les systèmes industriels (Dalenogare et al., 2018; Wagire, Rathore, & Jain, 2019) utilisant
l’IoT (Ghobakhloo, 2018; Haddud, DeSouza, Khare, & Lee, 2017). Les différents outils de
l’Industrie 4.0 sont présentés sur la Figure 1.8.

On parle aussi de l’Internet des Objets industriels (IIoT). Il s’agit d’un système qui
communique et interagit avec l’ensemble des systèmes d’une entreprise. Elle permet de suivre
en temps réels l’activité de chacun de ces systèmes et de les commander après avoir analyser
la situation (Gunasekaran, Subramanian, & Tiwari, 2016). L’IIoT permet aux entreprises de
collaborer entre elles en automatisant les prises de décisions au sein de la chaîne
d’approvisionnement et ainsi optimiser le fonctionnement de chacune d’entre-elles (Hahn et
al., 2014; Manavalan & Jayakrishna, 2019).
 23

Figure 1.8 Les outils de l’Industrie 4.0 (INSA Stasbourg, 2018)

L’IIoT permet la collecte d’une quantité gigantesque de données, aussi appelées Big Data.
L’analyse de données est donc nécessaire pour que ce volume croissant de données récoltées
soit utilisé afin d’optimiser la production (Wamba et al., 2017). Les entreprises analysent en
effet leurs données dans le but d’accroître les performances et l’efficacité de leurs processus
afin de répondre aux critères de flexibilité et de personnalisation (Ghobakhloo, 2018).
Expertiser des données collectées devient progressivement la manière la plus courante pour
prendre des décisions rapidement au sein d’une entreprise (Ghadge, Er Kara, Moradlou, &
Goswami, 2020). L’IIoT se manifeste physiquement dans les usines avec des systèmes
cyberphysiques, c’est-à-dire des systèmes physiques (produits, machines, etc) où des
technologies comme des capteurs, des puces d’identification par radiofréquence (RFID) ou
bien des microprocesseurs permettent de connecter les mondes physiques et virtuelles
(Siemens AG, 2017).

Ces grandes quantités de données récoltées sur l’ensemble des systèmes et capteurs présents
doivent être stockées. La technologie des nuages permet la récupération et le stockage en temps
réels de ces données sur des serveurs distants (Ghadge et al., 2020). Le partage des données
24

entre les différents acteurs de la chaîne d’approvisionnement est un facteur essentiel pour
améliorer les performances de l’industrie. Les chaînes d’approvisionnement deviennent plus
intelligentes grâce à ces données (Oztemel & Gursev, 2018).

Les données récupérées peuvent aussi servir à alimenter des simulations pour analyser toutes
les éventualités possibles, à chaque étape de la vie d’un produit et de la chaîne
d’approvisionnement (Zhong, Xu, Klotz, & Newman, 2017). De cette manière, on peut tester
et optimiser les processus afin d’améliorer chacun des points de la production avant de les
appliquer concrètement dans l’usine (PwC, 2016).

Les connaissances acquises grâce aux données doivent améliorer concrètement les processus
de production industrielle. La robotique a été implémentée il y a plusieurs décennies dans de
nombreux domaines comme la logistique ou la fabrication pour améliorer la productivité
(Demetriou, 2011). Aujourd’hui, les robots sont désormais capables d’interagir entre eux, on
parle alors de robotique autonome ; et avec les opérateurs humains, il s’agit de cobotique
(contraction entre les mots collaboratif et robotique) (Devy, 2012). Ces avancées
métamorphosent les usines dans le but de les rende plus productives et plus sécuritaires. On
parle aussi d’usine intelligente, ou de Smart Factory (Ghadge et al., 2020).

Pour gagner en flexibilité, les méthodes de fabrications plus traditionnelles comme la fonderie
ou l’usinage ne sont plus suffisantes. L’émergence de la fabrication additive et de l’usinage
hybride offrent des nouvelles opportunités pour concevoir et fabriquer des produits en petits
lots et répondant aux exigences et besoins précis du client (McKendrick, 2015 ; Ghadge et al.,
2018). La combinaison de ces différentes techniques permet d’accumuler leurs avantages et
permet d’être plus performant au niveau de la vitesse, de la durabilité, de l’agilité et de la
satisfaction des exigences du client (Iqbal et al., 2020).

L’implantation de nouvelles méthodes et procédés dans les espaces de travail entraînent

nécessairement un nouvel aménagement de ceux-ci. La réalité augmentée peut
considérablement aider dans des tâches comme l’aménagement d’une usine ou d’un entrepôt.
 25

Elle peut aussi accompagner les opérateurs dans des opérations de maintenance ou de contrôle
(Vaidya, Ambad, & Bhosle, 2018).

La multiplication de technologies informatiques au sein des entreprises crée des problèmes de

cybersécurité. Il s’agit aussi d’un enjeu important de l’Industrie 4.0 : des stratégies contre le
piratage informatique et le vol de données doivent être pensées au sein des entreprises
(Deloitte, 2015; Oztemel & Gursev, 2018). Nous sommes actuellement dans cette quatrième
révolution industrielle et le champ des possibilités grâce aux technologies numériques n’ont
pas encore été toutes explorées, notamment dans le domaine de l’Économie Circulaire comme
nous allons le voir par la suite.

1.3.3 L’Industrie 4.0 au service de l’Économie Circulaire

La quatrième révolution industrielle, la révolution par les outils numériques, est une
conséquence d’une évolution des exigences des consommateurs exigeant une personnalisation
de masse des produits. Les différents outils qui ont émergés avec l’Industrie 4.0 peuvent aussi
servir la mise en place de l’Économie Circulaire. La littérature a ainsi étudié l’impact de
l’Industrie 4.0 sur les différentes stratégies de l’Économie Circulaire : le recyclage, le
reconditionnement et la réutilisation.

Pour le recyclage, le tri des déchets doit se faire précisément dans le but d’obtenir une matière
première pure en sortie. Ce tri peut s’effectuer avec à l’aide d’une intelligence artificielle qui
par l’intermédiaire de robot améliore cette étape de tri (Fondation Ellen MacArthur, 2014).
Pour le reconditionnement, Philips propose un système intelligent de gestion d’un éclairage
public. Lorsqu’un éclairage demande des opérations de reconditionnement qui vont prendre
quelques jours, il n’y a pas besoin de le remplacer. En effet, les éclairages sont connectés par
RFID et vont adapter leur puissance si un équipement à proximité a été temporairement enlevé.
De cette manière Philips gagne en coût de matière première et d’équipement neuf car ils
peuvent se permettre de reconditionner (Foundation, McKinsey, & Stiftungsfonds, 2015).
Pour la réutilisation, la Big Data et l’IoT peuvent faciliter les opérations de maintenance
26

prédictive et préventive en délivrant des informations sur la condition du produit. De cette

manière, on prolonge sa durée de vie en retardant sa mise hors service (Bressanelli, Perona, &
Saccani, 2018).

Ces exemples montrent que l’Industrie 4.0 peut permettre de faciliter la mise en place des
stratégies de l’Économie Circulaire. Cependant, les recherches qui montrent que l’Industrie
4.0 pourrait jouer un rôle d’initiateur de l’Économie Circulaire sont peu nombreuses. Ce rôle
peut être joué par l’Industrie 4.0 en créant des produits connectés échangeant des données par
l’IoT. En effet, l’analyse de ces données permettrait de surveiller le produit au cours de sa vie,
déterminer son état de dégradation, et donc d’optimiser la récupération des déchets. De cette
manière, l’Industrie 4.0 pourrait contrôler et optimiser la chaîne d’approvisionnement de retour
des produits. L’Économie Circulaire serait alors construite sur une chaîne
d’approvisionnement durable. Ainsi l’impact du contrôle des chaînes d’approvisionnement par
l’IoT est encore largement inconnu (Uçar, Dain, & Joly, 2020). Cela s’explique notamment
par le fait que la prévision de l’état de dégradation d’un produit au cours de sa vie n’est pas
une chose maîtrisée (Turan, Ġsmail, Hadi, Panos, & Belkıs). Cet asservissement de la chaîne
d’approvisionnement, composée d’une chaîne directe et d’une boucle de retour, lie Économie
Circulaire et Industrie 4.0.

Un problème de logistique inverse

L’Économie Circulaire a pour objectif une utilisation plus intelligente des ressources qui ont
été extraites par le passé pour limiter l’apport en matières premières primaires épuisables, tout
en assurant le développement économique à travers le monde (Stahel, 2013; Wijkman &
Skånberg, 2015). Ce modèle circulaire est un appel à la transformation des modèles d’affaires,
à l’apparition d’une nouvelle manière de concevoir les produits et à l’élaboration de nouveaux
services (Fondation Ellen MacArthur et al., 2015). L’industrie manufacturière en vient donc à
se poser cette question : les produits en fin de vie chez les clients sont-ils récupérables ou non
?
 27

Il a été vu dans la section 1.2.4 que l’optimisation des flux de produits en fin de vie depuis les
consommateurs est une clé de l’Économie Circulaire (Grimaud, 2019; Lieder & Rashid, 2016),
c’est-à-dire les flux qui vont à contre-sens de la chaîne d’approvisionnement classique.

Ainsi, dans un contexte d’Économie Circulaire, il faut tout aussi bien considérer les activités
traditionnelles des chaînes d’approvisionnement que les activités de récupération des produits
en fin de vie afin de leur redonner de la valeur. C’est ce qu’on appelle la logistique inverse
(Fleischmann, Beullens, Bloemhof-Ruwaard, & Van wassenhove, 2001). Cette logistique
inverse est devenue une considération importante de la part des gestionnaires des entreprises
(Camara, 2019).

1.4.1 Les différents types de logistiques inverses

Dans le domaine de la logistique inverse, on en distingue deux types : la logistique inverse en

boucle ouverte et la logistique inverse en boucle fermée (Yotat, 2017).

1.4.1.1 La logistique inverse en boucle ouverte

Lorsque les produits en fin de vie ne sont pas récupérés par le fabricant original (Original
Equipement Manufacturer, OEM) mais par un fabricant indépendant (Independent
remanufacturers, IR), on parle de logistique inverse en boucle ouverte. Les produits récupérés
peuvent être utilisés pour créer des produits identiques ou non, Ce type de logistique est très
répandu sur le marché de l’électronique comme le marché des téléphones cellulaires (Geyer &
Doctori Blass, 2009)
28

Figure 1.9 Exemple d’un réseau de logistique inverse en boucle ouverte (Gou, Liang, Huang,
& Xu, 2008)

Pour illustrer la logistique inverse en boucle ouverte, la Figure 1.9 présente une chaîne
d’approvisionnement inversée à boucle ouverte avec un unique centre de retour (CRC)
centralisant les collectes de plusieurs centres de collecte (LCP) (Gou et al., 2008).

1.4.1.2 La logistique inverse en boucle fermée

Au contraire, la logistique inverse en boucle fermée correspond au cas où les produits en fin
de vie sont collectés par l’OEM ou bien par une autre entreprise jouant un rôle dans la chaîne
d’approvisionnement comme un fournisseur de matières premières par exemple (Chouinard,
2003). Les ressources sont de cette manière conservées au sein de la chaîne
d’approvisionnement, celle-ci devenant durable et répondant aux besoins futurs de notre
société.
 29

Figure 1.10 Exemple du réseau d’une chaîne d’approvisionnement en boucle fermée

(Tonanont, Yimsiri, Jitpitaklert, & Rogers, 2008)

La Figure 1.10 est un exemple de chaîne d’approvisionnement en boucle fermée (Closed-loop

supply chain, CLSC). Le revendeur retourne les produits en fin de vie directement dans la
chaîne d’approvisionnement. En effet, après inspection et évaluation, le produit retournera au
distributeur sans opération de réparation ; ou au fabriquant et au fournisseur de matière
première après des opérations de récupérations (Tonanont et al., 2008). Dans la suite de ce
mémoire, nous intéresserons au CLSC uniquement car ce sont elles qui permettent une
meilleure récupération des produits en fin de vie, produits, composants et matières premières
récupérés étant traités par les fabricants originaux (Khor & Udin, 2011).

1.4.2 Une nouvelle conception de la logistique inverse

La logistique inverse devient progressivement un poids important dans les prises de décisions
stratégiques (c’est-à-dire à long-terme) des entreprises grâce aux aspects économiques,
environnementaux et sociaux du développement durable qui en découlent. Ces trois
composantes, économiques, sociales et environnementales doivent être prises en compte dans
la conception de la chaîne d’approvisionnement (Chardine-Baumann & Botta-Genoulaz,
30

2014). La logistique inverse doit aussi évoluer avec les nouveaux outils numériques
disponibles de nos jours.

1.4.3 Impact de l’Industrie 4.0 sur les CLSC

Nous avons vu dans la section 1.3.2, l’Industrie 4.0 s’appuie sur des outils et technologies
avancées métamorphosant les usines et leurs processus vers des systèmes plus intelligents. Les
CLSC évoluent aussi grâce à l’Industrie 4.0 en se numérisant pour être plus flexible et
résistantes aux variations. La gestion des chaînes d’approvisionnement (supply chain
management, SCM) est en effet renforcée : l’IoT permet de partager les informations des
différents fournisseurs, de connecter les espaces de stockages des produits et composants, de
tracer les flux durant les transports ou la fabrication, de vérifier l’état de produits périssables
grâce à des capteurs de températures (Manavalan & Jayakrishna, 2019). Cette numérisation
participe à une meilleure planification de la production (Ghobakhloo, 2018; Hofmann &
Rüsch, 2017).

Le partage des données récoltées entre les différents acteurs de la chaîne d’approvisionnement
est de plus en plus important même si son impact a encore peu été quantifié (Tjahjono,
Esplugues, Enrique, & Peláez-LourIoT, 2017). Néanmoins, il est reconnu que cette
synchronisation des informations réduits les coûts en chaque point de la chaîne et améliore son
efficacité et son adaptativité (Frank, Dalenogare, & Ayala, 2019; Ghobakhloo, 2019). Le
contrôle numérique en temps réels des équipements améliore aussi les performances de la
chaîne d’approvisionnement et réduisent les risques (Luthra & Mangla, 2018).

Il existe néanmoins dans la littérature des études conceptuels et empiriques aidant

stratégiquement les industriels à faire la transition vers des systèmes de logistiques inverses et
des CLSC en les aiguillant dans leur adaptation aux nouvelles technologies. Govindan et al.
(2017) ont mis en évidence un manque important de recherche sur les CLSC sur les aspects
tactiques (à moyen-termes) et opérationnelles (à court-termes) des entreprises. En effet, sur
leur sélection de 24 articles publiés dans « Journal of Cleaner Production » et traitant de CLSC,
 31

ils abordaient tous l’aspect stratégique, 4 considéraient l’aspect tactique, et 2 seulement

l’aspect opérationnel. Govindan et al. (2017) ont aussi souligné le manque de considération
simultanée des différents traitements des produits FDV possibles dans un contexte d’Économie
Circulaire. Aucun article ne traite de toutes les possibilités en même temps ; un seul en
considère deux : le recyclage et le reconditionnement ; les autres n’en traitent aucun en
particulier.

De plus, Govindan et al. (2017) critiquent le fait que moins de 5% des articles abordent des
modèles d’optimisation, maximisant les profits, pour aider concrètement à la prise de décision
des entreprises. Il apparaît ainsi comme nécessaire de proposer ce genre de modèle pour aider
les entreprises. Ces modèles mathématiques optimisant les gains doivent tout d’abord reposer
sur des simulations, puis les chercheurs devront essayer d’obtenir des résultats empiriques par
l’implantation de technologies digitales (Rajput & Singh, 2019).

En effet, l'émergence des technologies de capteurs embarqués et de l'IoT sont des outils
importants pour améliorer les performances de la chaîne d'approvisionnement dans un contexte
de fabrication circulaire. Par exemple, les systèmes intelligents de reconditionnement et de
démantèlement peuvent planifier de manière optimale la récupération en fonction des
demandes des clients. L'IoT est utilisé dans un modèle pour déterminer la durée de vie restante
des produits en fin de vie et des composants qui ont été retournés (Ondemir & Gupta, 2014).
D'autres systèmes ont été proposés pour évaluer les variantes de conception des produits en fin
de vie afin de faciliter le démontage et la reconstruction à l'aide de l'IoT. Le modèle résolu
fournit le nombre total de produits de fin de vie démontés, réusinés, stockés, recyclés et
éliminés pour chaque type de conception (Joshi & Gupta, 2019).

Ce modèle n'a qu'un seul objectif économique, à savoir l'optimisation des profits. Des modèles
à deux objectifs ont été mis au point pour maximiser la fiabilité des produits remanufacturés
et minimiser les coûts de traitement en évaluant la qualité des produits retournés (Jiang et al.,
2016). D'autres modèles de planification de la production des CLSC visent à réduire les coûts
32

et la consommation d'énergie en fonction des informations recueillies sur la récupération

(Govindan, Mina, Esmaeili & Gholami-Zanjani, 2020).

Les CLSC peuvent ainsi optimiser les objectifs économiques, énergétiques ou qualitatifs des
industries. Un outil d'aide à la décision a été développé pour faire la transition vers un système
en boucle fermée permettant de classifier l'état actuel des opérations de réusinage et d'identifier
et de prioriser les opérations de l'entreprise qui nécessitent des actions d'amélioration
(Golinska, Kosacka, Mierzwiak, & Werner-Lewandowska, 2015).

Cependant, les différents modèles de CLSC existants dans la littérature ne considèrent pas
simultanément le recyclage des matières premières, la différence entre les produits neufs et
réusinés, les inventaires et la gestion de produits multiples dans un contexte d'Industrie 4.0.
Dans la section suivante, nous chercherons à améliorer ce modèle de CLSC en tenant compte
des limites énoncées juste avant, et ainsi proposer un modèle de CLSC utilisant des
technologies intelligentes qui reflèterait davantage la réalité industrielle.

1.4.4 Techniques de modélisation et de résolution des problèmes de réseaux

manufacturiers

La modélisation et la résolution des problèmes des systèmes de logistiques inverses et des

CLSC peut se faire par de nombreuses techniques plus ou moins appropriées selon le contexte
précis de l’étude. Deux techniques de modélisation peuvent être mises en évidence, celles qui
considèrent les incertitudes sur les données récoltées avec des approches stochastiques et celles
qui sont déterministes en utilisant la programmation linéaire ou mixte (Govindan, Soleimani,
& Kannan, 2015).

On distingue ainsi sept grandes catégories de méthodes (Camara, 2019) :

- Les méthodes analytiques utilisées pour des problèmes de petites tailles.
- Les méthodes de résolution exacte utilisant des solveurs comme LINGO ou CPLEX.
- Les méthodes d’approximation pour de l’optimisation stochastique.
 33

- Les méthodes heuristiques utilisées pour des problèmes de grandes tailles.

- Les méthodes expérimentales pour résoudre des problèmes concrets avec des
incertitudes.
- Les méthodes de résolution multi-objectifs utilisant divers solveurs.
- Les méthodes pour l’ordre de priorité par similarité à la solution idéale (TOPSIS) pour
des problèmes plus spécifiques.

Chacune de ces méthodes possèdent des forces et des faiblesses. Par exemple, pour la
résolution d’un problème de conception de chaîne d’approvisionnement multi-produits, un
algorithme génétique est plus rapide qu’une résolution par programmation linéaire avec
LINGO pour un problème avec un grand nombre d’entités (nombres de clients, d’usines, de
centre de distribution, de fournisseurs etc).

Ainsi, dans le cas d’un problème avec 50 clients, 15 centres de distributions, 10 usines, 3
produits et 2 fournisseurs de matières premières, LINGO fournit une solution après 1353
secondes alors que l’algorithme génétique en obtient une après 146 secondes. À l’inverse, la
programmation linéaire à l’aide de LINGO est plus performante pour des problèmes à faible
nombre d’entités (Bahrampour, Safari, & Taraghdari, 2016).

La programmation mixte déterministe est donc plus limitée mais est une méthode très adaptée
pour la résolution de problèmes de taille plus réduite de gestion de CLSC, et c’est d’ailleurs la
méthode privilégiée dans la littérature (Govindan et al., 2015). Nous utiliserons ainsi par la
suite cette méthode pour résoudre les problèmes posés dans ce mémoire. Un des programmes
LINGO utilisés dans la suite de ce mémoire est visible en Annexe I.
34

Conclusion

1.5.1 Résumé de l’analyse critique de la littérature

Au cours de la revue de littérature, nous avons pu mettre en exergue différentes lacunes dans
la recherche. Nous pouvons d’abord constater que l’Économie Circulaire est encore très
conceptuelle sur beaucoup de points et ses réalisations réelles sont rares.

Les technologies numériques de l’Industrie 4.0 commencent à faire avancer les choses. Elles
peuvent déjà faciliter l’application des principes de l’Économie Circulaire, en permettant un
meilleur tri des déchets par exemple. Mais l’Industrie 4.0 pourrait faire plus, ses technologies
lui permettraient d’être l’initiateur de l’Économie Circulaire. En effet, l’IoT offrant un moyen
de suivre les produits durant leur vie et de prédire leur état de dégradation, il serait possible de
contrôler la chaîne d’approvisionnement de retour de manière optimale. La prévision de l’état
des produits FDV avec l’IoT n’a pas encore été étudiée sur des cas concrets. Ce contrôle des
CLSC se révèle comme le pont entre Industrie 4.0 et Économie Circulaire.

Cependant, les conséquences d’un tel contrôle des CLSC par l’IoT n’ont pas encore été
étudiées en détail : les recherches à propos des CLSC réalisées à ce jour se limitent à des
conseils stratégiques sur le long-terme. De plus, elles ne fournissent pas aux industriels des
modèles d’optimisation concrets, illustrés par des études de cas, et qui se concentrent sur la
dimension opérationnelle de la gestion de la chaine d’approvisionnent. Enfin, les CLSC
étudiées ne considèrent quasi systématiquement qu’un seul moyen de récupération comme le
recyclage, le reconditionnement ou la réutilisation; et non l’ensemble de ces possibilités en
parallèle.

1.5.2 Problématiques et objectifs de recherche

La motivation première de ce travail est le défi que représente la réutilisation des produits en
fin de vie afin de les réinjecter sur le marché en leur redonnant le plus efficacement de la valeur.
 35

On proposera ainsi une utilisation plus intelligente des ressources naturelles, tout en
augmentant sa compétitivité industrielle. Cela nécessitera une amélioration de la chaîne
d’approvisionnement, en particulier du domaine de la logistique inverse. Nous évoquerons par
la suite un problème de planification multi-produits et multi-périodes dans une CLSC visant
un objectif économique.

Suite à l’étude de la littérature, la problématique principale est de voir comment l’Économie

Circulaire est bénéfique avec l’optimisation des flux des produits en fin de vie qui reviennent
au fabricant, ainsi que leur sélection. Cette optimisation découlera des données récupérées sur
les produits pendant leur vie grâce à l’IoT. En effet, il n’existe pas à ce jour de modèle
d’optimisation des opérations de récupération de produits FDV, dans une CLSC, basée sur
l’IoT, et considérant l’ensemble des stratégies de récupération de l’Économie Circulaire.

C’est à ce niveau que se situe la nouveauté du travail réalisé. Ce mémoire étudie l’intégration
des technologies de l’Industrie 4.0 dans les modèles de chaînes d’approvisionnement en boucle
fermée considérant explicitement toutes les options possibles de traitement de récupération des
produits en fin de vie, en particulier la refabrication.

L’autre problématique mis en évidence est de déterminer comment il serait possible de prévoir
la dégradation d’un produit tout au long de son cycle de vie afin de choisir le meilleur
traitement de récupération parmi le recyclage, le reconditionnement et la réutilisation.

Ce présent mémoire proposera ainsi de développer un modèle de prise de décision de la

planification au niveau opérationnelle, pour la récupération des produits en fin de vie afin
d’optimiser les CLSC dans le contexte de l’Industrie 4.0. Cette planification opérationnelle
sera considérée sur des périodes de quelques jours pour des produits en fin de vie disponibles.
Nous étudierons le comportement de ce modèle face à différents cas de figure. Nous verrons
aussi comment il serait possible d’obtenir des modèles prédictifs de l’état de dégradation des
produits FDV dans le but de les récupérer plus intelligemment.
36

1.5.3 Méthodologie

Pour atteindre ces objectifs et répondre aux problématiques, nous adopterons la méthodologie
suivante constituée de six étapes :
- La première étape est la définition du réseau de la CLSC et de ses différents échelons
(fournisseurs, fabriquant, centre de distributions et de collectes).
- La deuxième est la création d’un un moyen de contrôle des produits durant leur vie
pour tracer l’évolution de leur état.
- La troisième est l’écriture du modèle mathématique qui régit le comportement de la
CLSC développée.
- La quatrième est l’étude de la sensibilité du modèle mathématique pour tester sa
robustesse et évaluer son comportement face à des variations, notamment à travers
l’étude d’un cas industriel concret et réaliste.
- La cinquième consiste à optimiser le modèle de CLSC en déterminant la meilleure
sélection des produits FDV.
- La dernière étape sera la proposition d’une démarche pour prédire l’état de dégradation
des produits en fin de vie.

Les cinq premières étapes seront traitées dans le chapitre 2, sous la forme d’un article soumis
pour publication dans « Journal of Cleaner Production ». La dernière étape sera abordée dans
le chapitre 3, présentant les grands axes de la démarche et ouvrant des fenêtres de recherche
pour le futur.
 CHAPITRE 2

CIRCULAR MANUFACTURING 4.0: TOWARDS INTERNET OF THINGS

EMBEDDED CLOSED-LOOP SUPPLY CHAINS IN THE CONTEXT OF
INDUSTRY 4.0

Victor Delplaa, Lucas A. Hofb, Jean-Pierre Kennéc

a, b, c
Département de Génie mécanique, École de Technologie Supérieure, 1100 Notre-Dame
Ouest, Montréal, Québec, Canada H3C 1K3

Article soumis pour publication dans « Journal of Cleaner Production », 31 juillet 2020

Abstract

Increased global economic competition and growing importance of environmental issues force
manufacturers to consider implementation of closed-loop supply chains (CLSCs) ensuring
recovery of end-of-life products (EOL) for recycling or reuse. Such CLSCs are subject to many
uncertainties in their flows given the varying conditions of EOL products. In the era of
Industry 4.0, developments in the field of the Internet of Things (IoT) allow the collection of
data throughout product life cycles to determine most optimal treatments to apply after product
recovery and to plan the CLSC flows with less uncertainty. This study proposes a CLSC model
maximizing the total profit of the manufacturing company by choosing the treatment to be
applied to the collected products according to their condition as estimated by life cycle data
collection enabled by IoT. A mixed integer linear programming (MILP) model is considered
for several completely modular products sharing common components, and for several
components sharing their raw material compositions. To validate the proposed CLSC model
on an actual innovative real-world application, we used a modular smartphone, the Fairphone
2, as case study. Our developed model shows that if the remanufactured product demand
represents 40% of the demand, the total profit could increase by 36% when selling
remanufactured products from randomly recovered EOL products; and profit could increase
38

by 48% if EOL products are optimally selected considering their condition. Deploying this
approach, the input of primitive raw materials would be reduced, which saves natural
resources. This study indicates that being more conscious of ecological problems does not
infringe with the need of businesses to achieve higher profits.

Keywords: Close-loop supply chain, Sustainable supply chain, Internet of Things, Industry
4.0, Remanufacturing, Circular Economy, Circular Manufacturing

Introduction

Management and recovery of end-of-life (EOL) products has become an important issue in
industry due to the growing importance of environmental issues and the exhaust of some
natural resources. It also serves as a new way for industry to increase its profits in a world of
increasing competition. Indeed, returns management, recycling and pollution reduction are
new business opportunities for many industries (Cannella, Bruccoleri, & Framinan, 2016).
Circular Economy (CE) is a concept that can solve these problems (Prieto-Sandoval, Jaca, &
Ormazabal, 2018; Turner & Pearce, 1992). It would allow the world economy to earn nearly
1000 billion US dollars per year and at the same time enable sustainable economic and
environmental development (Korhonen et al., 2018). The CE is not limited to the recycling of
raw materials, but encourages the reuse, remanufacturing and recycling of EOL products as
shown in Figure 2.1. Globally, the CE also aims for a more faire social economy and a better
quality of life for future generations (Kirchherr, Reike, & Hekkert, 2017).

However, research on CE concepts generally focuses on the benefits to the economy as a whole
and do not necessarily propose specifically how this can be achieved in a manufacturing reality
referred to as circular manufacturing (CM). Such CM systems are specifically designed for
closing the loop of products and/or components preferably in their original form, through
multiple lifecycles. This is a value management approach that includes the phases of value
creation, delivery, use, recovery and reuse in a systemic perspective (Asif, 2017; Blomsma et
al., 2019). This new manufacturing perspective takes these phases systematically into account,
 39

using recycling, disassembly and remanufacturing processes (Nascimento et al., 2019), which
is outlined in Figure 2.1.

Figure 2.1 Circular Economy flows and processes

Awareness on the relevance of research on management and recovery of EOL products in the
context of Industry 4.0 is emerging, however only few literatures exist on the connection
between Industry 4.0 and Circular Economy towards circular manufacturing (Rahman, Perry,
Müller, Kim, & Laratte, 2020). Launched in Germany in 2011, Industry 4.0 refers to the fourth
industrial revolution emerged by new digital technologies and the intelligent interaction
between physical objects without human intervention, driving manufacturing companies to
move from mass production to mass customization and even mass-personalization in extreme
cases (Sukhodolov, 2019). Industry 4.0 tools aim to increase the flexibility and productivity of
manufacturing factories, especially in a world where mass customization of products has
become essential to satisfy customer demand (Shohin, Rooss, Ray, & Xun, 2019). Closed-loop
supply chains (CLSCs) are a solution for adapting circular manufacturing to real cases in
industry. Product tracking during manufacturing, use and recovery is essential to optimize the
recovery process and planning. Reverse logistics enable the collection of EOL products from
consumers to improve profitability, stability and durability (Temur & Bolat, 2012). Reverse
40

logistics should be applied from design to recovery by the manufacturer (Guarnieri, e Silva, &
Levino, 2016), which is an effective way to increase the fraction of used products returned to
the plant in order to protect the environment (Soleimani & Govindan, 2014). Deployment of
CLSCs enables improved levels of recovery of used products and results in a better choice of
recovery processing (P. Shi, Yan, Shi, & Ke, 2014). Industry 4.0 has the potential to
considerably improve CLSCs by increasing the connectivity and data transfer across the entire
supply chain using systems such as the IoT, offering improved product tracking during use to
circumvent inspection operations after recovery, creating new opportunities for
remanufacturing. However, as EOL technologies can greatly benefit from the technological
advances of the Industry 4.0 concept, these technologies tend generally to be underdeveloped
compared to upstream (manufacturing) technologies (Reck & Graedel, 2012).

This study aims to contribute in addressing the research gap on the connection between
Industry 4.0 technology and circular manufacturing concepts. We propose a CLSC profit
optimization plan using a linear programming model making use of IoT and considering all
possible recovery options for several EOL products.

After a comprehensive literature review, we will define the problem statement resulting in the
research questions for this study. Subsequently, a novel CLSC model will be developed
approaching real-world industrial systems, based on deployment of IoT for product tracking
and then propose our CLSC's optimization. We will then assess a case study based on modular
smartphones (e.g. Fairphone) to study the sensitivity of the developed model. Finally, an
improvement of the model will be proposed allowing further optimization of the supply chain.

Literature review

In order to propose a CLSC aiming to improve CE models while optimizing the generated
profit, we need to identify the processes for recovering EOL products and its obstacles allowing
this reverse logistics, to understand how IoT can improve the reverse logistics, and to study
existing CLSC models.
 41

2.3.1 Recovery processsing

Different processes are possible for EOL products to avoid disposal. The simplest treatment is
reuse. Reuse consists of using the EOL products as received after cleaning, i.e. without any
reprocessing (H. J. Parkinson). Reuse is the most effective strategy for preserving natural
resources (Lo & Yu, 2013). Recycling is the recovery of materials and is not the most
preferable option for recovering the residual value of a product or component because one
loses all the added value of a product during its manufacture. The recyclability of a product
depends on the materials of which it is made and the ability to separate them from each other
(Bakker, 2015).

Until recently, the recovery of raw materials by recycling and disposal were the main processes
for treating an EOL product. Remanufacturing is now a possible processing option for
recovered products and components (Jiang et al., 2016). This is the process of restoring used
products to conditions equivalent to those of a new product through disassembly, cleaning,
repair and reassembly (Chari, Dialo, & Venkatadri, 2014). Obstacles to remanufacturing are
of various types, both at the level of the manufacturer and the customer (Lundmark, Sundin,
& Björkman, 2008).

Recovery treatments for EOL products such as remanufacturing have become more accessible
than before with the development of technologies such as additive manufacturing. For
example, it is possible to repair turbine blades by direct laser deposition, which is more cost
effective than manufacturing a new blade (Wilson, Piya, Shin, Zhao, & Ramani, 2014). Despite
some logistical problems, the recovery of EOL products has the potential to create sustainable
value. The different indicators of this value are increased sales, competitiveness, new sales
opportunities, reduced environmental impact, reduced use of primary raw materials and the
creation of new jobs (Jensen, Prendeville, Bocken, & Peck, 2019). In order to assess the
viability of remanufacturing, tools and methods have been developed. Key factors have been
identified at the economic, environmental and social levels (Goodall, Rosamond, & Harding,
2014). Taking into account the above issues, it seems necessary to explain the concept of
42

Circular Economy to potential customers. They need to be aware of their role in a circular
manufacturing system. In the following part of this study, we will propose a CLSC that
considers these different recovery treatments and targets to go beyond the limits of
remanufacturing and reverse logistics.

Trends, factors and barriers to reuse, recycling and remanufacturing have been identified in the
literature. One of the main challenges is the need to trace products during their manufacture,
use and recovery. IoT and embedded sensors can enhance the supply chain by tracking such
information (Matsumoto, Yang, Martinsen, & Kainuma, 2016).

2.3.2 IoT and embedded sensors

The IoT and the use of integrated sensors to control the product life cycle are emerging and
considered promising by many research studies (Manavalan & Jayakrishna, 2019). The
integration of sensors on products permitted to count the quantities of products around the
collection sites allowing to optimize the recovery (Lee & Chan, 2009). Radio Frequency
Identification (RFID) systems allowing such product counting can solve the main challenges
of closed-loop logistics (Kumar & Chan, 2011). The EOL product condition is also affected
by uncertainties. Sensors embedded in products reduce these uncertainties by using
information collected during the life of the product (Du, Cao, Chen, & Wang, 2013). This
information, collected and stored on RFID tags, improves the recovery of EOL products
(Vadde S, 2008), notably by improving recycling and disassembly with an exchange of
information between the manufacturer and the recovery company (Nowakowski, 2018). These
sensors also improve the reverse supply chain by detecting missing components before
disassembly (Ilgin & Gupta, 2011). Linear programming models using the IoT are available to
provide an optimal solution for disassembly and remanufacturing, embedded sensors providing
the remaining life of the recovered product. These models are single-objective models focusing
on an economic objective (Ondemir, Ilgin, & Gupta, 2012). Finally, the information collected
on products during their life cycle using IoT has an impact on reducing transport costs in the
supply chain (Bryan & Srinivasan, 2014). IoT and embedded sensors have the potential to
 43

improve the recovery of EOL products by focusing on specific aspects such as the remaining
life of the product, its disassembly or its location in relation to collection points. However, the
link between the collection of an EOL product, its state of degradation and its recovery
treatment has not yet been studied.

2.3.3 Existing CLSCs models

The emergence of embedded sensor technologies and IoT are important tools for improving
supply chain performance in a circular manufacturing context. For example, smart
reconditioning and dismantling systems can optimally plan recovery based on customer
demands. IoT is used in a model to determine the remaining life of end-of-life products and
components that have been returned (Ondemir & Gupta, 2014). Other systems have been
proposed to evaluate design variants of EOL products to facilitate disassembly and
reconstruction using the IoT. The resolved model provides the total number of EOL products
disassembled, remanufactured, stored, recycled and disposed of for each design type (Joshi &
Gupta, 2019).

This model has only one economic objective of profit optimization. Two-objective models
maximizing the reliability of remanufactured products and minimizing processing costs by
evaluating the quality of returned products have been developed (Jiang et al., 2016). Other
CLSC production planning models aim to reduce costs and energy consumption based on the
recovery information collected (Govindan, Mina, Esmaeili, & Gholami-Zanjani, 2020).

CLSCs can therefore optimize the economic, energy or quality objectives of industries. A
decision-support tool has been developed to make the transition to a closed-loop system to
classify the current condition of remanufacturing operations and to identify and prioritize the
company's operations that require improvement actions (Golinska, Kosacka, Mierzwiak, &
Werner-Lewandowska, 2015).
44

Turan et al. (2016) propose a model of CLSCs considering the remanufacturing and disposal
of a single modular product and its components. An overview of this CLSC is summarized in
Figure 2.2 and will be considerably expanded in the following study.

Figure 2.2 CLSC model considering the remanufacturing and disposal of a single modular
product and its components

The processing followed by the recovered products and components depends on their
conditions, which are evaluated by a synthetic number. This number is determined by data
collected with sensors, measuring various usage parameters, and stored on a RFID tag fixed
on the product. The author (Turan et al., 2016) called this facility the “Device Internet of
Things (DIOT)”. This model allows decision-making on CLSC flows to maximize profit and
meet the product demand.

However, the different CLSC models existing in literature do not simultaneously consider the
recycling of raw materials, the difference between new and remanufactured products,
inventories and the management of multiple products in an Industry 4.0 context. In the
following section, we will seek to improve this CLSC model by addressing the limitations
 45

stated just before, and thus propose a CLSC model using smart technologies (here: IoT) that
would be a closer reflection of industrial reality.

Problem statement

This study concerns a manufacturing CLSC with a range of N different products (n = 1, …, N)

that aims to satisfy the demand of a sales and collection centre (S&C centre). The N products
are made from J separate components (j = 1, …, J), manufactured with a total of K (k = 1, …,K) raw
materials. During each of the T periods (t = 1, …, T) studied, 𝐼 end-of-life products n (i = 1, …, In)
are recovered. The products, components and raw materials can be sold at the S&C center. A
schematic overview of the developed CLSC model for this study is presented in Figure 2.3.
The different direct and reverse supply chain flows for products, components and raw materials
are presented respectively in blue, red and green, while the different process stages crossed by
these flows are shown inside the blocks.
46

Figure 2.3 CLSC model developed in the study

 47

2.4.1 Objectives

Three recovery options for products will be considered: disassembly, recycling and
elimination. If the product is disassembled, the components can undergo four processing
options: reuse, remanufacturing, recycling or disposal. Products, components and raw
materials are sold or stored to meet S&C centre.

The model intends to answer the following two research questions:

1) What recovery processing should be chosen for the products and components returned
for each period to maximize the profit of the CLSC?
2) How many, and which recoverable products should be purchased to satisfy the
remanufactured product and component demands?

2.4.2 Assumptions

In order to define the boundaries of our developed model, we consider the following
assumptions:
• A component can be used for different products.
• Primitive raw materials and recycled raw materials are considered of the same quality.
• Production capacity is sufficient.
• All information about sales, transport, storage and manufacturing costs is known.
• The cost of integrating Internet of Things technologies is not considered (we will be
interested in products that already have sensors and communication devices).
• The return of end-of-life products is done through a collection center that takes care of
this task. It is considered that the user can bring his product back to the collection center
on his own. The cost of recovering the product depends on its state of degradation.
 48

2.4.3 Nomenclature

The different parameters and variables of the CLSC model are explained below in Table 2.1
and Table 2.2.

Table 2.1 Problem parameters of the developed CLSC model

Parameters Description
eln Disposal cost of a product n
an Assembly cost of a product n
dn Elimination cost of a product n
cnn,j Number of component j in product n
cwn,j Component j importance weight
h1n Sales price of a product n with used components
h2n Sales price of a product n with only new components
dmnn,t Product n with only new components demand of the S&C center in period t
dmn,t Product n demand of the S&C center in period t
g1n, …, g5n Transportation cost of product n
scpn Product n storage cost
PSMn Maximal product n stock
diotn,i,t DIOT of the i product n recovered in period t
ni1, ni2 Threshold value of diotn,i,t
rpan Total manufacturing cost of the parts in product n separately
rman Value of the raw materials present in the product n after recycling
rn,i,t Purchasing cost of the product (i,n) in period t from the S&C center
ej Elimination cost of component j
mj Manufacturing cost of component j
nj,k Number of raw materials k in a component j
rnj,k Number of raw materials k to remanufacture a component j
h1j Sales price of a new component j
h2j Sales price of a used component j
 49

Table 2.2 (suite) Problem parameters of the developed CLSC model

dmsj,t New components j demand of the S&C center in period t
dmcj,t Used components j demand of the S&C center in period t
g6j, …, g17j Transportation cost of new component j
sccj Composant j storage cost
NCSMj Maximal new component j stock
UCSMj Maximal component j stock
diotn,i,j,t diot of component j recovered in period t
nj1, nj2, nj3 Threshold value of diotn,i,j,t
fn,i,j,t Remanufacturing cost
rpk Recovered part of raw material k on products
rck Recovered part of raw material k on components
cmj,k Raw material k lost in the machining of component j
pmk Purchasing cost of raw material k from the raw materials supplier
h4k Sales price of raw material k for the S&C center
h5k Sales price of raw material k from components recycling
h6k Sales price of raw material k from products recycling
dmk,t Raw material k demand of the S&C center in period t
g18k, …, g21k Transportation cost of raw material k
scmk Raw material k storage cost
RMSMk Maximal raw material k stock
50

Table 2.3 Problem decision variables of the developed CLSC model

Decisions
Description
variables
Number of products n with only new components sent to the stock in period
Fn,t
t
Number of products n with only new components sent to the stock in period
Kn,t
t
Zn,t Number of products n sent to the stock in period t
Vn,t Number of products n sold to the S&C center in period t
Rn,t Number of products n sent to recovery in period t
Qn,t Number of products n dissassembled in period t
Un,t Number of products n eliminated in period t
Pn,t Number of products n recycled in period t
NPSn,t Number of new products n in stock in period t
PSn,t Number of products n in stock in period t
Xj,t Number of new components j manufactured in period t
Yj,t Number of new components j sold to S&C center in period t
Sj,t Number of used components j sold to S&C center in period t
Wj,t Number of new components j sent to the stock in period t
Hj,t Number of new components j sent to assembly in period t
Dj,t Number of used components j sent to the stock in period t
Nj,t Number of used components j sent to assembly in period t
Cj,t Number of components j recycled in period t
Rfcj,t Number of components j remanufactured in period t
R1j,t Number of components j reused in period t
Mj,t Number of components j eliminated in period t
NCSj,t Number of new components j in stock in period t
UCSj,t Number of used components j in stock in period t
Number of primitive raw material k entering in the supply chain in the period
NM1k,t
t
 51

Table 2.4 (suite) Problem decision variables of the developed CLSC model
M1k,t Number of raw material k purchased in the period t
RCM1k,t Number of raw material k recycled from components in period t
RPM1k,t Number of raw material k recycled from products in period t
RM1k,t Number of raw material k sold to S&C center in period t
REM1k,t Number of raw material k sent to remanufacturing in period t
MC1k,t Number of raw material k in machining chips in period t
MC2k,t Number of raw material k recycled from machining chips in period t
Number of raw material k used for the components manufacturing in
M1Sk,t
period t
RMSk,t Number of raw materials k in stock in period t
dvc1n,i,j,t,
Auxiliary decision variable used to determine the value of reun,i,j,t, reun,i,jt
dvc2n,i,j,t,
and recn,i,j,t (takes the value 0 or 1)
dvc3n,i,j,t
dvp1n,i,t, Auxiliary decision variable used to determine the value of recn,i,t and
dvp2n,i,t disn,i,t (takes the value 0 or 1)

2.4.4 Device of Internet of Thing (DIOT)

In order to determine intelligently the recovery condition, the concept of DIOT (Turan et al.,
2016) is deployed, adding recycling as a possible recovery processing. More concretely, the
DIOT is a device embedded in objects, such as sensors or RFID tags as shown in Figure 2.4.
This device can trace the product’s lifecycle, especially the parameters/conditions it
experienced throughout its lifecycle, which could result in product/component degradation
(temperature, humidity, mechanical or thermal shock, usage outside the manufacturer’s
specifications). All this product information can be communicated to the manufacturer via
internet connections. Each recovered component is associated with a value: 𝑑𝑖𝑜𝑡 ,, , .
52

Figure 2.4 Device of the Internet of Things (DIOT)

The 𝑑𝑖𝑜𝑡 ,, , defines the condition of a recovered component by assigning a grade between 0
and 10 upon its current state (Fig. 5). Figure 2.5 presents an overview of the product evaluation
including the threshold values nj1, nj2 and nj3 determining the deciding treatment (elimination,
recycling, remanufacturing, reuse) for each component.

Figure 2.5 Principle of choice for component recovery processing according to its 𝑑𝑖𝑜𝑡 ,, ,
and its assessment on the threshold values nj1, nj2 and nj3
 53

So far, the 𝑑𝑖𝑜𝑡 ,, , was a value that was not concretely defined, in this study a linear model is
developed to associated the diot with the remanufacturing cost. The remanufacturing cost
𝑓 ,, , is defined in Equation (1) and represented in Figure 2.6.

𝑚 (2.1)
𝑟𝑓. 𝑐𝑛 , . . 𝑛𝑗3 − 𝑑𝑖𝑜𝑡 , , , if n ≤ diot ,,, n
𝑓 ,, , 𝑛𝑗3 − 𝑛𝑗2 .
0 otherwise

Figure 2.6 Remanufacturing cost 𝑓 ,, , according to 𝑑𝑖𝑜𝑡 ,, ,

Each recovered product is associated with a 𝑑𝑖𝑜𝑡 ,, which, in the same way as the 𝑑𝑖𝑜𝑡 ,, ,

for the components, defines the processing (disposal, recycling, dismantling) that the product
will undergo according to product threshold values (ni1, ni2), as shown in Figure 2.7. The
𝑑𝑖𝑜𝑡 ,, is calculated as the weighted average of the 𝑑𝑖𝑜𝑡 ,, , in proportion to the weight of
each component 𝑐𝑤 , as in Equation (2).

𝑑𝑖𝑜𝑡 ,, ∑ 𝑐𝑤 , . 𝑑𝑖𝑜𝑡 ,, , . (2.2)

54

The importance component weight 𝑐𝑤 , is calculated as the average of the manufacturing

cost of the product and the raw materials it contains over the total cost of the product:

, . ∑ , (2.3)
𝑐𝑤 , ∑ ∑
.
, . ,

Figure 2.7 Principle of choice of product recovery processing according to its 𝑑𝑖𝑜𝑡 ,, and
its evaluation on the threshold values ni1 and ni2

The 𝑑𝑖𝑜𝑡 ,, is used to determine the purchase value of the returned product. This value
depends on two factors. The first is the manufacturing cost of the components separately
(𝑟𝑝𝑎 ) which is weighted by the coefficient ra. The second is the value of the raw materials
present in the product after recycling (𝑟𝑚𝑎 . Their expressions are given in the Equation (4)
and Equation (5):

𝑟𝑝𝑎 ra . ∑ 𝑐𝑛 , .𝑚 . (2.4)

𝑟𝑚𝑎 ∑ 𝑐𝑛 , . ∑ ℎ6 . 𝑟𝑝 . 𝑛 , . (2.5)
 55

This choice was made because the cost of recovering individual parts is the deciding factor
that will determine if the recovery process chosen for the product is more cost effective than
any other. The recovery price for EOL products 𝑟 ,, is defined as in Equation (6) and
represented in Figure 2.8. In order to be able to plot equation (6), Figure 2.8 outlines an
example with randomly chosen values for ni1 and ni2 (here: ni1 = 1 and ni2 = 3) for illustration
purposes.

. (2.6)
. 𝑑𝑖𝑜𝑡 ,, 𝑟𝑚𝑎 − 𝑖𝑓 𝑛𝑖 ≤ 𝑑𝑖𝑜𝑡 ,,
–
𝑟 ,, 𝑟𝑚𝑎 𝑖𝑓 𝑛𝑖 ≤ 𝑑𝑖𝑜𝑡 , , 𝑛𝑖 .
0 𝑜𝑡ℎ𝑒𝑟𝑤𝑖𝑠𝑒

Figure 2.8 Recovery rate for EOL products 𝑟 ,, according to 𝑑𝑖𝑜𝑡 ,,

56

Mathematical model

Based on the above assumptions, a CLSC mathematical model is developed to determine how
to process all returned products in order to maximize profit.

2.5.1 Variables and parameters

Recovered products can be eliminated, recycled or disassembled. Binary variables are defined
to indicate the recovery process when the model is solved. The variable 𝑑𝑖𝑠 ,, indicates that
a product is disassembled, possible if the value of 𝑑𝑖𝑜𝑡 ,, is sufficiently large (𝑑𝑖𝑜𝑡 ,,

𝑛𝑖2):

𝑑𝑖𝑠 ,, (2.7)
0 𝑖𝑓 𝑑𝑖𝑜𝑡 , , 𝑛𝑖2 the product is in insufficient condition to be disassembled
𝑑𝑣𝑝2 , , 𝑜𝑡ℎ𝑒𝑟𝑤𝑖𝑠𝑒 1 if the product is disassembled, 0 otherwise

The variable 𝑟𝑒𝑐 ,, indicates that a product is recycled. This is possible if the value of 𝑑𝑖𝑜𝑡 ,,

is sufficiently large (𝑑𝑖𝑜𝑡 ,, 𝑛𝑖1):

𝑟𝑒𝑐 ,, (2.8)
0 𝑖𝑓 𝑑𝑖𝑜𝑡 , , 𝑛𝑖1 the product is in insufficient condition to be recycled
𝑑𝑣𝑝1 , , 𝑜𝑡ℎ𝑒𝑟𝑤𝑖𝑠𝑒 1 if the product is recycled, 0 otherwise

The variable 𝑤𝑎𝑠 ,, specifies if the product has been eliminated. A product that is not missing
can only have one single recovery processing among disassembly, recycling and disposal:

𝑑𝑖𝑠 ,, 𝑟𝑒𝑐 ,, 𝑤𝑎𝑠 ,, 1, ∀ 𝑡, 𝑛, 𝑖 (2.9)

These binary variables are used to count the number of recovered products n disposed of,
recycled and disassembled during each period. The amount of n products disposed of in period
t is:
 57

𝑈 , = ∑ 𝑤𝑎𝑠 ,, . (2.10)

The amount of products n recycled in period t is calculated as follows:

𝑃 , = ∑ 𝑟𝑒𝑐 ,, . (2.11)

The amount of products n disassembled is:

𝑄 , = ∑ 𝑑𝑖𝑠 ,, . (2.12)

The disassembled product components receive recovery processing, which is defined by the
𝑑𝑖𝑜𝑡 ,, , value. The components can either be missed, eliminated, recycled, remanufactured
or reused directly. As with the products, in Equations 13-16, binary variables are created that
indicate the chosen processing when the model is solved:

1 𝑖𝑓 𝑑𝑖𝑜𝑡 , , , = 0 (the component is missing) (2.13)

𝑚𝑖𝑠 ,,, =
0 𝑜𝑡ℎ𝑒𝑟𝑤𝑖𝑠𝑒

𝑟𝑒𝑢𝑛,𝑖,𝑗,𝑡 (2.14)
0 𝑖𝑓 𝑑𝑖𝑜𝑡𝑛,𝑖,𝑗,𝑡 < 𝑛𝑗3 (the component is in insufficient condition to be reused)
=
𝑑𝑣𝑐3𝑛,𝑖,𝑗,𝑡 𝑜𝑡ℎ𝑒𝑟𝑤𝑖𝑠𝑒 (1 if component is reused, 0 otherwise)

𝑟𝑒𝑚𝑛,𝑖,𝑗,𝑡 (2.15)
0 𝑖𝑓 𝑑𝑖𝑜𝑡𝑛,𝑖,𝑗,𝑡 < 𝑛𝑗2 (the component is in insufficient condition to be remanufactured)
=
𝑑𝑣𝑐2𝑛,𝑖,𝑗,𝑡 𝑜𝑡ℎ𝑒𝑟𝑤𝑖𝑠𝑒 (1 if component is remanufactured, 0 otherwise)

𝑟𝑒𝑐𝑛,𝑖,𝑗,𝑡 (2.16)
0 𝑖𝑓 𝑑𝑖𝑜𝑡𝑛,𝑖,𝑗,𝑡 < 𝑛𝑗1 (the component is in insufficient condition to be recycled)
=
𝑑𝑣𝑐1𝑛,𝑖,𝑗,𝑡 𝑜𝑡ℎ𝑒𝑟𝑤𝑖𝑠𝑒 (1 if component is recycled, 0 otherwise)
58

A non-missing component can only undergo a single recovery treatment among reuse,
remanufacturing, recycling and disposal, therefore:

𝑟𝑒𝑢 ,, , + 𝑟𝑒𝑚 ,, , + 𝑟𝑒𝑐 ,, , + 𝑤𝑎𝑠 ,, , + 𝑚𝑖𝑠 ,,, = 1, ∀(𝑡, 𝑛, 𝑖, 𝑗). (2.17)

The number of components j following each treatment can then be calculated for each period
t. The amount of components j eliminated in period t is:

𝑀 , = ∑ (𝑐𝑛 , . ∑ 𝑤𝑎𝑠 ,, , . 𝑑𝑖𝑠 ,, ). (2.18)

The amount of components j recycled in period t is calculated as follows:

𝐶 , = ∑ (𝑐𝑛 , . ∑ 𝑟𝑒𝑐 ,, , . 𝑑𝑖𝑠 ,, ). (2.19)

The amount of components j remanufactured in period t is:

𝑅𝑓𝑐 , = ∑ (𝑐𝑛 , . ∑ 𝑟𝑒𝑚 ,, , . 𝑑𝑖𝑠 ,, ). (2.20)

The amount of components j reused in period t is:

𝑅1 , = ∑ (𝑐𝑛 , . ∑ 𝑟𝑒𝑢 ,, , . 𝑑𝑖𝑠 ,, ). (2.21)

2.5.2 Objective function

The objective of this CLSC model is to maximize the profit of the company defined in Figure
2.3. Total profit is calculated as the difference between the total revenue and the total cost.
 59

2.5.2.1 Total revenue

The sale of products, components and raw materials are the company's main sources of
revenue. This revenue (TRS) is calculated as follows:

𝑇𝑅𝑆 = ∑ ∑ ℎ1 . 𝑉 , + ∑ ∑ ℎ2 . 𝐾 , + ∑ ∑ ℎ4 . 𝑆 , + (2.22)
∑ ∑ ℎ3 . 𝑌 , + ∑ ∑ ℎ4 . 𝑅𝑀1 , .

The sale of products, components and machining scraps containing raw materials recovered
from recycling are also a source of revenue for the company. Revenue from recycling (TRR)
is equal to:

𝑇𝑅𝑅 = ∑ ∑ 𝑃 , . ∑ 𝑐𝑛 , . ∑ ℎ6 . 𝑟𝑝 . 𝑛 , + (2.23)
∑ ∑ 𝐶 , . ∑ ℎ5 . 𝑟𝑐 . 𝑛 , + ∑ ∑ ℎ7 . 𝑀𝐶1 , .

2.5.2.2 Total cost

The company has two types of purchase to produce products and components. The first is the
purchase of raw materials and the second purchases are returned products. The purchase price
of each product depends on the 𝑑𝑖𝑜𝑡 ,, and is given by the 𝑟 ,, value. The total purchase cost
(TPC) is calculated as follows:

𝑇𝑃𝐶 = ∑ ∑ 𝑝𝑚 . 𝑀1 , +∑ ∑ ∑ 𝑟 ,, . (2.24)

The company also has manufacturing costs. The company manufactures new components,
assembles products, disassembles EOL products and remanufactures recovered components.
The total manufacture cost (TMC) is calculated as follows:

𝑇𝑀𝐶 = ∑ ∑ 𝑚 . 𝑋 , + ∑ ∑ 𝑎 . (𝑍 , +𝐹 , )+∑ ∑ 𝑑 . 𝑄 , + (2.25)

∑ ∑ ∑ ∑ 𝑐𝑛 , . 𝑟𝑒𝑚 ,, , .𝑓 ,, , .
60

The company also eliminates products and components. The total disposal cost (TDC) is
calculated as follows:

𝑇𝐷𝐶 = ∑ ∑ 𝑒𝑙 . 𝑈 , + ∑ ∑ 𝑒 .𝑀, . (2.26)

Transportation of products, components and raw materials has a cost. The total transportation
cost (TTC) is calculated as follows:

𝑇𝑇𝐶 = (2.27)
∑ ∑ (𝑔1 . 𝑍 , + 𝑔2 . 𝑉 , + 𝑔3 . 𝑄 , + 𝑔4 . 𝑈 , + 𝑔5 . 𝐹 , +
𝑔6 . 𝐾 , ) + ∑ ∑ (𝑔7 . 𝑋 , + 𝑔8 . 𝑌 , + 𝑔9 . 𝐻 , + 𝑔10 . 𝑁 , +
𝑔11 . 𝐷 , + 𝑔12 . 𝑊 , + 𝑔13 . 𝑅1 , + 𝑔14 . 𝑅𝑓𝑐 , + 𝑔15 . 𝐶 , +
𝑔16 . 𝑀 , + 𝑔17 . 𝑆 , ) + ∑ ∑ (𝑔18 . 𝑅𝑀1 , + 𝑔19 . 𝑀1𝑆 , +
𝑔20 . 𝑅𝐸𝑀1 , + 𝑔21 . 𝑀𝐶1 , ).

The products, the components and the raw materials are stored. The total storage cost (TSC) is
calculated as follows:

𝑇𝑆𝐶 = ∑ ∑ 𝑠𝑐𝑝 . (𝑃𝑆 , + 𝑁𝑃𝑆 , ) + ∑ ∑ 𝑠𝑐𝑐 . (𝑈𝐶𝑆 , + 𝑁𝐶𝑆 , ) + (2.28)

∑ ∑ 𝑠𝑐𝑚 . 𝑅𝑀𝑆 , .

The objective of the model is to maximize total profit (TP):

𝑀𝑎𝑥 𝑇𝑃 = (𝑇𝑅𝑆 + 𝑇𝑅𝑅) − (𝑇𝑃𝐶 + 𝑇𝑀𝐶 + 𝑇𝐷𝐶 + 𝑇𝑇𝐶 + 𝑇𝑆𝐶). (2.29)

2.5.3 Circular Economy Total Profit

The aim of this study is to improve estimation of the profit achieved by recycling,
remanufacturing, maintenance spare parts and the sales of products with components used in
the past. This profit is called the “Circular Economy Total Profit” denoted as TP . It is
 61

possible to calculate the profit made by distributing products with new components only,
denoted as TP :

TP = ∑ ∑ h2 . K , − ∑ ∑ m .W, − (2.30)
∑ ∑ 𝑝𝑚 . ∑ 𝑋 , . (𝑛 , + 𝑐𝑚 , ).

So, we can deduce that, using the expression of TP in Equation (29):

TP = TP − TP . (2.31)

2.5.4 Constraints

The constraints of the model including the different entities are described below.

2.5.4.1 Sales and Collection center demand

For each period t, the amounts of products n (with new or used components only), components
j (new or used) and raw material k sent to the S&C center cannot exceed the S&C demand:

𝑉 , ≤ 𝑑𝑚 , , ∀(𝑡, 𝑛). (2.32)

𝐾 , ≤ 𝑑𝑚𝑛 , , ∀(𝑡, 𝑛). (2.33)

𝑌 , ≤ 𝑑𝑚𝑠 , , ∀(𝑡, 𝑗). (2.34)

𝑆 , ≤ 𝑑𝑚𝑐 , , ∀(𝑡, 𝑗). (2.35)

𝑅𝑀1 , ≤ 𝑑𝑚 , , ∀(𝑡, 𝑘). (2.36)

62

2.5.4.2 Stock management

For each period t, the amounts of products n (with new or used components only), components
j (new or used) and raw material k leaving stocks is equal to the difference between the amounts
arriving in stocks and the amount in stocks in the previous period, and the amount in stocks
may not exceed the maximum stock capacity and must not be negative:

𝑠𝑡𝑜𝑐𝑘 = 𝑠𝑡𝑜𝑐𝑘 + 𝑒𝑛𝑡𝑒𝑟 𝑓𝑙𝑜𝑤 − 𝑜𝑢𝑡𝑔𝑜𝑖𝑛𝑔 𝑓𝑙𝑜𝑤 , ∀𝑡 (2.37)

0 ≤ 𝑠𝑡𝑜𝑐𝑘 ≤ 𝑚𝑎𝑥𝑖𝑚𝑢𝑚 𝑠𝑡𝑜𝑐𝑘, ∀𝑡. (2.38)

2.5.4.3 Manufacturing

For each period t, the amount of raw material k required to manufacture the components is
calculated as follows:

𝑀1𝑆 , − (𝑀𝐶1 , + ∑ 𝑋 , . 𝑛 , ) = 0, ∀(𝑡, 𝑘). (2.39)

For each period t, the amount of raw material k wasted in production is given by:

𝑀𝐶1 , − ∑ 𝑋 , . 𝑐𝑚 , = 0, ∀(𝑡, 𝑘). (2.40)

2.5.4.4 Recycling

The amount of raw material k recycled from products in period t is calculated as follows:

𝑅𝑃𝑀1 , − 𝑟𝑝 . ∑ 𝑃 , . ∑ 𝑐𝑛 , . 𝑛 , = 0, ∀(𝑡, 𝑘). (2.41)

The amount of raw material k recycled from components in period t is calculated as follows:

𝑅𝐶𝑀1 , − ∑ 𝐶 , . 𝑟𝑐 , . 𝑛 , = 0, ∀(𝑡, 𝑘). (2.42)

For each period t, the amount of raw material k recycled from manufacturing scrap is given by:
 63

𝑀𝐶2 , − 𝑀𝐶1 , . 𝑟𝑐𝑚 = 0, ∀(𝑡, 𝑘). (2.43)

2.5.4.5 Remanufacturing

For each period t, the amount of component j arriving at remanufacturing is equal to the amount
leaving it.:

𝑅𝑓𝑐 , − 𝐷 , = 0, ∀(𝑗, 𝑡). (2.44)

For each period t, the amount of raw material k required to remanufacture the components is
given by:

𝑅𝐸𝑀1 , − ∑ 𝑅𝑓𝑐 , . 𝑟𝑛 , = 0, ∀(𝑡, 𝑘). (2.45)

2.5.4.6 Products Assembly

The quantity of component j for assembling the products with new components only in period
t is calculated as follows:

𝑊 , − ∑ 𝑐𝑛 , .𝐹 , = 0, ∀(𝑡, 𝑗). (2.46)

If the number of used components recovered is not sufficient to manufacture the products with
used components, new components can be added. Thus, the amount of component j to assemble
the products with used components at period t is given by:

𝐻, +𝑁, −∑ 𝑍 , . 𝑟𝑐 , = 0, ∀(𝑡, 𝑗). (2.47)

64

2.5.4.7 Raw materials management

The amount of new raw material k entering the supply chain in period t to satisfy the different
demands of the S&C center is:

𝑀1 , − 𝑁𝑀1 , + 𝑅𝑃𝑀1 , + 𝑅𝐶𝑀1 , + 𝑀𝐶2 , = 0, ∀(𝑡, 𝑘). (2.48)

A case study: a numerical example

In this section, we will apply the developed CLSC model to an actual marketed product. We
will study this case for one period (T=1) and for one single product (N=1).

2.6.1 Fairphone: a modular smartphone

Fairphone is a Dutch company that designs and manufactures smartphones that are more
environmentally friendly and commercially fair. Fairphone aims to develop the circularity of
its products and is already offering to buy back EOL smartphones to recycle their present raw
materials. However, Fairphone buys EOL smartphones at fixed prices, regardless of their
condition, and has little regard for the reuse and remanufacturing of these products. The
developed case study illustrates the potential economic advantages for a company
manufacturing an electronic device in large quantities and wanting to implement the proposed
CLSC. In addition, this case study deals with smartphones, an electronic device whose
integration into CE is currently promoted (Wang, 2020).

This study considers their smartphone model “Fairphone 2”, which can be decomposed into
10 main components (J=10). Each component is composed of sub-components that will not be
considered individually: their manufacture and assembly will be included in the manufacturing
cost of the main components. These components are outlined in Table 2.3 and Figure 2.9 gives
an overview of the components and its location at the “Fairphone 2” smartphone (Fairphone,
2015).
 65

Table 2.5 Fairphone 2 components list

j=1 Back cover j=6 Metal shielding plate

j=2 Battery j=7 Top module
j=3 Display module j=8 Core module
j=4 Bottom module j=9 Heat Dissipator
j=5 Camera module j=10 Antenna cable

Figure 2.9 Fairphone 2 disassembly components (Fairphone, 2015)

66

2.6.2 Model adjustement

Fairphone provides access to the entire supply chain of its Fairphone 2 model (Fairphone,
2020), from the procurement of raw materials from its subcontractors to the distribution of the
final product. Some adaptations of our model are necessary to match the model of this modular
smartphone company:
• the S&C center has no demand in raw materials. We consider the loss of raw materials
during the component manufacturing as zero.
• the component remanufacturing process does not require additional raw materials.
• products and components cannot be disposed of without the raw materials being
recycled. This is equivalent to fixing threshold values 𝑛𝑖 = 0 and 𝑛𝑗 = 0. In this case,
𝑀 , = 0 and 𝑈 , = 0 for all (n,j,t)
• the recovered products contain all their components.
• the production capacity is always sufficient.

Considering these simplifications, Figure 2.10 outlines the developed CLSC model for this
case study on the Fairphone 2 model.
 67

Figure 2.10 CLSC model adapted to the Fairphone case

68

2.6.3 Case Study Numerical Data

The cost of the Fairphone 2 (manufacturing cost, assembly cost, taxes, sales price to dealers,
investments and administrative operation of Fairphone) is detailed in literature (Fairphone,
2015). The sales prices of the components are also known. In the data provided by Fairphone,
transport and storage costs are included in the manufacturing costs. These product and
component data are given in Tables 2.4 and 2.5.

Table 2.6 Fairphone 2 parameters

a1 d1 h21 scp1 g11...g61 dmn1,1 dm1,1 NP_stock1,0 NP_stockmax1 P_stock1,0 P_stockmax1

2.2 2.2 407 0 0 150 100 0 200 0 200

Table 2.7 Fairphone 2 parameters

j=1 j=2 j=3 j=4 j=5 j=6 j=7 j=8 j=9 j=10
cn1,j 1 1 1 1 1 1 1 1 1 1
mj 17.5 14 60.9 21 31.5 2.1 17.5 63 2.1 2.1
h3j 20.8 16.7 72.5 25 37.5 2.5 20.8 75 2.5 2.5
cw1,j 0.075 0 0.258 0.082 0.137 0.017 0.096 0.299 0.017 0.017
NCS,j 0 0 0 0 0 0 0 0 0 0
NCSMj 200 200 200 200 200 200 200 200 200 200
UCS0,j 0 0 0 0 0 0 0 0 0 0
UCSMj 200 200 200 200 200 200 200 200 200 200
sccj 0 0 0 0 0 0 0 0 0 0
g7j … g17j 0 0 0 0 0 0 0 0 0 0
dmsj,1 10 10 10 10 10 10 10 10 10 10
dmcj,1 5 5 5 5 5 5 5 5 5 5
 69

The data provided by Fairphone is freely accessible and enables to estimate the amounts of
raw materials in each component (Proske, Clemm, & Richter, 2016). While the composition is
not fully known, main unknowns are in the quantities of plastics, which have a negligible cost
compared to the costs of rare metals. The impact on total profit is therefore considered
negligible. We consider 27 raw materials (i.e., K=27) in the Fairphone 2. Data considering raw
materials are given in Table 2.6, further details can be found in Annex II, Annex III and Annex
IV.

Table 2.8 Raw materials considered in the Fairphone 2

k=1 Nickel k=15 Lithium cobalt oxyde
k=2 Gold k=16 Graphite
k=3 Silver k=17 Lithium hexafluorophosphate
k=4 Copper k=18 Aluminium
k=5 Zinc k=19 Glass substrate
k=6 Silicon k=20 Tungsten
k=7 Phosphorus k=21 Neodynium
k=8 Liquid cristal polymere k=22 Palladium
k=9 Manganese k=23 Praseodymium
k=10 Polycarbonate k=24 Tantalum
k=11 Glass fibers k=25 Tin
k=12 Polyamide 6.6 k=26 Steel
k=13 Brass k=27 Indium
k=14 Thermoplastic polyurethane

2.6.4 DIOT modeling

In this case study, the 𝑑𝑖𝑜𝑡 ,, , are randomly assigned following laws of probability to each
component. We note 𝑑𝑖𝑜𝑡 ,, , the value randomly assigned according to this law. In a
first step, it is assumed that these laws have normal distributions. In a second step, we will look
for other laws. Components that are more susceptible to degradation, because they are more
exposed to the external environment or because of a more fragile design and/or behavior and
70

consequently recovered in worse conditions, have on an average 𝑑𝑖𝑜𝑡 ,, , lower values

and a larger standard deviation.

𝑑𝑖𝑜𝑡 ,, , ↪ 𝒩(µ, σ) (2.49)

The battery cannot be remanufactured or reused, therefore it is always recycled. For this reason,
we fix 𝑑𝑖𝑜𝑡 ,, , = 2.5 for all recovered batteries. Details of the means (µ) and standard
deviations (σ) of the 𝑑𝑖𝑜𝑡 ,, , values of each component are presented in Table 7.

Table 2.9 Component 𝑑𝑖𝑜𝑡 ,, , values

𝑑𝑖𝑜𝑡 ,, ,

Component µ σ

Slim Case j=1 5 2

Display module j=3 3 2
Bottom module j=4 5 2
Camera module j=5 4 2
Metal shelding plate j=6 8 1
Top module j=7 5 2
Motherboard j=8 5 2
Heat dissipator j=9 8 1
Antenna j=10 8 1

The following convention for values of 𝑑𝑖𝑜𝑡 ,, , which are not in the interval [0,10] in
the random assignment is presented by equation (49):

0.1 𝑖𝑓 𝑑𝑖𝑜𝑡 ,, , <0 (2.50)

𝑑𝑖𝑜𝑡 ,, , = 10 𝑖𝑓 𝑑𝑖𝑜𝑡 ,, , > 10
𝑑𝑖𝑜𝑡 , , , 𝑜𝑡ℎ𝑒𝑟𝑤𝑖𝑠𝑒
 71

2.6.5 Studied variables

In a first step, the experiments conducted in this section aim to estimate the impact on the total
profit generated by strategical decisions, such as the selling price of reused and remanufactured
products and components or the effort to recover end-of-life smartphones. In a second step,
experiments will identify the impact of 𝑑𝑖𝑜𝑡 ,, , on total profit by modeling the distribution
of these values by different probability laws. Finally, the impact of product customization will
be explored by increasing the number of different products in the Fairphone range of products.

2.6.6 Parameter variation range

Data on the return chain are not currently available. In order to study the sensitivity with respect
to the parameters of the return chain, a reference case is set. To view the sensitivity of TP in
relation to the resale price of used products (h1 ) and components (ℎ4 ), the variable rv is
defined as such:

ℎ1 = 𝑟𝑣 . ℎ2 , ∀𝑛. (2.51)

ℎ4 = 𝑟𝑣 . ℎ3 , ∀𝑗. (2.52)

For the sensitivity in relation to the purchase cost of EOL Fairphones and the cost of component
remanufacturing, the ra and rf values will be variable. Finally, the impact on profit of the
recovery effort, i.e. the number of EOL Fairphones recovered in relation on the product and
component used in the past (𝑅 , /𝑑𝑚 , ) will be studied. The values for our reference case are
based on average values from the literature. For the sales price of remanufactured products, a
ratio rv = 0.6 is an acceptable value in the literature (Y. Zhang et al., 2018). For the
remanufacturing cost, the cost can vary between the cost of manufacturing a new component
and zero cost (Reimann, Xiong, & Zhou, 2019), so the average value rf = 0.5 is chosen. For
the repurchase price of EOL products, we consider that a product is repurchased in the best
case (i.e. when 𝑑𝑖𝑜𝑡 ,, = 10), at the price of the raw materials that compose it and the
72

manufacturing price of the components. This is the case ra = 1. To study cases where the
number of products recovered is above and below the remanufactured product demand,
R1,1/dm1,1 = 1 is chosen. These reference case values are summarized in Table 2.8:

Table 2.10 Parameter values for the reference case

Reference case
rv 0.6
ra 1
rf 0.5
R1,1/dm1,1 1

For the influence of 𝑑𝑖𝑜𝑡 ,, , , the averages of the normal distributions dictating 𝑑𝑖𝑜𝑡 ,, ,

of the display module (j = 3), the second most expensive component of the Fairphone; and of
the camera module (j = 5), which is economically less important.

As there is no real data available for the 𝑑𝑖𝑜𝑡 ,, , , we propose to look at different
probability distributions in order to study the sensitivity of the model. The evolution of the
profit will be observed in the case where the 𝑑𝑖𝑜𝑡 ,, , of the display module (j = 3)
follows a geometric or 𝑋 distribution (Giroux, 2007) for several mean values.

Finally, to study the integration of mass-customization required in an Industry 4.0 context, we

consider that Fairphone offers the possibility of customizing its phones by offering two types
of display modules and two types of camera modules. For example, the user can choose
between a smaller (j = 3) or larger (j = 11) screen and a camera without (j = 5) or with a wide
angle (j = 12). In this way, we study the cases where J=12 and N=2, 3 or 4. The different
configurations are presented in Table 2.9:
 73

Table 2.11 Parameters of the different smartphone models

Display module Camera module
j=3 j=11 j=5 j=12
mj 60.9 70 31.5 50
h3j 72.5 83.9 37.5 59.5 h1n
n=1 1 0 1 0 407
n=2 0 1 0 1 500
cnn,j
n=3 1 0 0 1 450
n=4 0 1 1 0 460

The demand for remanufactured mobile phones corresponds to 40% of the total demand. This
is a case where the demand for remanufactured products is slightly higher than the current
demand of industrialized countries, which is 30% (Sinha, Laurenti, Singh, Malmström, &
Frostell, 2016). This choice is justified because consumers are increasingly accepting to buy
remanufactured products and this ratio is continuously increasing (van Weelden, Mugge, &
Bakker, 2016). Product and component demands and importance component weights are given
in Tables 10-11:

Table 2.12 Product demands

dmnn,t dmn,t
N = 1 n = 1 150 100
n = 1 75 50
N=2
n = 2 75 50
n = 1 50 34
N = 3 n = 2 50 33
n = 3 50 33
n = 1 39 25
n = 2 37 25
N=4
n = 3 37 25
n= 4 37 25
74

Table 2.13 Component demands and importance component weights

j =
j=1 j=2 j=3 j=4 j=5 j=6 j=7 j=8 j=9 j = 10 j = 11
12
n=1 0.08 0.00 0.28 0.08 0.14 0.01 0.10 0.29 0.01 0.01 0.00 0.00
n=2 0.07 0.00 0.00 0.07 0.00 0.01 0.09 0.26 0.01 0.01 0.29 0.20
cwn,j
n=3 0.07 0.00 0.26 0.07 0.00 0.01 0.09 0.27 0.01 0.01 0.00 0.21
n=4 0.08 0.00 0.00 0.31 0.08 0.14 0.01 0.09 0.28 0.01 0.01 0.00
dmsj,1 10 10 6 10 6 10 10 10 10 10 4 4
dmcj,1 5 5 3 5 3 5 5 5 5 5 2 2

2.6.7 Reference case of the sensitivity analysis

To obtain the average response of the model with the reference parameters, we generate sets
of diot ,,, and solve the model with LINGO 16.0. The resolution of the model takes about 20
minutes for the most complex cases. Then, we calculate the averages of the total profit and of
each decision variables. The results are given in Tables 12-15.

Table 2.14 Profits in reference case

TPReferenceCase 33 111.30€
TPDirectLoop 25 431.78 €
TPCE,ReferenceCase 7679.52 €

TP = 25 431€ represents the profit made by Fairphone with its current supply-chain
model without recovery of EOL smartphones. In the sensitivity analysis, TP remains
constant because none of the parameters associated with it vary. The total profit brought back
by the implementation of the Circular Economy is TPCE,ReferenceCase = 7679.52€ in the reference
case. Thus, the total profit increased by 30% thanks to the recovery of EOL products and
associated sales.
 75

Table 2.15 Values of product-related decision variables for the reference case
R1,1 P1,1 U1,1 Q1,1 F1,1 K1,1 Z1,1 V1,1 PS1,1 NPS1,1
100 5.63 0 94.37 150 150 100 100 0 0

In this reference case, on average, 94.37 of the 100 smartphones recovered are disassembled.
Thus, EOL smartphones are generally in a good condition and recovering the components is
beneficial.

Table 2.16 Values of component-related decision variables for the reference case
Xj,1 Yj,1 Wj,1 Hj,1 Nj,1 Dj,1 R1j,1 Rfcj,1 Sj,1 Cj,1 UC_stockj,1 NC_stockj,1
j=1 179.14 10 150 19.14 80.86 74.29 6.57 74.29 0 13.51 0 0
j=2 260 10 150 100 0 0 0 0 0 94.37 0 0
j=3 210.31 10 150 50.31 49.69 49.17 0.52 49.17 0 44.68 0 0
j=4 180.16 10 150 20.16 79.84 73.34 6.5 73.34 0 14.53 0 0
j=5 192.93 10 150 32.93 67.07 64.77 2.3 64.77 0 27.3 0 0
j=6 165.63 10 150 5.63 94.37 46.67 47.7 46.67 0 0 0 0
j=7 179.66 10 150 19.66 80.34 74.06 6.28 74.06 0 14.03 0 0
j=8 177.86 10 150 17.86 82.14 75.33 6.81 75.33 0 12.23 0 0
j=9 165.63 10 150 5.63 94.37 48.18 46.19 48.18 0 0 0 0
j=10 165.63 10 150 5.63 94.37 46.98 47.39 46.98 0 0 0 0

For component flows, we note that whenever possible, components are reused (R1 , ) or
remanufactured (Rfc , ). Indeed, this is the most profitable way of supplying the market with
used products at a lower cost. It should also be noted that not enough EOL products are
recovered to satisfy the demand for used components sold separately, as it is more profitable
to use them for remanufactured products: S , = 0 for all components. Stocks remain at zero
because only one period is considered and the quantity of EOL product recovered is not large
enough compared to demand. We can see that the display module (j=3) is the most fragile
76

component, given the average of its 𝑑𝑖𝑜𝑡 ,, , : it is for j=3 that the amount of new
components used in the assembly of refurbished products H , , is the highest.

Table 2.17 Values of raw material-related decision variables for the reference case
NM1k,1 M1k,1 M1Sk,1 RCM1k,1 RPM1k,1 RM_stockk,1
k=1 11.9923 13.82 13.816 1.450546 0.37336 0
k=2 4.70407 5.434 5.4344 0.574413 0.15596 0
k=3 48.25 54.34 54.344 4.534843 1.55963 0
k=4 230.461 272.8 272.75 34.66222 7.62947 0
k=5 4.51077 5.339 5.3385 0.678436 0.14933 0
k=6 4.73534 5.604 5.6043 0.712212 0.15676 0
k=7 2.84185 3.363 3.3634 0.427425 0.09408 0
k=8 185.148 219.1 219.12 27.84699 6.12938 0
k=9 53.0949 61.65 61.647 7.009669 1.54289 0
k=10 4327.01 4818 4818.5 347.7041 143.779 0
k=11 1943 2161 2161.1 153.5794 64.5671 0
k=12 1515 1686 1686 120.6173 50.3428 0
k=13 13.5226 15.09 15.091 1.119594 0.44927 0
k=14 643.828 716.6 716.56 51.338 21.394 0
k=15 2319.9 3656 3655.6 1260.5 75.1999 0
k=16 1550.4 2371 2371.2 774.589 46.211 0
k=17 877.8 1383 1383.2 476.946 28.454 0
k=18 356.843 371.5 371.47 14.1555 0.47095 0
k=19 2437.73 3155 3154.7 636.69 80.2275 0
k=20 200.644 201.7 201.75 0.787742 0.31611 0
k=21 8.93385 8.983 8.983 0.035075 0.01408 0
k=22 1.78625 1.976 1.9763 0.131181 0.05883 0
k=23 1.78677 1.797 1.7966 0.007015 0.00282 0
k=24 3.63006 3.657 3.6575 0.021917 0.00547 0
k=25 157.449 176.8 176.78 15.89012 3.43767 0
k=26 692.54 712 711.95 2.579369 16.8351 0
k=27 0.94259 1.22 1.2198 0.246187 0.03102 0
 77

Finally, for raw materials, it is satisfying to note that the amount of primary raw material
(NM1 , ) entering the chain is less than the amount necessary for the production of
components and products (M1 , ) thanks to the various recyclings.

2.6.8 Sensitivity analysis

For each of the variations, the simulation is repeated, generating new 𝑑𝑖𝑜𝑡 ,, , to get closer to
the average behaviour of the system.

Figure 2.11 TPCE variation for different values of ra, rv and rf

Logically, as shown in Figure 2.11, the sale price of remanufactured products and components
has a significant influence on the TPCE generated. Remanufactured products must be sold at a
minimum price in order to be profitable (here rv > 0.38). Naturally, TPCE also decreases as the
costs of remanufacturing and purchasing EOL products increase. In Figure 2.11, these
variations are linear, which can be explained by the definitions of the different costs and
revenues that set the objective function.
78

Figure 2.12 TPCE variation for different values of 𝑑𝑖𝑜𝑡 ,, ,

In Figure 2.12, For each of the variations, four sections can be identified. The first is when the
average of 𝑑𝑖𝑜𝑡 ,, , is low (S1), TPCE increases slowly because the average of
𝑑𝑖𝑜𝑡 ,, , is lower than nj2: the majority of the display modules are recycled. However, as
soon as the display module is recycled, the financial gain will be the same regardless of its
condition, and only a few display modules will be remanufactured. At the section 2 (S2) level,
TPCE increases more quickly with increasing average. More display modules are being
remanufactured; and their 𝑑𝑖𝑜𝑡 ,, , is not too high, so returned products are not purchased at
a high price. Moreover, a high 𝑑𝑖𝑜𝑡 ,, , means cheaper remanufacturing. In section 3 (S3), the
display modules become in a very correct condition with 𝑑𝑖𝑜𝑡 ,, , which is close to nj3
on average. Therefore, more and more components are being reused without remanufacturing
the 𝑑𝑖𝑜𝑡 ,, is increasing and the purchase price 𝑟 . . is becoming more expensive. This
 79

repurchase price is beginning to overtake the gains obtained by reducing the remanufacturing
cost. In section 4 (S4), returned products are purchased at important 𝑟 . . prices due to the good
average of 𝑑𝑖𝑜𝑡 ,, exceeding nj3. A significant proportion of the display modules are
reused, confirming the trend observed in section 3 (S3).

For the variations 𝑑𝑖𝑜𝑡 ,, , , related to the camera module, the observation is the same,
but the variations are less important. Indeed, the camera module costs less than the display
module, its importance 𝑤𝑒𝑖𝑔ℎ𝑡 , has less influence on the cost 𝑟 . . and it is less expensive
to remanufacture.

Figure 2.13 TPCE for different probability distributions of 𝑑𝑖𝑜𝑡 ,, ,

For comparison between the different probability distributions, with the geometric and 𝜒
(chi2) distributions; we observe the same sections as with the normal distribution, as shown in
80

Figure 2.13. However, the variations are smaller for the latter two because they are less
centered on their mean value and their distribution is more uniform. Therefore, for the same
reason the profit TPCE is not as high as with the normal distribution. Indeed, the 𝑑𝑖𝑜𝑡 ,, ,

following the geometric and chi2 laws cannot target the most advantageous value with the
same accuracy than the normal distribution.

Figure 2.14 TP /TP (%) for different quantity of EOL products recovered

The profit generated by the CE evolution according to the number of returned products
purchased 𝑅 , in relation to demand 𝑑𝑚 , , given in Figure 2.14, has a maximum of 1.28
𝑅 , /𝑑𝑚 , . Before this value, the profit increases with the number of EOL products purchased,
due to the necessity to manufacture many new components to meet the demand for
remanufactured products because the recovery is not large enough. After this value, the number
of products purchased is excessive and components and products are recycled whereas they
 81

were purchased at a high price and could have been remanufactured. The Circular Economy
approach would increase total profit by 36% compared to the current model of Fairphone,
which doesn’t deploy a CLSC.

Figure 2.15 Total profit according to the number of products proposed

The increase in the number of products in the Fairphone range increases the profit generated
as shown in Figure 2.15. Indeed, the additional products created for the study are more
expensive, which explains this trend. It can be concluded that the CLSC is resilient in the case
of several products, enabling it to satisfy the mass-personalization needs of customers in the
context of Industry 4.0. We looked at the sensitivity of our model in the case where the
company takes over all available EOL products without making a selection before purchasing
them. If we are in the case where EOL products outnumber the demand for remanufactured
products, we see in Figure 2.14 that profit declines. However, it is also possible to optimize
the profit in this case.
82

2.6.9 Optimal EOL product selection

The objective is to further optimize the product recovery because it is one of the main
constraints of circular manufacturing.

Knowing the condition of all recoverable products with DIOT, the best selection of products
could be chosen to meet the demands, avoiding EOL products bought too expensively, or those
with components too expensive to remanufacture. Consequently, it is considered that not all
available end-of-life products are necessarily purchased from the S&C Centre. We thus define
the binary variable 𝑛𝑢𝑠 ,, which indicates whether the product is purchased.

1 if the EOL product is not purchased by the company (2.53)

𝑛𝑢𝑠 ,, =
0 𝑜𝑡ℎ𝑒𝑟𝑤𝑖𝑠𝑒

The Equation (9) becomes:

𝑑𝑖𝑠 ,, + 𝑟𝑒𝑐 ,, + 𝑤𝑎𝑠 ,, + 𝑚𝑖𝑠 ,, + 𝑛𝑢𝑠 ,, = 1, ∀(𝑡, 𝑛, 𝑖). (2.54)

The total purchase cost TPC in Equation (24) then becomes:

𝑇𝑃𝐶 = ∑ ∑ 𝑝𝑚 . 𝑀1 , + ∑ ∑ ∑ 1 − 𝑛𝑢𝑠 ,, .𝑟 ,, . (2.55)

The evolution of the profit generated by the Circular Economy as a function of the number of
EOL products available on remanufactured product demand is shown in Figure 2.16. This
evolution has an asymptotic behaviour towards 48% when EOL recovered products are
selected in relation to their diot. In comparison, as mentioned previously, without selection of
EOL products, the total benefit increases by a maximum of 36%.
 83

Figure 2.16 TP /TP (%) with and without the possibility to select the returned
products

This behaviour can be explained because a larger number of EOL products that can be
purchased enables a more judicious selection that will increase profit. At a certain point, the
number of recoverable products is large enough in relation to the demand for remanufactured
products, and a greater choice does not significantly improve the quality of the selection, hence
the asymptotic behaviour. Then, the 𝑛𝑢𝑠 ,, value indicates to the company if it should buy an
EOL product or not.

Conclusion

This study showed that use of IoT principles was beneficial in optimizing the profit of a
company adopting a CLSC, enabling cleaner and more sustainable production. Currently, one
of the main problems of CLSCs is managing the recovery of EOL products to supply the
84

remanufacturing workshops. The products arrive in uncertain conditions and require inspection
processes.

The main contributions of this study from the managerial perspective of CLSCs in Industry 4.0
are concluded by answering its research questions. The first is an optimal multi-product and
multi-period planning method for raw material, component supply based on IoT. Indeed, the
data collected during the life cycle of a product using sensors and communicated via RFID
tags can be used to determine the status of an EOL product and its components. The developed
model enables the best possible choice of component and product treatments such as recycling,
remanufacturing, disassembly or reuse without any inspection. The second is an optimal
selection of recoverable EOL products that can be used to meet the demand for reconditioned
products. The solution provides the combination of products purchased to maximize total profit
by considering the cost of purchasing from their owners and the remanufacturing cost. An
example of modular smartphones, the Fairphone, was considered to illustrate the resolution of
the model. In this example, where remanufactured product demand accounts for 40% of total
demand, the total profit increased by 36% thanks to the CE when the recovered EOL products
are randomly selected; and up to 48% if the EOL products to be recovered are optimally
selected. In addition, the need for primitive raw materials has decreased due to the product
recovery.

It should be noted that this study is based on a strong hypothesis, that devices such as sensors
on physical objects can collect data to determine the state of an EOL product without
inspection, i.e. its diot. Future research should concentrate on making this link between an
assigned diot based on sensor inputs during the product’s life cycle and the actual (mechanical)
state of a product. It would also be interesting to study the impact on the CLSC of a demand
and a quantity of EOL products recovered fluctuating over different periods.

In the following part of this thesis we will propose an approach to predict the state of
degradation of end-of-life products, i.e. a diot prediction.
 CHAPITRE 3

VERS LA PRÉVISION DE L’ÉTAT DE DÉGRADATION DES PRODUITS EN FIN

DE VIE

Introduction

Au chapitre précédent, nous avons vu que pour mettre en place un modèle de chaîne
d’approvisionnement en boucle fermée s’appuyant sur un système intégré de prédiction de
l’état de récupération d’un produit en fin de vie. Il fallait surmonter le défi que représente cette
prédiction. C’est-à-dire, en reprenant le concept développé dans ce mémoire, le principal défi
est le calcul du diot de chacun des composants dans la réalité.

Ce calcul pourrait être réalisé grâce aux technologies numériques. En effet, ces technologies
facilitent le développement de l’Économie Circulaire en permettant la collecte et l’analyse de
données aboutissant à un suivi de l’état d’un produit et à un choix de reconditionnement. Les
outils qui peuvent être utilisés sont l’Internet des Objets, la Big Data et l’intelligence artificielle
pour citer les principaux (Uçar et al., 2020). Les chercheurs ont commencé récemment à
s’intéresser à l’apport de ces technologies pour les différents traitements de récupération des
produits en fin de vie. Cependant, aucune étude de cas réel n’étant disponible à ce jour, il
convient de s’attaquer à ce problème.

Dans la suite de ce chapitre, nous présenterons des pistes de recherche pour déterminer le diot
d’un composant à l’aide de ces outils intelligents. Nous regarderons plus en détail la méthode
à appliquer pour le cas d’un composant réel, un écran en verre d’un smartphone, afin de faire
écho à l’étude de cas du chapitre précédent traitant des smartphones de la marque Fairphone.

Le diot : reflet de l’utilisation des consommateurs

Afin de créer un produit s’inscrivant dans le modèle de l’Économie Circulaire, il est nécessaire
d’inclure les consommateurs, leurs habitudes et leurs modes de consommation d’un produit
86

donné dans la démarche de récupération et de traitement des produits. Dans le cas d’un écran
de smartphone, il est ainsi primordial d’identifier ce qui pousse les consommateurs à vouloir
changer de smartphones.

Il est donc nécessaire de déterminer à partir de quel niveau de dégradation le produit n’est plus
utilisable dans une suffisamment bonne condition. En 2014, Schaub et al. ont étudié les dégâts
subis par des écrans tactiles de smartphones et les conséquences sur leur utilisation. L’étude
révèle certains comportements des utilisateurs. Ainsi 23% des propriétaires de smartphones
utilisent un appareil avec un écran cassé. Selon les types de dégâts subis par l’écran, illustrés
sur la Figure 3.1, l’utilisateur n’aura pas la même tolérance pour continuer d’utiliser son
smartphone sans réparation. C’est le type de dégât et la gravité de celui-ci, mesurer par exemple
par la proportion de la surface de l’écran qui est affecté par ce défaut, qui va pousser
l’utilisateur a changé de smartphone.

Figure 3.1 Dégâts typiques présents sur les écrans de smartphone (Schaub et al., 2014)

Une des autres principales raisons qui encourage les utilisateurs à se séparer de leurs
smartphones endommagés est une proposition de changement de téléphone par les
constructeurs ou les opérateurs (Ikemiya & Rosner, 2013). Prédire l’état de dégradation d’un
téléphone serait un avantage commercial de taille pour un fabriquant, qui pourrait alors
récupérer un produit au moment où l’interaction entre le produit et l’utilisateur est trop dégradé,
tout en proposant l’achat d’un nouveau produit. De plus, il a été souligné au chapitre 2 de ce
mémoire le fait qu’une connaissance de l’état de dégradation du produit grâce au diot
permettrait de se soustraire à une étape d’inspection au moment de la récupération du produit.
 87

Éviter cette étape préliminaire constituerait un avantage économique pour le fabricant. La

connaissance du diot a donc des intérêts économiques multiples, et il convient de discuter à
des méthodes pour l’obtenir.

Le diot : reflet d’une réalité mécanique

La dégradation d’un écran de smartphone, sa perte de fonctionnalité et la diminution de son

confort d’utilisation sont donc essentiellement déterminé par la présence ou non de fissure ainsi
que des dégradations locales de la matière qui le compose. Le verre est l’élément principal des
écrans de smartphones et c’est sa dégradation qui influe sur la qualité de l’affichage de ceux-
ci (Magomedov, Orlova, Lisichko, & Alikhadzhiev, 2019). Le diot, reflétant l’état du
composant, est ainsi lié aux propriétés physiques et mécaniques des matériaux, le verre dans
cet exemple.

Des recherches ont été entrprises sur les verres spéciaux utilisés dans les domaines de pointes
comme les hautes-technologies et dont les applications sont de plus en plus nombreuses
(Wondraczek et al., 2011).

Parmi les principaux constructeurs de smartphones, on peut citer Apple et Samsung. Ces deux
géants de l’industrie du smartphone utilisent deux types de verres pour leurs écrans : le verre
saphir et le verre Gorilla (Lunden, 2016). Chacun de ces deux types de verres possèdent leurs
avantages et leurs inconvénients dans leurs utilisations. Le saphir a une dureté plus élevée et
moins cassant que le verre trempé chimiquement comme le Gorilla glass (Corning, 2020) ou
le Xensation glass (Schott, 2020). Il est donc plus résistant aux fractures et plus difficiles à
rayer. Mais les verres Gorilla et Xensation ont l’avantage d’être trois fois moins chers que le
saphir (Magomedov et al., 2019). Ces verres sont particulièrement résistants grâce à leur
procédé de fabrication : les ions sodium du verre sont remplacés par des ions potassiums plus
gros lors d’un chauffage du verre dans un bain de sel minéraux. Ces ions, plus gros, créent une
compression dans le verre qui le rend plus solide (Corning, 2020).
88

Les méthodes d’étude de la propagation des fissures dans le verre peuvent être séparées en
deux grandes catégories, les méthodes expérimentales et les méthodes de simulation par
éléments finis.

Les méthodes expérimentales sont plus fiables mais prennent plus de temps et sont plus
coûteuses que les simulations numériques, demandant plusieurs semaines de préparation
supplémentaires (Ghazaly, Abdo, Dakshinamoorthi, & Srinivasan, 2011). Il est néanmoins
possible d’arriver à des résultats précis du phénomène de propagation des fissures par
simulation car le phénomène est bien connu physiquement. Lorsqu’une fracture est présente
dans un matériau, selon la direction de la contrainte par rapport à l’orientation de la fissure,
au-delà d’une certaine contrainte 𝜎 défini par le critère de Griffith, le matériau fragile se rompt
(Griffith, 1921).

La Figure 3.2 présente cette mécanique pour une fissure soumise à une contrainte uni axiale
qui lui est perpendiculaire. Cette contrainte critique étant inversement proportionnelle à la
racine de la longueur de la fracture, déterminer la taille des fractures de l’écran en verre lors
de l’inspection est primordial pour quantifier son état de dégradation.

Figure 3.2 Critère de Griffith pour une fissure de longueur 2a soumise à une contrainte uni
axiale qui lui est perpendiculaire dans une plaque infinie
 89

Mais les simulations ne sont pas suffisantes pour établir et valider un modèle. Les méthodes
de simulation par éléments finis peuvent néanmoins être utilisées comme outil de prédiction
(Ghazaly, 2011). Ainsi, dans le but de déterminer un modèle qui permettra de réaliser des
prédictions de l’état du verre d’un écran de smartphone, il serait nécessaire d’acquérir dans un
premier temps des données expérimentales suffisantes reliant les paramètres et les conditions
environnantes d’utilisation à l’état de dégradation de l’écran, c’est-à-dire à la quantité et la
taille des fissures présentes sur celui-ci. Une fois le modèle établi, on pourra l’utiliser pour
faire des prédictions sur la taille des fissures sur un écran selon les conditions subit par le verre.

Détecter les dégradations

L’acquisition de données expérimentales est donc une étape clé afin de modéliser la
dégradation des écrans de smartphones. Des méthodes permettant d’inspecter la qualité du
verre des écrans de smartphones existent déjà. En effet, avec l’explosion du secteur de la
téléphonie mobile, le contrôle de la qualité du verre est devenu un enjeu économique majeur.
Les industriels ont donc développé des méthodes d’inspections des défauts du verre des écrans
après leurs fabrications. Les inspections visuelles par un opérateur humain sont les méthodes
les plus répandues mais elles sont fastidieuses, peu précises et dépendent grandement de
l’opérateur qui les réalisent (Jian, Gao, & Ao, 2017). Les recherches se sont ainsi portées vers
des méthodes de détection visuelles des défauts par intelligence artificielle basés sur des
systèmes de reconnaissances d’image (Li, Liang, & Zhang, 2014).

La reconnaissance d’image est une méthode de traitement automatique de l’image d’un objet
réel grâce à un dispositif optique qui a pour but d’extraire l’information voulu de cette image
(Bharath & Petrou, 2009). Le système d’inspection s’appuie sur une caméra captant l’image
sous une source de lumière appropriée. Un algorithme va ensuite traiter cette image afin de
déterminer les caractéristiques de celle-ci. La caractéristique qui nous intéresse ici est la
présence de défaut. L’algorithme va donc ainsi identifier, compter, mesurer et classer les
90

différents défauts présents sur l’écran en verre (Martínez, Ortega, García, García, & Estévez,
2013).

Le traitement de l’image se compose du débruitage de l’image, de l’amélioration, de la

restauration et enfin la détection des défauts (Yuan et al., 2018). L’image prétraitée permet à
un ordinateur de reconnaître plus facilement les défauts, améliorant la précision de détection.
Il faut choisir les éléments caractéristiques des défauts afin de les repérer. Dans le domaine de
la reconnaissance d’image, les principaux aspects qui peuvent être détectés sont principalement
les couleurs (Singh, Dua, Agrawal, & Acharya, 2013) et les formes géométriques (Gao et al.,
2017). Il faut s’intéresser à plusieurs de ces composantes pour réaliser correctement une
reconnaissance d’image (Liu, Chen, Peng, & Xie, 2011; Malamas, Petrakis, Zervakis, Petit, &
Legat, 2003).

Dans le cas de la détection des défauts sur du verre, on peut noter quelques difficultés
(Murdoch, Singh, Kumbier, Abbasi-Asl, & Yu, 2019). L’éclairage de la pièce en verre à
inspecter est primordial pour détecter les variations dans la couleur du verre à cause de
possibles défauts. Un système d’éclairage stable serait nécessaire (Pourmoghaddam &
Schneider, 2018). De plus, les défauts dans le verre ont tendance à se superposer ce qui rend
encore plus difficile leur identification (Ngo et al., 2018). Ces difficultés font que les
technologies de détection de défauts dans le verre sont un peu en retard vis à vis d’autres
matériaux (Martínez et al., 2013). Ces méthodes sont encore plus en retard dans le cadre de la
détection de défauts sur des écrans de smartphones car les défauts qui peuvent apparaître sont
très variés : les rayures, les coupes d'angle, les déformations, les fissures et les bords cassés.

Ming et al. (2019) ont résumé le processus complet d’identification des défauts sur un écran
en verre en détaillant chacune des étapes indiquées sur la Figure 3.3. On y voit les différentes
étapes : l’acquisition de l’image, le pré-traitement, la segmentation, l’extraction des
caractéristiques et la classification.
 91

Plus précisément, le pré-traitement possède deux étapes : le débruitage obtenu par méthode
morphologique et filtre d'ondelettes (Yousefian-Jazi, Ryu, Yoon, & Liu, 2014) ; et
l’amélioration de l’image qui se fait filtrage dans les domaines des fréquences et le domaine
spatial. La classification sera réalisée par les algorithmes classiques d’apprentissage machine
supervisés ou non-supervisés : Méthode des K plus proches voisins, réseaux de neurones
artificiels ou classification naïve bayésienne (Liu et al., 2011 ; Kang et al., 2015). Le choix des
méthodes dépend du type de données.

Figure 3.3 Processus de détection des défauts d’une surface en verre (Ming et al., 2020)

De cette manière, la dégradation d’un composant, ici un écran de smartphone, serait quantifiée
et mesurée. On pourrait alors déterminer le besoin ou non de le réparer. Mais la détection des
défauts n’est pas suffisante pour établir le diot. En effet, l’objectif est de détecter les défauts
sans avoir à faire cette étape d’inspection, en se basant uniquement sur la vie du produit.
92

Prédire les dégradations

Le but du diot est donc de fournir avec précision un modèle prédictif de l’état de dégradation
des produits en fin de vie. On a vue qu’une inspection de ces produits permettaient de détecter
les défauts et de les quantifier. Dans le cas des écrans de smartphones, les algorithmes de
reconnaissance d’image serait d’une grande aide. Afin d’établir un modèle prédictif de la
dégradation qui contrôlera les décisions d’approvisionnement, de recyclage ou de
refabrication, il faut associer les résultats de cette inspection aux données liées aux conditions
d’utilisation du produit.

Figure 3.4 Conception d’un modèle prédictif de contrôle (Beal, Hill, Martin, & Hedengren,
2018)
 93

On peut imaginer que chaque produit peut être soumis à des conditions excessivement
différentes durant leurs cycles de vie, notamment pour un produit soumis à des conditions
environnantes extérieures, à des évènements imprévisibles et par des utilisateurs aux habitudes
bien différentes. C’est le cas d’un smartphone. Cette variabilité rend difficile l’élaboration d’un
modèle. Néanmoins aujourd’hui, les progrès en termes d’intelligence artificielle permettent de
de créer des modèles à partir de données complexes et variées (Hedengren, Shishavan, Powell,
& Edgar, 2014; Murdoch et al., 2019), ce qui serait le cas dans la détermination du diot.
Parkinson et al. (2013) décrivent la méthode pour établir un modèle par apprentissage machine
(machine learning) selon la quantité de données disponibles, la linéarité ou non du modèle de
prévision. Il sera nécessaire de vérifier les résultats obtenus afin d’améliorer et d’établir ce
contrôle par modèle prédictif (Model Predictive Control, MPC). Beal et al. (2018) ont résumé
la validation du modèle avec la Figure 3.4.

Dans le cas de la prévision de la dégradation d’un écran en verre, on peut à la fois s’appuyer
sur des modèles physiques de la mécanique de la rupture, mais réaliser des tests permettrait
d’avoir de meilleures prévisions. Une fois que les données seront en nombres suffisantes et
donneront des résultats acceptables, on pourra envisager un système de contrôle de la chaîne
d’approvisionnement basé sur les valeurs du diot.

Conclusion

Dans ce chapitre nous avons vu différents facteurs qui rentrent en compte dans l’estimation du
diot. L’utilisation des composants par les utilisateurs est à la base de la démarche. C’est ce
comportement qui va définir à quel moment un utilisateur est prêt à céder le produit car ce
dernier n’offre plus des conditions d’utilisation suffisantes. Ce comportement permet aussi de
définir les défauts à réparer impérativement avant de remettre le produit sur le marché. Dans
le cas d’un écran de smartphone, les défauts sont les fissures plus ou moins grandes qui gênent
la visibilité de l’affichage, empêchant ainsi l’interaction entre l’utilisateur et la machine.
94

Ces défauts découlent de phénomène physique divers. Dans le cas de l’écran de smartphone,
la mécanique de la rupture est une des clés de la prévision de l’état du produit en fin de vie.
Mais les paramètres d’utilisation d’un smartphone sont extrêmement variés et cette utilisation
s’étend sur une longue période de temps. Les modèles classiques de la physique ne permettent
pas de rendre compte de l’état réel de l’écran en verre. Il faut donc se tourner vers des modèles
empiriques, que l’on peut obtenir grâce à une collecte massive de données, possibles grâce à
l’IoT et des capteurs sur le produit. Pour le cas de l’écran de smartphone, des systèmes de
reconnaissance d’images pourront identifier et quantifier la taille des défauts. Il faut ensuite
relier ces données aux conditions auxquelles a été soumis l’écran, notamment les contraintes
mécaniques, mais aussi la température et l’humidité. Ces données, une fois traitées par des
algorithmes d’apprentissage machine, pourront fournir des modèles prédictifs du diot. Une
fois le modèle déterminé, il pourra être en permanence amélioré en continuant cette collecte
de données. La chaîne d’approvisionnement en boucle fermée pourra alors être contrôlée par
la prédiction de l’état de dégradation des produits FDV donnée par une valeur du diot fiable et
reflétant l’aspect réel du produit.
 CONCLUSION

L’approche linéaire de l’économie est la manière dont les humains ont abordé la production et
la consommation de biens. Mais cette vision de l’économie mène inexorablement à
l’épuisement des ressources naturelles minières et énergétiques. La consommation mondiale
en ressources est désormais telle que lesdites ressources ne peuvent plus ce regénérer. Nous
nous rapprochons de plus en plus rapidement de cet épuisement. Aussi, il est nécessaire de
concevoir un nouveau mode de production et de consommation pouvant s’inscrire dans
l’écosystème.

Dans le chapitre 1, nous avons d’abord passé en revue la littérature touchant aux différents
champs liés à la recherche entreprise dans ce mémoire. Nous avons présenté le concept
d’Économie Circulaire. Cette approche circulaire vise l’optimisation des ressources tout au
long du cycle de vie du produit. Cette Économie plus durable peut entraîner des retombées
environnementales, économiques et sociales. Mais l’Économie Circulaire n’en est qu’à ses
débuts et de nombreux obstacles empêchent une application globale de ses stratégies comme
le recyclage, le reconditionnement et la réutilisation des produits. Le principal défi étant la
récupération des produits en fin de vie.

L’Industrie 4.0 et ses technologies numériques peuvent permettre de surmonter cet obstacle.
En effet, elles peuvent faciliter la sélection des produits FDV, et elles peuvent aussi être à
l’origine de l’Économie Circulaire grâce à l’Internet des Objets : les produits connectés
permettraient une surveillance de leur état de dégradation. On pourrait alors contrôler le retour
des produits FDV. La chaine d’approvisionnement comprendrait ainsi une chaîne de retour qui
se bouclerait avec la chaîne directe de production et de distribution : on parle de chaîne
d’approvisionnement en boucle fermée (CLSC). Il serait alors possible avec l’Industrie 4.0 de
construire l’Économie Circulaire sur ce type de chaine d’approvisionnement durable. Nous
avons donc défini plus précisément les chaines d’approvisionnement en boucle fermée et le
principe de logistique inverse. Nous avons mis en évidence le manque de recherches sur les
outils décisionnels au niveau opérationnel des CLSC considérant toutes les stratégies de
96

l’Économie Circulaire. Nous avons aussi souligné l’absence d’optimisation de récupération

des produits FDV grâce à la prévision de l’état de dégradation.

Dans le chapitre 2, nous avons présenté un modèle de CLSC prenant en compte toutes les
stratégies de l’Économie Circulaire, considérant plusieurs produits, de l’extraction de la
matière première au produit final, en passant par la fabrication des composants et leurs
assemblages. On a appelé Fabrication Circulaire (Circular Manufacturing) cette considération
de l’Économie Circulaire au niveau de la fabrication et de la refabrication des produits. Nous
avons ensuite créé un moyen de contrôle des produits durant leur vie basée sur l’IoT, pour
prédire l’évolution de leur état de dégradation.

L’écriture d’un modèle mathématique en programmation linéaire mixte qui régit le

comportement de la CLSC développée a permis l’optimisation des flux de matières premières,
composants et produits. La sensibilité de ce modèle a été étudié avec un cas concret, celui des
smartphones de la marque Fairphone. On a ainsi obtenu modèle de prise de décision
opérationnelle, pour la récupération des produits en fin de vie afin d’optimiser les CLSC dans
le contexte de l’Industrie 4.0.

Dans le chapitre 3, nous avons proposé une démarche pour définir un modèle de prédiction de
l’état de dégradation des produits FDV. Établir ce type de modèle demanderait d’étudier à la
fois le comportement des utilisateurs face aux dégâts sur les produits afin de savoir quand ils
seraient prêts à se séparer de leurs produits. Il serait aussi nécessaire de quantifier la
dégradation des produits FDV. Pour un écran de smartphone par exemple, des systèmes de
reconnaissances d’images peuvent classer les dégâts selon différentes catégories et mesurer
l’étendue de ceux-ci. Un système de prévision nécessite de faire le lien entre la vie du produit
et l’état de dégradation. Les algorithmes d’apprentissage machine peuvent établir des modèles
réalisant ce lien malgré le nombre important de variables pouvant influencer l’état de
dégradation. Ce modèle de prédiction permettrait de contrôler la boucle de retour de la chaine
d’approvisionnement en boucle fermée en indiquant au fabricant l’état de dégradation du
produit.
 RECOMMANDATIONS

Les travaux réalisés dans la cadre de ce mémoire ouvrent des perspectives de recherche
prometteuses. Nous décrivons brièvement ci-dessous quelques pistes qui nous semblent
intéressantes pour la logistique inverse en boucle fermée. Les extensions possibles pour le
modèle décrit au chapitre 2 sont les suivantes :

• Estimer l’impact de la mise en place du modèle de chaine d’approvisionnement du

chapitre 2 sur l’émission de gaz à effet de serre.

• Dans le modèle du chapitre 2, étudier l’impact d’une quantité variable de produits FDV
disponibles pour récupération et d’une demande variable en produits refabriqués.

• Déterminer les diot d’un produit réel et de ses composants en se référant à la démarche
présentée au chapitre 3, afin de mesurer les bénéfices économiques avec le modèle du
chapitre 2 avec des données mesurées réellement.

• Établir des processus de refabrication de produits en fin de vie : technologies utilisées,

réalisation, temps nécessaires, besoins en matières premières et en énergie, coûts…

• La collecte massive de données pour réaliser le modèle du chapitre 2 demande

l’utilisation de serveurs informatiques comme centre de données. Ces centres de
données doivent être refroidis par des systèmes de climatisation consommant beaucoup
d’énergie (ADEME, 2017). La chaîne d’approvisionnement proposé visant à réduire
l’impact des activités humaines sur l’environnement, il serait intéressant d’estimer le
coût environnemental de cette récupération des données.
 ANNEXE I

PROGRAMME LINGO POUR L’ÉTUDE DE CAS

MODEL:
!CLSC with remanufacturing and DIOT;

SETS:
PROD_T /I1..I100/;
P_RANGE /N1/ : P_stockinn, NP_stockinn, h1n, h2n, eln, an, dn, P_stockmaxn,
NP_stockmaxn, g1n, g2n, g3n, g4n, g5n, g6n, scpn, rpan;
COMPONENT /J1..J10/ : mj, ej, h1j, h3j, h4j, UC_stockinj, UC_stockmaxj, NC_stockinj,
NC_stockmaxj, g7j, g8j, g9j, g10j, g11j, g12j, g13j, g14j, g15j, g16j, g17j, sccj;
MULTI (P_RANGE, COMPONENT) : weightnj, cnnj;
RAW_MAT/ K1..K27/: h4k, h5k, h6k, h7k, rpk, rck, pmk, RM_stockink, RM_stockmaxk,
g18k, g19k, g20k, g21k, scmk, rcmk;
PERIOD /T1/;
RANGE_DEM(PERIOD, P_RANGE) : dmnt, dmnnt, Rnt, Qnt, Vnt, Znt, Pnt, Unt, Knt, Fnt,
P_stocknt, NP_stocknt;
PRODUCT (PERIOD, P_RANGE, PROD_T) : diotnit, disnit, recnit, wasnit, rnit, dv_prod1nit,
dv_prod2nit, dv_prod3nit, useless1nit, useless2nit;
ROUTE (PERIOD, COMPONENT) : Mjt, Xjt, Yjt, Cjt, Rfcjt, Djt, R1jt, Hjt, Sjt, Njt, Wjt,
dmcjt, dmsjt, NC_stockjt, UC_stockjt;
DEVICE (PERIOD, P_RANGE, PROD_T, COMPONENT): diotnijt, reunijt, remnijt, recnijt,
wasnijt, fnijt, dv_comp1nijt, dv_comp2nijt, dv_comp3nijt, dv_comp4nijt;
COMPOSITION (COMPONENT, RAW_MAT) : njk, rnjk, cmjk;
ROUTE_MAT (PERIOD, RAW_MAT) : M1kt, M1Skt, RM1kt, RCM1kt, RPM1kt, NM1kt,
REM1kt, MC1kt, MC2kt, dmkt, RM_stockkt;
ENDSETS
100

DATA:

!Export des valeurs sur une feuille Excel;

profit = @OLE('C:\Users\AP80990\Desktop\Result_mf_FAIR_V2.xlsx', 'TP');

@OLE('C:\Users\AP80990\Desktop\Result_mf_FAIR_V2.xlsx') = Rnt;
@OLE('C:\Users\AP80990\Desktop\Result_mf_FAIR_V2.xlsx') = Pnt;
@OLE('C:\Users\AP80990\Desktop\Result_mf_FAIR_V2.xlsx') = Unt;
@OLE('C:\Users\AP80990\Desktop\Result_mf_FAIR_V2.xlsx') = Qnt;
@OLE('C:\Users\AP80990\Desktop\Result_mf_FAIR_V2.xlsx') = Fnt;
@OLE('C:\Users\AP80990\Desktop\Result_mf_FAIR_V2.xlsx') = Knt;
@OLE('C:\Users\AP80990\Desktop\Result_mf_FAIR_V2.xlsx') = Znt;
@OLE('C:\Users\AP80990\Desktop\Result_mf_FAIR_V2.xlsx') = Vnt;
@OLE('C:\Users\AP80990\Desktop\Result_mf_FAIR_V2.xlsx') = P_stocknt;
@OLE('C:\Users\AP80990\Desktop\Result_mf_FAIR_V2.xlsx') = NP_stocknt;
@OLE('C:\Users\AP80990\Desktop\Result_mf_FAIR_V2.xlsx') = rnit;
@OLE('C:\Users\AP80990\Desktop\Result_mf_FAIR_V2.xlsx') = diotnit;
@OLE('C:\Users\AP80990\Desktop\Result_mf_FAIR_V2.xlsx') = fnijt;
@OLE('C:\Users\AP80990\Desktop\Result_mf_FAIR_V2.xlsx') = Xjt;
@OLE('C:\Users\AP80990\Desktop\Result_mf_FAIR_V2.xlsx') = Yjt;
@OLE('C:\Users\AP80990\Desktop\Result_mf_FAIR_V2.xlsx') = Wjt;
@OLE('C:\Users\AP80990\Desktop\Result_mf_FAIR_V2.xlsx') = Hjt;
@OLE('C:\Users\AP80990\Desktop\Result_mf_FAIR_V2.xlsx') = Njt;
@OLE('C:\Users\AP80990\Desktop\Result_mf_FAIR_V2.xlsx') = Djt;
@OLE('C:\Users\AP80990\Desktop\Result_mf_FAIR_V2.xlsx', "Runjt") = R1jt;
@OLE('C:\Users\AP80990\Desktop\Result_mf_FAIR_V2.xlsx') = Rfcjt;
@OLE('C:\Users\AP80990\Desktop\Result_mf_FAIR_V2.xlsx') = Sjt;
@OLE('C:\Users\AP80990\Desktop\Result_mf_FAIR_V2.xlsx') = Cjt;
@OLE('C:\Users\AP80990\Desktop\Result_mf_FAIR_V2.xlsx') = Mjt;
@OLE('C:\Users\AP80990\Desktop\Result_mf_FAIR_V2.xlsx') = UC_stockjt;
 101

@OLE('C:\Users\AP80990\Desktop\Result_mf_FAIR_V2.xlsx') = NC_stockjt;
@OLE('C:\Users\AP80990\Desktop\Result_mf_FAIR_V2.xlsx') = NM1kt;
@OLE('C:\Users\AP80990\Desktop\Result_mf_FAIR_V2.xlsx') = M1kt;
@OLE('C:\Users\AP80990\Desktop\Result_mf_FAIR_V2.xlsx') = RM1kt;
@OLE('C:\Users\AP80990\Desktop\Result_mf_FAIR_V2.xlsx') = M1Skt;
@OLE('C:\Users\AP80990\Desktop\Result_mf_FAIR_V2.xlsx') = REM1kt;
@OLE('C:\Users\AP80990\Desktop\Result_mf_FAIR_V2.xlsx') = MC1kt;
@OLE('C:\Users\AP80990\Desktop\Result_mf_FAIR_V2.xlsx') = MC2kt;
@OLE('C:\Users\AP80990\Desktop\Result_mf_FAIR_V2.xlsx') = RCM1kt;
@OLE('C:\Users\AP80990\Desktop\Result_mf_FAIR_V2.xlsx') = RPM1kt;
@OLE('C:\Users\AP80990\Desktop\Result_mf_FAIR_V2.xlsx') = RM_stockkt;
@OLE('C:\Users\AP80990\Desktop\Result_mf_FAIR_V2.xlsx') = h4j;
@OLE('C:\Users\AP80990\Desktop\Result_mf_FAIR_V2.xlsx') = h1n;
@OLE('C:\Users\AP80990\Desktop\Recup_TP.xlsx', 'ZA1') = profit;

!Variables;

!Rapport de vente;
rv = 0.6;

!Device of Internet of things;

diotnijt = @FILE('C:\Users\AP80990\Desktop\DIOT');

!Coût de fabrication de la composante j;

mj = 17.5 14 60.9 17.5 31.5 2.1 21 63 2.1 2.1;

!Coût de montage du produit n;

an = 2.2;

! Coût de démontage du produit n;

102

dn = 2.2;

!Coût d'élimination de la composante j;

ej = 0.6, 3, 1, 1.5, 2.0, 1.5, 0, 0, 0, 0;

!Coût d'élimination du produit;

eln = 4;

!Prix de vente du produit avec des composants neufs uniquement;

h2n = 407;

!Unités prix de vente de la pièce j neuve;

h3j = 20.8 16.7 72.5 20.8 37.5 2.5 25.0 75.0 2.5 2.5;

!Nombre de composant j dans un produit n;

cnnj = 1 1 1 1 1 1 1 1 1 1;

!Demande de produit n avec des composants neufs uniquement du centre S & C pendant la
période t;
dmnnt = 150;

!Demande de produit n du centre S & C pendant la période t;

dmnt = 100;

!Demande du nouveau composant j du centre S & C pendant la période t;

dmsjt = 10 10 10 10 10 10 10 10 10 10;

!Demande du composant j usee du centre S & C pendant la période t;

dmcjt = 5 5 5 5 5 5 5 5 5 5;
 103

!Poids des composants;

weightnj = 0.075142161 0 0.258327 0.08245329 0.136880585 0.017465
0.095857 0.298944 0.017465 0.017465;

!Valeurs seuils;
ni1 = 0;
ni2 = 3;
nj1 = 0;
nj2 = 3;
nj3 = 8;

!Raw materials;

!Matériau k nécessaire pour le composant j;

njk = 0 0 0 0 0 0 0 0 0 15.7 0
0 0 4 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 14.06 9.12 5.32 1 0 0
0 0 0 0 0 0 0 0.01355923 0.00477082
0.04770821 0.36576154 0.007158974 0.007515385 0.004510256
0.293846154 0.082669231 0 0 0 0 0 0 0 0
0 15 0 0 0 0 0.0038871 0.1878765 0
0.0058 0.01431718 0.00501834 0.05018342 0.39014564 0.007636239
0.00801641 0.00481094 0.313435897 0.088180513 1.6023 1.4597 0.773 0
0 0 0 0 0 0 0 0 0 0 0.0038871
0.1878765 1.1 0 0.01431718 0.00501834 0.05018342
0.39014564 0.007636239 0.00801641 0.00481094 0.313435897
0.088180513 0.80115 0.5065 0.5065 0 0 0 0 0 0
0 0 0 0 0 0.0038871 0.1878765 0.688 0 0
0 0 0 0 0 0 0 0 0 0 0 0
104

0 0 0 0 0 0 0 0 0 0 0 0
1 0 0.01214654 0.00335269 0.03352692 0.21945692
0.004295385 0.004509231 0.002706154 0.176307692 0.049601538 0.7672
1.6843 1.3555 0.084 0 0 0 0 0 0 1.12294
0.05 0.011 0.01 0.0038871 0.1878765 1.199 0 0.01934487
0.011 0.11 0.06096026 0.001193162 0.001252564 0.000751709
0.048974359 0.013778205 8.0115 8.4215 6.7775 0 0 0 0 0
0 0 0 0 0 0 0.0038871 0.1878765 0 0
0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0.3 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0.373 0 0 0
0 0 0 0 0 0;

!Part récupéré de matériau k sur le composant j;

rck = 0.9 0.95 0.75 0.95 0.95 0.95 0.95 0.95 0.85 0.95
0.95 0.95 0.95 0.95 0.95 0.9 0.95 0.15 0.95 0.05 0.05
0.85 0.05 0.05 0.75 0.05 0.95;

!Part récupéré de matériau k sur un produit;

rpk = 0.9 0.95 0.95 0.95 0.95 0.95 0.95 0.95 0.85 0.95
0.95 0.95 0.95 0.95 0.95 0.9 0.95 0.05 0.95 0.05 0.05
0.95 0.05 0.05 0.65 0.75 0.95;

!Prix de vente du matériau brut;

h4k = 0.008 31.240 0.245 0.003 1.046 0.001 0.136 0.005 0.091 0.001
0.001 0.002 0.150 0.001 0.014 0.001 0.023 0.001 0.001 0.014 0.049
25.220 0.000 0.069 0.008 0.000 0.057;

!Prix de vente du matériau k recyclé depuis le composant j;

 105

h5k = 0.008 31.240 0.245 0.003 1.046 0.001 0.136 0.005 0.091 0.001
0.001 0.002 0.150 0.001 0.014 0.001 0.023 0.001 0.001 0.014 0.049
25.220 0.000 0.069 0.008 0.000 0.057;

!Prix de vente du matériau k recyclé depuis le produit;

h6k = 0.008 31.240 0.245 0.003 1.046 0.001 0.136 0.005 0.091 0.001
0.001 0.002 0.150 0.001 0.014 0.001 0.023 0.001 0.001 0.014 0.049
25.220 0.000 0.069 0.008 0.000 0.057;

!Prix de vente du matériau k recyclé depuis les copeaux d'usinage;

h7k =0.008 31.240 0.245 0.003 1.046 0.001 0.136 0.005 0.091 0.001
0.001 0.002 0.150 0.001 0.014 0.001 0.023 0.001 0.001 0.014 0.049
25.220 0.000 0.069 0.008 0.000 0.057 ;

!Prix d'achat du matériau k;

pmk = 1.52E-02 6.25E+01 4.90E-01 5.25E-03 2.09E+00
2.27E-03 2.73E-01 9.09E-03 1.82E-01 2.70E-03 2.00E-03
3.00E-03 3.00E-01 2.71E-03 2.72E-02 2.26E-03 4.53E-02
1.64E-03 1.36E-03 2.74E-02 9.84E-02 5.04E+01 1.22E-04
1.37E-01 1.52E-02 7.00E-04 1.15E-01 ;

!Demande en matériau brut;

dmkt = 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0;

!Stock;

!Stock initial de composants neufs;

NC_stockinj = 0 0 0 0 0 0 0 0 0 0;

!Stock initial de composants utilisés ;

106

UC_stockinj = 0 0 0 0 0 0 0 0 0 0;

!Stock initial de produits avec des composants neufs uniquement;

NP_stockinn = 0;

!Stock initial de produits;

P_stockinn = 0;

!Stock initial de matière première;

RM_stockink = 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0,
0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0;

!Stock maximum de composants neufs;

NC_stockmaxj = 200 200 200 200 200 200 200 200 200 200;

!Stock maximum de composants usés;

UC_stockmaxj =200 200 200 200 200 200 200 200 200 200;

!Stock maximum de produits avec des composants neufs uniquement;

NP_stockmaxn = 5;

!Stock maximum de produits;

P_stockmaxn = 200;

!Stock maximum de matières premières;

RM_stockmaxk = 100000 100000 100000 100000 100000 100000 100000 100000
100000 100000 100000 100000 100000 100000 100000 100000 100000 100000
100000 100000 100000 100000 100000 100000 100000 100000 100000;

!Coût de stockage;
 107

scpn = 0.0;
sccj = 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0;
scmk = 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0,
0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0;

!Transport;

!Product;
g1n = 0;
g2n = 0;
g3n = 0;
g4n = 0;
g5n = 0;
g6n = 0;

!Components;
g7j = 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0;
g8j = 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0;
g9j = 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0;
g10j = 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0;
g11j = 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0;
g12j = 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0;
g13j = 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0;
g14j = 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0;
g15j = 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0;
g16j = 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0;
g17j = 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0;

!Raw materials;
108

g18k = 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0,
0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0;
g19k = 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0,
0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0;
g20k = 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0,
0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0;
g21k = 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0,
0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0;

ENDDATA

@FOR(P_RANGE(N) : rpan(N) = @SUM(COMPONENT(J): cnnj(N,J) * mj(J)));

!Coût de recovered;
@FOR(PRODUCT(T,N,I) :
rnit(T,N,I) = @IF(diotnit#GE#ni2, rpan(N) * diotnit(T,N,I) / (10-ni2) -
rpan(N)*ni2/(10-ni2),0));

!Coût de remise à neuf de la composante j;

@FOR(DEVICE(T,N,I,J) : fnijt(T,N,I,J) = @IF((diotnijt#GE#nj2) #AND#
(diotnijt#LT#nj3),0.5*((0-mj(J))/(nj3-nj2)*diotnijt(T,N,I,J)+(mj(J)*nj3)/(nj3-
nj2)),0));

!Unités prix de vente de la pièce j usée;

@FOR(COMPONENT(J) : h4j(J) = rv * h3j(J));

!Prix de vente du produit remanufacturé;

@FOR(P_RANGE(N) : h1n(N) = rv * h2n(N)) ;

!Matériau nécessaire au remanufacturing des composants;

 109

@FOR(COMPOSITION(J,K) : rnjk = 0 * njk);

!Matériau perdu dans les copeaux d'usinage des composants;

@FOR(COMPOSITION(J,K) : cmjk = 0 * njk);

!dioti;
@FOR(PRODUCT(T,N,I):
diotnit(T,N,I) = @SUM(COMPONENT(J) : diotnijt(T,N,I,J) * weightnj(N,J)));

!niveau de valeur du retour j;

@FOR(DEVICE(T,N,I,J):
reunijt = @IF(diotnijt#LT#nj3, 0, dv_comp4nijt));

@FOR(DEVICE(T,N,I,J):
remnijt = @IF(diotnijt#LT#nj2, 0, dv_comp3nijt));

@FOR(DEVICE(T,N,I,J):
recnijt = @IF(diotnijt#LT#nj1, 0, dv_comp2nijt));

@FOR(DEVICE(T,N,I,J):
wasnijt = dv_comp1nijt);

!niveau de valeur du retour i;

@FOR(PRODUCT(T,N,I):
disnit = @IF(diotnit#LT#ni2, 0, dv_prod3nit));

@FOR(PRODUCT(T,N,I):
recnit = @IF(diotnit#LT#ni1 ,0, dv_prod2nit));
110

@FOR(PRODUCT(T,N,I):
wasnit = dv_prod1nit);

!Sélection;

@FOR(PRODUCT(T,N,I): useless1nit = @IF(diotnit#GE#ni2,1,0)*wasnit);

@FOR(PRODUCT(T,N,I): useless2nit = @IF(diotnit#GE#ni2,1,0)*recnit);

UselessCost = @SUM(PRODUCT(T,N,I): (useless1nit + useless2nit) * rnit);

Surplus = @SUM(PRODUCT(T,N,I) : @SUM(COMPOSITION(J,K) : useless2nit(N,I,T) *
h6k(K) * rpk(K) * njk(J,K) * cnnj(N,J)));

!Quantité de produits réparés envoyées du centre de réparation au centre de distribution

pendant la période t;
@FOR(RANGE_DEM(T,N):
Qnt(T,N) = @SUM(PROD_T(I) : disnit(T,N,I)));

!Total de produits recyclés pendant la pérode t;

@FOR(RANGE_DEM(T,N):
Pnt(T,N) = @SUM(PROD_T(I) : recnit(T,N,I)));

!Total de produits jetés pendant la pérode t;

@FOR(RANGE_DEM(T,N):
Unt(T,N) = @SUM(PROD_T(I): wasnit(T,N,I)));

!Total de composants jetés après désassemblage;

@FOR(ROUTE(T,J):
Mjt(T,J) = @SUM(P_RANGE(N) : cnnj(N,J) * @SUM(PROD_T(I) : wasnijt(T,N,I,J) *
disnit(T,N,I))));
 111

!Total de composants remis à neuf après désassemblage;

@FOR(ROUTE(T,J):
Rfcjt(T,J) = @SUM(P_RANGE(N) : cnnj(N,J) * @SUM(PROD_T(I) : remnijt(T,N,I,J) *
disnit(T,N,I))));

!Total de composants recyclés après désassemblage;

@FOR(ROUTE(T,J):
Cjt(T,J) = @SUM(P_RANGE(N) : cnnj(N,J) * @SUM(PROD_T(I) : recnijt(T,N,I,J) *
disnit(T,N,I))));

!Total de composants reutilisés;

@FOR(ROUTE(T,J):
R1jt(T,J) = @SUM(P_RANGE(N) : cnnj(N,J) * @SUM(PROD_T(I) : reunijt(T,N,I,J) *
disnit(T,N,I))));

!Fonction objectif;

!Total Revenu;

!Revenu des ventes de produits refabriqués;

TRSP = @SUM(RANGE_DEM(T,N): h1n(N) * Vnt(T,N));

!Revenu des ventes de produits neufs;

TRSNP = @SUM(RANGE_DEM(T,N): h2n(N) * Knt(T,N));

!Revenu des ventes des composants neufs;

TRNC = @SUM(ROUTE(T,J) : h3j(J) * Yjt(T,J));

!Revenu des ventes des composants refabriqués;

112

TRUC = @SUM(ROUTE(T,J) : h4j(J) * Sjt(T,J));

!Revenu grâce au recyclage des composants;

TRRC = @SUM(PERIOD(T) : @SUM(COMPOSITION(J,K) :
Cjt(T,J) * h5k(K) * njk(J,K) * rck(K)));

!Revenu grâce au recyclage des produits;

TRRP = @SUM(PERIOD(T) : @SUM(COMPOSITION(J,K) :
@SUM(P_RANGE(N) : Pnt(T,N) * h6k(K) * rpk(K) * njk(J,K) * cnnj(N,J))));

!Revenu grâce au recyclage des copeaux;

TRRMC = @SUM(ROUTE_MAT(T,K) : MC1kt(T,K) * h7k(K));

!Revenu grâce à la vente des matières premières;

TRSM = @SUM(ROUTE_MAT(T,K) : RM1kt(T,K) * h4k(K));

TR = TRSP + TRSNP + TRNC + TRUC + TRRC + TRRP + TRRMC + TRSM;

!Total Cost

!Coût total d'achat;

!Coût total d'achat de la matière première;

TPC1 = @SUM(ROUTE_MAT(T,K) : M1kt(T,K) * pmk(K));

!Coût total d'achat des produits récupérés;

TPC2 = @SUM(PRODUCT(T,N,I) : rnit(T,N,I));

TPC = TPC1 + TPC2;

 113

!Coût total de fabrication;

!Coût de manufacturing des composants;

TMC1 = @SUM(ROUTE(T,J) : Xjt(T,J) * mj(J));

!Coût d'assemblage des produits;

TMC2 = @SUM(RANGE_DEM(T,N) : an(N) * (Znt(T,N) +
Fnt(T,N)));

!Coût de désassemblage des composants des produits réparés;

TMC3 = @SUM(RANGE_DEM(T,N) : dn(N) * Qnt(T,N));

!Coût de remanufacturing des composants;

TMC4 = @SUM(DEVICE(T,N,I,J) : fnijt(T,N,I,J));

TMC = TMC1 + TMC2 + TMC3 + TMC4;

!Coût d'élimination;

!Coût d'élimination des produits;

TDC1 = @SUM(RANGE_DEM(T,N) : Unt(T,N) * eln(N));

!Coût d'élimination des composants;

TDC2 = @SUM(ROUTE(T,J) : Mjt(T,J) * ej(J));

TDC = TDC1 + TDC2;

!Coût de transport;

!Coût de transport des produits;

114

TTC1 = @SUM(RANGE_DEM(T,N) : g1n(N) * Znt(T,N) +

g2n(N) * Vnt(T,N) + g3n(N) * Qnt(T,N) + g4n(N) * Unt(T,N) + g5n(N) * Fnt(T,N) + g6n(N)
* Knt(T,N) );

!Coût de transport des composants;

TTC2 = @SUM(ROUTE(T,J) : Xjt(T,J) * g7j(J) + Yjt(T,J) * g8j(J) +
Hjt(T,J) * g9j(J) + Njt(T,J) * g10j(J) + Djt(T,J) * g11j(J) + Wjt(T,J) * g12j(J)
+ R1jt(T,J) * g13j(J) + Rfcjt(T,J) * g14j(J) + Cjt(T,J) * g15j(J) + Mjt(T,J) * g16j(J) + Sjt(T,J)
* g17j(J));

!Coût de transport des matières premières;

TTC3 = @SUM(ROUTE_MAT(T,K) : RM1kt(T,K) * g18k(K)
+ M1Skt(T,K) * g19k(K) + REM1kt(T,K) * g20k(K) + MC1kt(T,K) * g21k(K) );

TTC = TTC1 + TTC2 + TTC3;

!Coût de stockage;

!Coût de stockage des produits;

TSC1 = @SUM(RANGE_DEM(T,N) : (P_stocknt(T,N)+
NP_stocknt(T,N)) * scpn(N));

!Coût de stockage des composants;

TSC2 = @SUM(ROUTE(T,J) : (UC_stockjt(T,J) +
NC_stockjt(T,J)) * sccj(J));

!Coût de stockage des matières premières;

TSC3 = @SUM(ROUTE_MAT(T,K) : RM_stockkt(T,K) *
scmk(K));
 115

TSC = TSC1 + TSC2 + TSC3;

TC = TPC + TMC + TDC + TTC + TSC;

!Objectif;
TP = TR - TC - Surplus + UselessCost;
MAX = TP;

!Constraints;
!Raw Materials
!Total de matières premières récupérées de composants;
@FOR(ROUTE_MAT(T,K):
RCM1kt(T,K) = @SUM(COMPONENT(J) : Cjt(T,J) * rck(K) * njk(J,K)));

!Total de matières premières récupérées de produits;

@FOR(ROUTE_MAT(T,K):
RPM1kt(T,K) = @SUM(P_RANGE(N) : Pnt(T,N) * rpk(K) *
@SUM(COMPONENT(J) : cnnj(N,J) * njk(J,K))));

!Conservation de la matiere premiere;

@FOR(ROUTE_MAT(T,K): M1kt = NM1kt + RCM1kt + RPM1kt + MC2kt);

!Matières premières nécessaires pour fabriquer les composants;

@FOR(ROUTE_MAT(T,K) :
M1Skt(T,K) - MC1kt(T,K) = @SUM(COMPONENT(J) : Xjt(T,J) * njk(J,K)));

!Matière première nécessaire au remanufacturing;

@FOR(ROUTE_MAT(T,K) :
REM1kt(T,K) = 0);
116

!Matière première perdue dans l'usinage des composants;

@FOR(ROUTE_MAT(T,K) :
MC1kt(T,K) = 0);

!Matière première recyclé dans les copeaux d'usinage;

@FOR(ROUTE_MAT(T,K) :
MC2kt(T,K) = rcmk(K) * MC1kt(T,K));

!Respect de la demande en matière première;

@FOR(ROUTE_MAT(T,K) :
RM1kt(T,K) =0);

!Products

!Respect de la demande en produit;

@FOR(RANGE_DEM(T,N) : Vnt(T,N) <= dmnt(T,N));

!Respect de la demande en produit composés de composants neufs uniquement;

@FOR(RANGE_DEM(T,N) : Knt(T,N) <= dmnnt(T,N));

!Components

!Les composants remanufacturés sont égaux en nombre à ceux revendus;

@FOR(ROUTE(T,J) : Rfcjt(T,J) - Djt(T,J) = 0);

!Nombre suffisant de composants pour fabriquer Fnt produits;

@FOR(ROUTE(T,J) : Wjt(T,J) - @SUM(P_RANGE(N) : cnnj(N,J) *
Fnt(T,N)) = 0);

!Nombre suffisant de composants pour fabriquer Znt produits;

 117

@FOR(ROUTE(T,J) : Hjt(T,J) + Njt(T,J) - @SUM(P_RANGE(N) : cnnj(N,J)

* Znt(T,N)) = 0);

!La demande en composants remanufacturés peut être compenser par des

composants neufs, la demande en composants neufs doit être satisfaites;
@FOR(ROUTE(T,J) : Sjt(T,J) <= dmcjt(T,J));

!La demande en composants neufs peut être compenser par des composants
neufs, la demande en composants neufs doit être satisfaites;
@FOR(ROUTE(T,J) : Yjt(T,J) <= dmsjt(T,J));

!Stock;

!Total des composants uses arrivants au stock à la période t;

@FOR(ROUTE(T,J):
UC_stockjt(T,J) = @IF((T-1 #EQ# 0), UC_stockinj(J) + Djt(T,J) - Njt(T,J) -
Sjt(T,J) + R1jt(T,J), UC_stockjt(T-1,J) + Djt(T,J) - Njt(T,J) - Sjt(T,J) + R1jt(T,J)));

!Total des composants neufs arrivants au stock à la période t;

@FOR(ROUTE(T,J):
NC_stockjt(T,J) = @IF(T-1 #EQ# 0, NC_stockinj(J) + Xjt(T,J) - Hjt(T,J) - Wjt(T,J) -
Yjt(T,J), NC_stockjt(T-1,J) + Xjt(T,J) - Hjt(T,J) - Wjt(T,J) - Yjt(T,J)));

!Total des produits arrivants au stock à la période t;

@FOR(RANGE_DEM(T,N):
P_stocknt(T,N) = @IF(T-1 #EQ# 0, P_stockinn(N) + Znt(T,N) - Vnt(T,N),
P_stocknt(T-1,N) + Znt(T,N) - Vnt(T,N)));

!Total des produits avec des composants neufs seulement arrivants au stock à la période
t;
118

@FOR(RANGE_DEM(T,N):
NP_stocknt(T,N) = @IF(T-1 #EQ# 0, NP_stockinn(N) + Fnt(T,N) - Knt(T,N),
NP_stocknt(T-1,N) + Fnt(T,N) - Knt(T,N)));

!Total des matières premières arrivants au stock à la période t;

@FOR(ROUTE_MAT(T,K):
RM_stockkt(T,K) = @IF(T-1 #EQ# 0, RM_stockink(K) + M1kt(T,K) -
M1Skt(T,K) - RM1kt(T,K) - REM1kt(T,K), RM_stockkt(T-1,K) + M1kt(T,K) -
M1Skt(T,K) - RM1kt(T,K) - REM1kt(T,K)));

!Le nombre de composants utilisés ne doit pas dépasser ce dont on dispose vraiment;
@FOR(ROUTE(T,J) : NC_stockjt(T,J) >= 0);
@FOR(ROUTE(T,J) : UC_stockjt(T,J) >= 0);
@FOR(ROUTE(T,J) : @GIN(NC_stockjt(T,J)));
@FOR(ROUTE(T,J) : @GIN(UC_stockjt(T,J)));

!Le nombre de produits utilisés ne doit pas dépasser ce dont on dispose vraiment;
@FOR(RANGE_DEM(T,N) : P_stocknt(T,N) >= 0);
@FOR(RANGE_DEM(T,N) : NP_stocknt(T,N) >= 0);

@FOR(RANGE_DEM(T,N) : @GIN(P_stocknt(T,N)));
@FOR(RANGE_DEM(T,N) : @GIN(NP_stocknt(T,N)));

!Le nombre de matières premières utilisées ne doit pas dépasser ce dont on dispose
vraiment;
@FOR(ROUTE_MAT(T,K) : RM_stockkt(T,K) >= 0);

!Limites de stock;
@FOR(RANGE_DEM(T,N) : NP_stocknt(T,N) <= NP_stockmaxn(N));
@FOR(RANGE_DEM(T,N) : P_stocknt(T,N) <= P_stockmaxn(N));
 119

@FOR(ROUTE(T,J) : NC_stockjt(T,J) <= NC_stockmaxj(J));

@FOR(ROUTE(T,J) : UC_stockjt(T,J) <= UC_stockmaxj(J));
@FOR(ROUTE_MAT(T,K) : RM_stockkt(T,K) <= RM_stockmaxk(K));

!Les composants et les produits sont entiers;

@FOR(ROUTE(T,J) : @GIN(Xjt(T,J)));
@FOR(ROUTE(T,J) : @GIN(Yjt(T,J)));
@FOR(ROUTE(T,J) : @GIN(Wjt(T,J)));
@FOR(ROUTE(T,J) : @GIN(Hjt(T,J)));
@FOR(ROUTE(T,J) : @GIN(Njt(T,J)));
@FOR(ROUTE(T,J) : @GIN(Djt(T,J)));
@FOR(ROUTE(T,J) : @GIN(R1jt(T,J)));
@FOR(ROUTE(T,J) : @GIN(Rfcjt(T,J)));
@FOR(ROUTE(T,J) : @GIN(Sjt(T,J)));
@FOR(ROUTE(T,J) : @GIN(Cjt(T,J)));
@FOR(ROUTE(T,J) : @GIN(Mjt(T,J)));
@FOR(RANGE_DEM(T,N) : @GIN(Rnt(T,N)));
@FOR(RANGE_DEM(T,N) : @GIN(Pnt(T,N)));
@FOR(RANGE_DEM(T,N) : @GIN(Unt(T,N)));
@FOR(RANGE_DEM(T,N) : @GIN(Qnt(T,N)));
@FOR(RANGE_DEM(T,N) : @GIN(Fnt(T,N)));
@FOR(RANGE_DEM(T,N) : @GIN(Znt(T,N)));
@FOR(RANGE_DEM(T,N) : @GIN(Vnt(T,N)));
@FOR(RANGE_DEM(T,N) : @GIN(Knt(T,N)));

!Les variables de décisions sont binaires;

@FOR(DEVICE : @BIN(dv_comp1nijt));
@FOR(DEVICE : @BIN(dv_comp2nijt));
120

@FOR(DEVICE : @BIN(dv_comp3nijt));
@FOR(DEVICE : @BIN(dv_comp4nijt));
@FOR(DEVICE : dv_comp1nijt + dv_comp2nijt + dv_comp3nijt + dv_comp4nijt = 1);
@FOR(PRODUCT : @BIN(dv_prod1nit));
@FOR(PRODUCT : @BIN(dv_prod2nit));
@FOR(PRODUCT : @BIN(dv_prod3nit));
@FOR(PRODUCT : dv_prod1nit + dv_prod2nit + dv_prod3nit = 1);

END
 ANNEXE II

DONNÉES NUMÉRIQUES POUR L’ÉTUDE DE CAS (1)

Quantity of raw material k (Geldron) in each component j (𝑛 , ), proportion of raw material k

recovered from the recycling of a component (𝑟𝑐 ) and a product (𝑟𝑝 ), purchase price (in
€/g) of raw material k (𝑝𝑚 ), transportation costs (in €/g) of material k (ℎ5 … ℎ7 )
(cont’d)

k=1 k=2 k=3 k=4 k=5 k=6 k=7 k=8 k=9

j=1 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000
j=2 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000
j=3 0.0136 0.0048 0.0477 0.3658 0.0072 0.0075 0.0045 0.2938 0.0827
j=4 0.0143 0.0050 0.0502 0.3901 0.0076 0.0080 0.0048 0.3134 0.0882
j=5 0.0143 0.0050 0.0502 0.3901 0.0076 0.0080 0.0048 0.3134 0.0882
nj,k
j=6 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000
j=7 0.0121 0.0034 0.0335 0.2195 0.0043 0.0045 0.0027 0.1763 0.0496
j=8 0.0193 0.0110 0.1100 0.0610 0.0012 0.0013 0.0008 0.0490 0.0138
j=9 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000
j=10 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000
rck 0.9 0.95 0.75 0.95 0.95 0.95 0.95 0.95 0.85
rpk 0.9 0.95 0.95 0.95 0.95 0.95 0.95 0.95 0.85
pm k 1.5E-02 6.2E+01 4.9E-01 5.3E-03 2.1E+00 2.3E-03 2.7E-01 9.1E-03 1.8E-01
h5 k ... h7 k 0.008 31.240 0.245 0.003 1.046 0.001 0.136 0.005 0.091
 ANNEXE III

DONNÉES NUMÉRIQUES POUR L’ÉTUDE DE CAS (2)

Quantity of raw material k (Geldron) in each component j (𝑛 , ), proportion of raw material k

recovered from the recycling of a component (𝑟𝑐 ) and a product (𝑟𝑝 ), purchase price (in
€/g) of raw material k (𝑝𝑚 ), transportation costs (in €/g) of material k (ℎ5 … ℎ7 )
(cont’d)

k=10 k=11 k=12 k=13 k=14 k=15 k=16 k=17 k=18

j=1 15.700 0.000 0.000 0.000 4.000 0.000 0.000 0.000 0.000
j=2 0.000 0.000 0.000 0.000 0.000 14.060 9.120 5.320 1.000
j=3 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000
j=4 1.602 1.460 0.773 0.000 0.000 0.000 0.000 0.000 0.000
j=5 0.801 0.507 0.507 0.000 0.000 0.000 0.000 0.000 0.000
nj,k
j=6 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000
j=7 0.767 1.684 1.356 0.084 0.000 0.000 0.000 0.000 0.000
j=8 8.012 8.422 6.778 0.000 0.000 0.000 0.000 0.000 0.000
j=9 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.300
j=10 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.373
rck 0.95 0.9 0.95 0.15 0.95 0.95 0.95 0.95 0.95
rpk 0.95 0.9 0.95 0.05 0.95 0.95 0.95 0.95 0.95
pm k 2.7E-03 2.0E-03 3.0E-03 3.0E-01 2.7E-03 2.7E-02 2.3E-03 4.5E-02 1.6E-03
h5 k ... h7 k 0.001 0.001 0.002 0.150 0.001 0.014 0.001 0.023 0.001
 ANNEXE IV

DONNÉES NUMÉRIQUES POUR L’ÉTUDE DE CAS (2)

Quantity of raw material k (Geldron) in each component j (𝑛 , ), proportion of raw material k

recovered from the recycling of a component (𝑟𝑐 ) and a product (𝑟𝑝 ), purchase price (in
€/g) of raw material k (𝑝𝑚 ), transportation costs (in €/g) of material k (ℎ5 … ℎ7 )
(cont’d)

k=19 k=20 k=21 k=22 k=23 k=24 k=25 k=26 k=27

j=1 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000
j=2 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000
j=3 15.0000 0.0000 0.0000 0.0000 0.0000 0.1879 0.0000 0.0000 0.0058
j=4 0.0000 0.0000 0.0000 0.0000 0.0000 0.0039 0.0000 1.1000 0.0000
j=5 0.0000 0.0000 0.0000 0.0000 0.0000 0.0039 0.0000 0.6880 0.0000
nj,k
j=6 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 1.0000 0.0000
j=7 0.0000 1.1229 0.0500 0.0110 0.0100 0.0039 0.0000 1.1990 0.0000
j=8 0.0000 0.0000 0.0000 0.0000 0.0000 0.0039 0.0000 0.0000 0.0000
j=9 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000
j=10 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000
rck 0.9500 0.0500 0.0500 0.8500 0.0500 0.0500 0.7500 0.0500 0.9500
rpk 0.9500 0.0500 0.0500 0.9500 0.0500 0.0500 0.6500 0.7500 0.9500
pm k 1.4E-03 2.7E-02 9.8E-02 5.0E+01 1.2E-04 1.4E-01 1.5E-02 7.0E-04 1.1E-01
h5 k ... h7k 0.001 0.014 0.049 25.220 0.000 0.069 0.008 0.000 0.057
 APPENDICE I

PREUVE DE SOUMISSION DE L’ARTICLE DE REVUE

 APPENDICE II

ARTICLE DE CONFÉRENCE

Article de conférence « 8th International Conference on Information Systems, Logistics

and Supply Chain: Interconnected Supply Chains in an Era of Innovation (ILS 2020)
April 22-24, 2020, Austin, Texas, US ».

Publié dans «Proceedings of the eight International Conference on Information

Systems, Logistics and Supply Chain (ILS 2020) », p220-227.

Closed loop supply chain optimization for Circular Manufacturing using

Industry 4.0 technologies
Delpla Victor, Hof Lucas A., Kenné Jean-Pierre

Ecole de Technologie Supérieure, Montréal, Canada

{[email protected], [email protected], [email protected]}

Abstract. Closed-Loop Supply Chains (CLSC) fit into the logic of the circular economy aiming to limit the
unsustainable use of non-renewable resources. Circular manufacturing refers to the circular economy applied
to manufacturing industry. Industry 4.0 introduces new tools such as the Internet of Things (IoT) to optimize
CLSC's performance in this circular manufacturing context. This study proposes a CLSC model that meets the
sales and collection center (S&C) demands and maximizes total profit by indicating processing to be applied
to the End-of-Life (EOL) products collected. This processing is chosen according to the product or component
condition which is estimated by data collected during the product's life cycle using sensors and RFID. To solve
the proposed CLSC model, linear physical programming is used.
Keywords: “Close Loop Supply Chain”, “Internet of Things”, “Remanufacturing”, “RFID”, “Industry 4.0”

1. Introduction
126

Industry 4.0 is characterized by the intelligent automation and digitization of production,

management and decision-making systems in manufacturing companies. Its objective is to
improve the productivity and flexibility of the manufacturing sector. In view of increased
economic competition in the world and the growing importance of environmental issues,
recycling and remanufacturing are becoming essential activities for industry to develop.
Circular manufacturing is a model where limited resources are used sustainably, and products
are designed to reduce losses (Van den Berg et Bakker, 2015). The main objective of supply
chains is to provide products to customers in time and in the condition expected. It is therefore
necessary to have complete visibility of the products during their manufacture, use and
recovery. The processing of EOL products in a CLSC can be determine with integrated sensors
(Ondemir et al., 2012). Recycling, as the recovery of raw material, and disposal were the main
processing for EOL products, but with technological advances such as additive manufacturing
or high-precision machining, remanufacturing is now a possible processing option. Estimating
the remanufacturability of a product at the end of its life is crucial to determine its processing
after recovery. Its ecological impact and the profit generated by remanufacturing can be
examined (Yang et al., 2014). For instance, it is thus more profitable, under certain conditions,
to repair a turbine blade by additive manufacturing than to manufacture a new one (Wilson et
al., 2014). If a product or component is in too unsatisfactory a condition to be repaired,
recycling is an economically and ecologically viable solution. For example, the way a product
is disassembled before being recycled changes the amount of raw materials recovered (Reuter
et al., 2018). In the context of the circular economy, it is important to develop CLSC that
consider reuse, remanufacturing and recycling. IoT can be implemented on products with
sensors and RFID tags to determine the remaining service life of the products. Optimizing the
planning of remanufacturing, disassembly, recycling and disposal of these products is then
perfected (Ondemir et Gupta, 2014). Linear physical programming models take up this
planning optimization by maximizing total profit and quality. The conception of a product is
essential to satisfy the demands for products, components and raw materials (Joshi et Gupta,
2019). CLSC models consider the remanufacturing and elimination of a single modular product
and its components. The processing followed by the recovered products and components
 127

depends on their conditions which are evaluated by a number. This number is determined by
sensors collecting data, like various usage parameters, and stored on an RFID tag on the
product. This installation is called Device of Internet of Things (DIOT). The synthetic number
is also called DIOT. An example of current CLSC models using DIOT is shown in Figure 1
(Paksoy et al., 2016). The objective of this study is to: 1) improve the current DIOT based
CLSC model (Figure 1) to better approach industrial reality, in particular, raw materials and
stocks will be considered in the supply chain, and 2) to determine the processing choice of a
product and its components to optimize the total profit of the manufacturer by using the IoT
and the information collected on the components during their manufacture and use. This
information enables an effective evaluation of the product and components condition,
including their remanufacturability. We first set the objectives of the model and the
assumptions chosen. We then identify the parameters and variables of the model, its objective
function and its constraints. Finally, we test the model with a digital example with a modular
smartphone range.

Figure 1: CLSC model already existing in the literature.

2. Problem statement

This study focuses on a product and component manufacturer who wants to satisfy the
demands of a sales and collection center (S&C center). The manufacturer produces a range of
N different products composed of J separate components. An amount of K raw materials is
used for all components. The components of a product have a weight importance of 0 to 1 and
128

their sum is equal to 1. It recovers during each of the T periods up to I units of the products.
The manufacturer is supplied with raw material from an external supplier and can also sell
unprocessed raw material. The CLSC on which the problem is based is presented in Figure 2.
This model, with stocks and raw materials, more accurately reflects the industrial reality. This
manufacturer includes several stocks and workshops framed in Figure 2. This model also
considers multiple products and not a single product as in the existing models. EOL products
collected by the S&C center are purchased at a price corresponding to their value level. In this
study, there are three recovery options for products: disassembly, recycling and disposal. In
the disassembly option, components can undergo four processing: reuse, remanufacturing,
recycling or disposal. Products, components and raw materials are sold or stored to meet the
S&C demands.

The model aims to answer the following questions:

1) What recovery options should be selected for returned products (disassembled,
recycled or eliminated) and components (reused, remanufactured, recycled or disposed
of) for each period?
2) What products, components or raw materials should be sold to meet the demands for
each period?
3) How many raw materials should be obtained from external suppliers for each period?
 129

Figure 2: CLSC model developed in the study.

The assumptions of the problem are:

• A component can be used for different products.
• There is no difference between a product composed of new or used components.
• Primitive raw materials and recycled raw materials are considered to be identical.
• Production capacity is sufficient.
• All information on sales, transport and storage costs and prices is known.
• The demand of the S&C center is given and satisfied for each period.

3. Mathematical model

The model calculates the flows of several totally modular products, components and raw
materials to maximize total profit and meet demands. The running number indices, parameters
and decision variables are given in Table 1, 2 and 3.

Table 1: Running numbers.

t Time periods (t = 1, …, T)
n Fully modular products (n = 1, …, N)
i Returned products (i = 1, …, I)
j Components usable for each product (j = 1, …, J)
k Raw materials (k = 1, …,K)
130

Table 2: Parameters

Table 3: Decisions variables.

The DIOT concept is used to determine the component value level. Threshold values are
defined for components to decide on the value level and the processing used. In this study, the
component DIOT is defined in Figure 3.
 131

Figure 3: Component DIOT definition

Condition of a recovered product is defined by a product DIOT which is calculated according

to the diot of each of its components and the importance of each component. We
define diot as follows:

diot = diot ,, = ∑ weight . diot ,,, . (1)

Binary variables are defined to indicate the chosen processing for products.

1 if 0 < diot ,, < n (𝑒𝑙𝑖𝑚𝑖𝑛𝑎𝑡𝑒𝑑) (2)

was ,, = .
0 otherwise

1 if n ≤ diot ,, < n (𝑟𝑒𝑐𝑦𝑐𝑙𝑒𝑑) (3)

rec ,, = .
0 otherwise

1 if n ≤ diot ,, (𝑑𝑖𝑠𝑎𝑠𝑠𝑒𝑚𝑏𝑙𝑦) (4)

dis ,, = .
0 otherwise

Similarly, binary variables are defined to indicate the chosen processing for components.

1 if 1 ≤ diot ,,, < n (𝑒𝑙𝑖𝑚𝑖𝑛𝑎𝑡𝑒𝑑) (5)

was ,,, = .
0 otherwise

1 if n ≤ diot ,,, < n (𝑟𝑒𝑐𝑦𝑐𝑙𝑒𝑑) (6)

rec ,,, = .
0 otherwise
132

1 if n ≤ diot ,,, < n (𝑟𝑒𝑚𝑎𝑛𝑢𝑓𝑎𝑐𝑡𝑢𝑟𝑒𝑑) (7)

rem ,,, = .
0 otherwise

1 if n ≤ diot ,,, (𝑟𝑒𝑢𝑠𝑒𝑑) (8)

reu ,,, = .
0 otherwise
3.1. Objective function

The economic aspect is the only aspect that is considered. The objective function is to
maximize the total profit of the manufacturer. Total profit (TP) is calculated by the difference
between total revenue (TR) and total cost (TC):

TP = TR − TC. (9)

Total revenue (TR) of the manufacturer is earned from the sales of products, components and
raw materials and equal:

TR = ∑ ∑ h1 . V , + ∑ h2 . Y , + ∑ h3 . RM1 , + (10)

∑ ∑ (C , . h4 . n , . rc , + P . rc , . h5 . n , . rp ) .

The manufacturer purchases raw materials and products recovered by the S&C center. The
total purchase cost (TPC) is calculated as follows:

TPC = ∑ ∑ p . M1 , +∑ ∑ r , .R ,, . (11)

Different operations on products and components have costs, this is the total manufacturing
cost (TMC). The manufacturer produces new components, assembles products, disassembles
end-of-life products and remanufactures used components. TMC is equal to:
 133

TMC = ∑ ∑ m . X , + d . R1 , + Rfc , + C , + M , + f . Rfc , + (12)

a . H, .

The manufacturer also eliminates products and components. The total disposal cost (TDC) is:

TDC = ∑ ∑ el . U , + ∑ e .M , . (13)

The total cost of transport (TTC) and the total cost of storage (TSC) of products, components
and raw materials can be calculated with the different parameters and variables.

The total cost (TC) of the manufacturer can then be calculated:

TC = TPC + TMC + TDC + TTC + TSC. (14)

3.2. Constraints

The amount in stocks (products, new components, used components, raw materials) in period
t are equal to the amount in stocks in the previous period, plus entering flows, minus outgoing
flows:

stock = stock + entering flows − outgoing flows, ∀t. (15)

.
For any period t, the amount of components j disassembled and then disposed of, recycled,
repaired or reused must be equal to the number of components present in the products sent for
disassembly:

Rfc , + M , + C , + R1 , = ∑ Q , . rc , , ∀(t, n). (16)

For any period t, the amount of components j present in the assembled products must be equal
to the amount that arrives at the assembly:
134

H, =∑ Z , . rc , , ∀(t, n). (17)

For any period t, the amount of raw material k recovered from components and products
recycling is respectively calculated as follows:

RCM1 , = ∑ C , . rc , . n , , ∀(t, k). (18)

RPM1 , = rp . ∑ P , . ∑ rc , . n , , ∀(t, k). (19)

For any period t, the amount of raw material k required to manufacture the components that
will be sent to the stock of new components is calculated as follows:

M1S , = ∑ X , . n , , ∀(t, k). (20)

For any period t, the amount of raw material k required for the repair the recovered components
is calculated as follows:

REM1 , = ∑ Rfc , . rn , , ∀(t, k). (21)

4. Numerical example

We consider the recovery of two smartphone models (N=2) over two periods (T=2). During
each period, 8 smartphones are retrieved from each model (I=8). Components and raw
materials compositions are given in Figure 4 (J=6, K=7). All variables and parameters in Table
2 are known in the example. This mathematical model was solved using LINGO 16.0.
 135

Figure 4: Smartphones studied in the example.

In this example, the maximum total profit over the 2 periods is 191.998: the total revenue is 4345.62 and the total
cost is 4153.622. The summary of costs and revenue is given in Table 4.

Table 4: The optimal objective function value.

Objective Function Value

TR 4345.62
TPC 2538.55
TMC 1175.4
TDC 24.2
TTC 414.12
TSC 1.352
TC 4153.622
TP 191.998

In the first period, the flows of products, components and raw materials to maximize total profit
are given in Figure 5. We can note the conservation of all the material.
136

Figure 5: The optimal distribution networks belonging to the first period.

The details of the processing applied to the products recovered during the first period depend
on the DIOT values and the threshold values given in Figure 6.

Figure 6: Processing details in the first period

In this example, all recovered smartphones are disassembled as shown in Figure 6; except the
smartphone (n=1, i=1) which is recycled before disassembly and the smartphone (n=2, i=8)
which is eliminated. The model meets the objectives as formulated in section 2 (problem
statement). Recovery processing of products and components is selected according to their
recovery state for each period in order to maximize profit. The flows of products, components
 137

and raw materials in the CLSC are precisely known. These flows meet the S&C center's
demands for each period. Finally, the model estimates the impact on natural resources by
indicating the quantity of raw materials that enter the supply chain.

5. Conclusion

Manufacturers aim to improve their supply chain to increase their profits while being more
respectful of the environment. It becomes necessary to design CLSCs, but these networks are
difficult to set up because there are many uncertainties in the recovery of products and the
optimal process to follow. IoT reduces this uncertainty by providing information collected
during the product life cycle. In this study, connected products provide better traceability to
choose the recovery process and optimize flows in the CLSC. Thus, with the example
developed in section 4, the flows to optimize profit were determined and the processing of each
recovered smartphone and their components were identified. The proposed model is more in
accordance with the industrial reality with stocks, raw materials and several different products
than the current models. Future research to complement this study will focus on determining
how to measure DIOTs for examples of products and we will examine the sensitivity of the
model to variation of some parameters.
 BIBLIOGRAPHIE

ADEME. (2010). La Responsabilité élargie du Producteur - Panorama 2010. du volume): Vol.

1 (pp. 28).

ADEME. (2014). Chiffres-clés des Déchets - Édition 2014

ADEME. (2016). Chiffres-clés Déchets - Édition 2016 Repéré à http://www.ademe.fr/dechets-

chiffres-cles

ADEME. (2017). Rapport annuel du registre des déchets d’équipements électriques et

électroniques - Rapport Annuel 2016.

Allwood, J. M. (2014). Chapter 30 - Squaring the Circular Economy: The Role of Recycling
within a Hierarchy of Material Management Strategies. Dans E. Worrell & M. A.
Reuter (Éds.), Handbook of Recycling (pp. 445-477). Boston: Elsevier. doi:
https://doi.org/10.1016/B978-0-12-396459-5.00030-1. Repéré à
http://www.sciencedirect.com/science/article/pii/B9780123964595000301

Arnold, G. A. (1921). The phenomena of rupture and flow in solids. Philosophical

Transactions of the Royal Society of London, 221, 163–198. doi:
http://doi.org/10.1098/rsta.1921.0006

Arnsperger, C., & Bourg, D. (2016). Vers une économie authentiquement circulaire.
Réflexions sur les fondements d’un indicateur de circularité [Towards a truly circular
economy]. Revue de l'OFCE, 145(1), 91-125. doi: 10.3917/reof.145.0091. Repéré à
https://www.cairn.info/revue-de-l-ofce-2016-1-page-91.htm

Asif, F. M. A. (2017). Circular Manufacturing Systems: A development framework with

analysis methods and tools for implementation (KTH Royal Institute of Technology).

Bahrampour, P., Safari, M., & Taraghdari, M. B. (2016). Modeling Multi-Product Multi-Stage
Supply Chain Network Design. Procedia Economics and Finance, 36, 70-80. doi:
https://doi.org/10.1016/S2212-5671(16)30017-X. Repéré à
http://www.sciencedirect.com/science/article/pii/S221256711630017X

Bakker, v. d. B. a. (2015). A product design framework for a circular economy.

Beal, L., Hill, D., Martin, R., & Hedengren, J. (2018). GEKKO Optimization Suite. Processes,
6(8). doi: 10.3390/pr6080106

Béguin, M. (2016). Pratiques et territoires de l’écoresponsabilité : des questions de

gouvernance, de culture, de société et de recherche. Communication et organisation,
45-60. doi: https://doi.org/10.4000/communicationorganisation.5340
140

Bharath, A., & Petrou, M. (2009). Next generation artificial vision systems: reverse
engineering the human visual system.

Blomsma, F., Pieroni, M., Kravchenko, M., Pigosso, D. C. A., Hildenbrand, J., Kristinsdottir,
A. R., . . . McAloone, T. C. (2019). Developing a circular strategies framework for
manufacturing companies to support circular economy-oriented innovation. Journal of
Cleaner Production, 241. doi: 10.1016/j.jclepro.2019.118271

Bocken, N. M. P., Miller, K., Weissbrod, I., Holgado, M., & Evans, S. (2017). Business model
experimentation for circularity: Driving sustainability in a large international clothing
retailer. ECONOMICS AND POLICY OF ENERGY AND THE ENVIRONMENT, 85-
122.

Bressanelli, G., Perona, M., & Saccani, N. (2018). Challenges in supply chain redesign for the
Circular Economy: a literature review and a multiple case study. International Journal
of Production Research, 57, 7395-7422. doi: 10.1080/00207543.2018.1542176

Brettel, M., Klein, M., & Friederichsen, N. (2016). The Relevance of Manufacturing Flexibility
in the Context of Industrie 4.0. Procedia CIRP, 41, 105-110. doi:
10.1016/j.procir.2015.12.047

Brundtland, G. H. (1987). Our Common Future—Call for Action. Environmental

Conservation, 14(4), 291-294. Repéré à http://www.jstor.org/stable/44518052

Bryan, N., & Srinivasan, M. M. (2014). Real-time order tracking for supply systems with
multiple transportation stages. European Journal of Operational Research, 236(2),
548-560. doi: 10.1016/j.ejor.2014.01.062

Marquet C., Monier V., Imperiale A.-C., Maccario F., Basciano R., Beuret P., Kuch P., Jayr
E. (2017). Panorama de la deuxième vie des produits en France – Réemploi et
réutilisation - Actualisation 2017. ADEME.

Camara, L. (2019). Planification tactique-opérationnelle des chaînes d'approvisionnement

durables en boucle fermée (logistique inverse) (École de technologie supérieure.,
Montréal).

Cannella, S., Bruccoleri, M., & Framinan, J. M. (2016). Closed-loop supply chains: What
reverse logistics factors influence performance? International Journal of Production
Economics, 175, 35-49. doi: 10.1016/j.ijpe.2016.01.012

Cantamessa, M., & Capello, C. (2009). Flexibility in Manufacturing – An Empirical Case-

Study Research. Dans T. Tolio (Éd.), Design of Flexible Production Systems:
Methodologies and Tools (pp. 19-40). Berlin, Heidelberg: Springer Berlin Heidelberg.
 141

doi: 10.1007/978-3-540-85414-2_2. Repéré à https://doi.org/10.1007/978-3-540-

85414-2_2

Chardine-Baumann, E., & Botta-Genoulaz, V. (2014). A framework for sustainable

performance assessment of supply chain management practices. Computers &
Industrial Engineering, 76, 138-147. doi: https://doi.org/10.1016/j.cie.2014.07.029.
Repéré à http://www.sciencedirect.com/science/article/pii/S036083521400237X

Chari, N., Dialo, C., & Venkatadri, U. (2014). State of the Art on Performability across the
Sustainable Value Chain. International Journal of Performability Engineering, Vol. 10,
543-556.

Chouinard, M. (2003). Système organisationnel et architecture d’un support d’information

pour l’intégration des activités de logistique inversée au sein d’un centre de
réadaptation (Université Laval Québec).

Combe, H. (2015). La gouvernance, une impérieuse nécessité pour le développement durable.

Développement durable et territoires, 6. doi:
https://doi.org/10.4000/developpementdurable.10852

Corning. (2020). CORNING® GORILLA® GLASS 6 Repéré le 10/10/2020 à

https://www.corning.com/gorillaglass/worldwide/en/glass-types/gorilla-glass-6.html

Dalenogare, L., Benitez, G., Ayala, N., & Frank, A. (2018). The expected contribution of
Industry 4.0 technologies for industrial performance. International Journal of
Production Economics. doi: 10.1016/j.ijpe.2018.08.019

Deloitte. (2015). Industry 4.0 : Challenges and solutions for the digital transformation and use
of exponential technologies. Deloitte.

Demetriou, G. A. (2011). Mobile robotics in education and research, mobile robots: Current
trends.

Devy, M. (2012). La cobotique : des robots industriels aux robots assistants, coopérants et co-
opérateurs. Annales des Mines - Réalités industrielles, Février 2012(1), 76-85. doi:
10.3917/rindu.121.0076. Repéré à https://www.cairn.info/revue-realites-
industrielles1-2012-1-page-76.htm

Du, Y., Cao, H., Chen, X., & Wang, B. (2013). Reuse-oriented redesign method of used
products based on axiomatic design theory and QFD. Journal of Cleaner Production,
39, 79-86. doi: 10.1016/j.jclepro.2012.08.032

Elliott, H. A. (1947). An analysis of the conditions for rupture due to griffith cracks.
Proceedings of the Physical Society, 59(2), 208-223. doi: 10.1088/0959-
5309/59/2/305. Repéré à http://dx.doi.org/10.1088/0959-5309/59/2/305
142

Environnement et Changement climatique Canada, (2018). Indicateurs canadiens de

durabilité de l'environnement : Réacheminement et élimination des déchets solides.

Erkman, S. (2004). Vers une écologie industrielle. Charles Léopold Mayer. Repéré à
https://books.google.ca/books?id=k67ER6UFuz4C

Erkwan, S. (2004). Vers une écologie industrielle (2 éd.). Paris, France: Charles Léopold
Mayer.

Fairphone. (2015). Cost breakdown of the Fairphone 2. Fairphone.

Fairphone. (2020). Fairphone 2 Supply Chain. Repéré le 25 june 2020 à

https://open.sourcemap.com/maps/57bd640851c05c0a5b5a8be1

Fleischmann, M., Beullens, P., Bloemhof-Ruwaard, J. m., & Van wassenhove, L. n. (2001).
The impact of product recovery on logistics network design. Production and
Operations Management, 10(2), 156-173. doi: https://doi.org/10.1111/j.1937-
5956.2001.tb00076.x. Repéré à
https://onlinelibrary.wiley.com/doi/abs/10.1111/j.1937-5956.2001.tb00076.x

Fondation Ellen MacArthur (2014). Accelerating the scale-up across global supply chains
Ellen MacArthur Foundation.

Fondation Ellen MacArthur (2015). Potential for Denmark as circular economy. A case study
from: delivering the circular economy - A toolkit for policy makers. Ellen MacArthur
Foundation.

Fondation Ellen MacArthur, McKinsey, & Stiftungsfonds. (2015). Circular Economy Report
- Growth Within. Ellen MacArthur Foundation.

Frank, A., Dalenogare, L., & Ayala, N. (2019). Industry 4.0 technologies: Implementation
patterns in manufacturing companies. International Journal of Production Economics,
210. doi: 10.1016/j.ijpe.2019.01.004

Gao, K., Wang, L., Luo, J., Jiang, H., Sadollah, A., & Pan, Q. (2017). Discrete harmony search
algorithm for scheduling and rescheduling the reprocessing problems in
remanufacturing: a case study. Engineering Optimization, 50(6), 965-981. doi:
10.1080/0305215x.2017.1391240

Gaustad, G., Olivetti, E., & Kirchain, R. (2010). Design for Recycling. Journal of Industrial
Ecology, 14(2), 286-308. doi: 10.1111/j.1530-9290.2010.00229.x

Geldron, A. (2016). Métaux stratégiques : la mine urbaine française. Annales des Mines -
Responsabilité et environnement, 82, 67-73. doi: https://doi.org/10.3917/re1.082.0067
 143

Gerwin, D. (1993). Manufacturing Flexibility: A Strategic Perspective. Management Science,

39(4), 395-410. Repéré à
https://EconPapers.repec.org/RePEc:inm:ormnsc:v:39:y:1993:i:4:p:395-410

Geyer, R., & Doctori Blass, V. (2009). The economics of cell phone reuse and recycling. The
International Journal of Advanced Manufacturing Technology, 47(5-8), 515-525. doi:
10.1007/s00170-009-2228-z

Ghadge, A., Er Kara, M., Moradlou, H., & Goswami, M. (2020). The impact of Industry 4.0
implementation on supply chains. Journal of Manufacturing Technology Management,
31(4), 669-686. doi: 10.1108/JMTM-10-2019-0368. Repéré à
https://doi.org/10.1108/JMTM-10-2019-0368

Ghazaly, N., Abdo, J., Dakshinamoorthi, M., & Srinivasan, K. (2011). Evaluation of Disc
Brake Materials for Squeal Reduction. Tribology Transactions, 54, 644-656. doi:
10.1080/10402004.2011.587634

Ghobakhloo, M. (2018). The future of manufacturing industry: a strategic roadmap toward

Industry 4.0. Journal of Manufacturing Technology Management, 29. doi:
10.1108/JMTM-02-2018-0057

Ghobakhloo, M. (2019). Industry 4.0, Digitization, and Opportunities for Sustainability.

Journal of Cleaner Production, 252, 119869. doi: 10.1016/j.jclepro.2019.119869

Giroux, A. (2007). Probabilités et statistique. Département de mathématiques et statistique

Université de Montréal.

Golinska, P., Kosacka, M., Mierzwiak, R., & Werner-Lewandowska, K. (2015). Grey Decision
Making as a tool for the classification of the sustainability level of remanufacturing
companies. Journal of Cleaner Production, 105, 28-40. doi:
10.1016/j.jclepro.2014.11.040

Goodall, P., Rosamond, E., & Harding, J. (2014). A review of the state of the art in tools and
techniques used to evaluate remanufacturing feasibility. Journal of Cleaner
Production, 81, 1-15. doi: 10.1016/j.jclepro.2014.06.014

Gou, Q., Liang, L., Huang, Z., & Xu, C. (2008). A joint inventory model for an open-loop
reverse supply chain. International Journal of Production Economics, 116(1), 28-42.
doi: https://doi.org/10.1016/j.ijpe.2008.07.009. Repéré à
http://www.sciencedirect.com/science/article/pii/S0925527308002193

Govindan, K., Mina, H., Esmaeili, A., & Gholami-Zanjani, S. M. (2020). An Integrated Hybrid
Approach for Circular supplier selection and Closed loop Supply Chain Network
144

Design under Uncertainty. Journal of Cleaner Production, 242. doi:

10.1016/j.jclepro.2019.118317

Govindan, K., Soleimani, H., & Kannan, D. (2015). Reverse logistics and closed-loop supply
chain: A comprehensive review to explore the future. European Journal of Operational
Research, 240(3), 603-626. doi: https://doi.org/10.1016/j.ejor.2014.07.012. Repéré à
http://www.sciencedirect.com/science/article/pii/S0377221714005633

Graedel, T. E. (1996). On the concept of industrial ecology. Annual Review of Energy and the
Environment, 69-98.

Grimaud, G. (2019). Conception des scénarios de recyclage pilotée par l'évaluation des
performances des procédés (Thèse de doctorat, École Nationale Supérieure d'Arts et
Métiers).

Guarnieri, P., e Silva, L. C., & Levino, N. A. (2016). Analysis of electronic waste reverse
logistics decisions using Strategic Options Development Analysis methodology: A
Brazilian case. Journal of Cleaner Production, 133, 1105-1117. doi:
10.1016/j.jclepro.2016.06.025

Gunasekaran, A., Subramanian, N., & Tiwari, M. (2016). Information technology (IT)
governance in Internet of Things (IoT) supply chain networks. Industrial Management
& Data Systems, 116, 1-6. doi: 10.1108/IMDS-06-2016-0244

H. J. Parkinson, G. T. (2003). Analysis and taxonomy of remanufacturing industry practice.

Journal of Process Mechanical Engineering, 217, 243-256.

Haas, W., Krausmann, F., Wiedenhofer, D., & Heinz, M. (2015). How Circular is the Global
Economy?: An Assessment of Material Flows, Waste Production, and Recycling in the
European Union and the World in 2005. Journal of Industrial Ecology, 19(5), 765-777.
doi: 10.1111/jiec.12244

Haddud, A., DeSouza, A., Khare, A., & Lee, H. (2017). Examining potential benefits and
challenges associated with the Internet of Things integration in supply chains. Journal
of Manufacturing Technology Management, 28(8), 1055-1085. doi: 10.1108/jmtm-05-
2017-0094

Hahn, H., Krautkremer, B., Hartmann, K., & Wachendorf, M. (2014). Review of concepts for
a demand-driven biogas supply for flexible power generation. Renewable and
Sustainable Energy Reviews, 29, 383-393. doi:
https://doi.org/10.1016/j.rser.2013.08.085. Repéré à
http://www.sciencedirect.com/science/article/pii/S1364032113006254

Hall C. A. S., Klitgaard K. A. (2012). Energy and the Wealth of Nations : Understanding the
 145

Biophysical Economy (1 éd.). New York: Springer Verlag. doi: 10.1007/978-1-4419-

9398-4

Hedengren, J. D., Shishavan, R. A., Powell, K. M., & Edgar, T. F. (2014). Nonlinear modeling,
estimation and predictive control in APMonitor. Computers & Chemical Engineering,
70, 133-148. doi: 10.1016/j.compchemeng.2014.04.013

Hiraki, T., Takeda, O., Nakajima, K., Matsubae, K., Nakamura, S., & Nagasaka, T. (2011).
Thermodynamic criteria for the removal of impurities from end-of-life magnesium
alloys by evaporation and flux treatment. Sci Technol Adv Mater, 12(3), 035003. doi:
10.1088/1468-6996/12/3/035003. Repéré à
https://www.ncbi.nlm.nih.gov/pubmed/27877407

Hof, L. A. (2018). High-precision micro-machining of glass for mass-personalization

(Concordia University, Montréal).

Hofmann, E., & Rüsch, M. (2017). Industry 4.0 and the current status as well as future
prospects on logistics. Computers in Industry, 89, 23-34. doi:
10.1016/j.compind.2017.04.002

Ikemiya, M., & Rosner, D. K. (2013). Broken probes: toward the design of worn media.
Personal and Ubiquitous Computing, 18(3), 671-683. doi: 10.1007/s00779-013-0690-
y

Ilgin, M. A., & Gupta, S. M. (2011). Performance improvement potential of sensor embedded
products in environmental supply chains. Resources, Conservation and Recycling,
55(6), 580-592. doi: 10.1016/j.resconrec.2010.05.001

Iqbal, A., Zhao, G., Suhaimi, H., He, N., Hussain, G., & Zhao, W. (2020). Readiness of
subtractive and additive manufacturing and their sustainable amalgamation from the
perspective of Industry 4.0: a comprehensive review. The International Journal of
Advanced Manufacturing Technology, 111(9), 2475-2498. doi: 10.1007/s00170-020-
06287-6. Repéré à https://doi.org/10.1007/s00170-020-06287-6

Jancovici, J.-M. (2017). L’avenir climatique - Quel temps ferons-nous ? . Le Seuil. Repéré à
https://books.google.fr/books?id=XrEuDwAAQBAJ

Jensen, J. P., Prendeville, S. M., Bocken, N. M. P., & Peck, D. (2019). Creating sustainable
value through remanufacturing: Three industry cases. Journal of Cleaner Production,
218, 304-314. doi: 10.1016/j.jclepro.2019.01.301

Jian, C., Gao, J., & Ao, Y. (2017). Automatic surface defect detection for mobile phone screen
glass based on machine vision. Applied Soft Computing, 52, 348-358. doi:
https://doi.org/10.1016/j.asoc.2016.10.030. Repéré à
http://www.sciencedirect.com/science/article/pii/S1568494616305531
146

Jiang, Z., Zhou, T., Zhang, H., Wang, Y., Cao, H., & Tian, G. (2016). Reliability and cost
optimization for remanufacturing process planning. Journal of Cleaner Production,
135, 1602-1610. doi: 10.1016/j.jclepro.2015.11.037

Joshi, A. D., & Gupta, S. M. (2019). Evaluation of design alternatives of End-Of-Life products
using internet of things. International Journal of Production Economics, 208, 281-293.
doi: 10.1016/j.ijpe.2018.12.010

Kagermann, H., Lukas, W.-D., & Wahlster, W. (2011). Industrie 4.0: Mitdem Internet
derDinge aufdem Wegzur 4. industriellen Revolution. VDI nachrichten, 13.

Khor, K.-S., & Udin, Z. (2011). Impact of Reverse Logistics Product Disposition towards
Business Performance in Malaysian E&E Companies (Vol. 2012). doi:
10.5171/2012.699469

Kirchherr, J., Reike, D., & Hekkert, M. (2017). Conceptualizing the circular economy: An
analysis of 114 definitions. Resources, Conservation and Recycling, 127, 221-232. doi:
10.1016/j.resconrec.2017.09.005

Koren, Y., Hu, S. J., Gu, P., & Shpitalni, M. (2013). Open-architecture products. CIRP Annals
- Manufacturing Technology, 62, 719–729. doi: 10.1016/j.cirp.2013.06.001

Korhonen, J., Honkasalo, A., & Seppälä, J. (2018). Circular Economy: The Concept and its
Limitations. Ecological Economics, 143, 37-46. doi: 10.1016/j.ecolecon.2017.06.041

Kumar, V. V., & Chan, F. T. S. (2011). A superiority search and optimisation algorithm to
solve RFID and an environmental factor embedded closed loop logistics model.
International Journal of Production Research, 49(16), 4807-4831. doi:
10.1080/00207543.2010.503201

Lafou, M., Mathieu, L., Pois, S., & Alochet, M. (2016). Manufacturing System Flexibility:
Product Flexibility Assessment. Procedia CIRP, 41, 99-104. doi:
https://doi.org/10.1016/j.procir.2015.12.046. Repéré à
http://www.sciencedirect.com/science/article/pii/S2212827115011257

Lavery, D. G., Pennell, L., Pennell, N., & Evans, S. (2014). Food and Beverage Sector Non-
Labour Resource Efficiency : Unlocking Cost Savings , Jobs and Environmental
Improvements. Dans.

Lawton, K., Carter, C., Lee, J., Tan, A., Trigo, A. d. P., Luscombe, D., & Briscoe, S. (2013).
The opportunities to business of improving resource efficiency. Bio Intelligence
Service & Amec.
 147

Lee, C. K. M., & Chan, T. M. (2009). Development of RFID-based Reverse Logistics System.
Expert Systems with Applications, 36(5), 9299-9307. doi: 10.1016/j.eswa.2008.12.002

Li, D., Liang, L.-Q., & Zhang, W.-J. (2014). Defect inspection and extraction of the mobile
phone cover glass based on the principal components analysis. The International
Journal of Advanced Manufacturing Technology, 73(9-12), 1605-1614. doi:
10.1007/s00170-014-5871-y

Lieder, M., & Rashid, A. (2016). Towards circular economy implementation: a comprehensive
review in context of manufacturing industry. Journal of Cleaner Production, 115, 36-
51. doi: 10.1016/j.jclepro.2015.12.042

Liu, H., Chen, Y.-p., Peng, X.-q., & Xie, J.-m. (2011). A classification method of glass defect
based on multiresolution and information fusion. The International Journal of
Advanced Manufacturing Technology, 56, 1079-1090. doi: 10.1007/s00170-011-3248-
z

Lo, H.-C., & Yu, R.-Y. (2013). A study of quality management strategy for reused products.
Reliability Engineering & System Safety, 119, 172-177. doi:
10.1016/j.ress.2013.05.009

Lundmark, P., Sundin, E., & Björkman, M. (2008). Industrial Challenges within the
Remanufacturing System. Dans Swedish Production Symposium.

Luthra, S., & Mangla, S. (2018). When strategies matter: Adoption of sustainable supply chain
management practices in an emerging economy’s context. Resources, Conservation
and Recycling, 138, 194-206. doi: 10.1016/j.resconrec.2018.07.005

Magomedov, I. A., Orlova, I. V., Lisichko, O. I., & Alikhadzhiev, S. K. (2019). Dynamic fast
fracture of smartphone screens. IOP Conference Series: Earth and Environmental
Science, 378. doi: 10.1088/1755-1315/378/1/012064

Mahmood, K., Karaulova, T., Otto, T., & Shevtshenko, E. (2017). Performance Analysis of a
Flexible Manufacturing System (FMS). Procedia CIRP, 63, 424-429. doi:
https://doi.org/10.1016/j.procir.2017.03.123. Repéré à
http://www.sciencedirect.com/science/article/pii/S2212827117302706

Malamas, E. N., Petrakis, E. G. M., Zervakis, M., Petit, L., & Legat, J.-D. (2003). A survey on
industrial vision systems, applications and tools. Image and Vision Computing, 21(2),
171-188. doi: https://doi.org/10.1016/S0262-8856(02)00152-X. Repéré à
http://www.sciencedirect.com/science/article/pii/S026288560200152X

Manavalan, E., & Jayakrishna, K. (2019). A review of Internet of Things (IoT) embedded
sustainable supply chain for industry 4.0 requirements. Computers & Industrial
Engineering, 127, 925-953. doi: 10.1016/j.cie.2018.11.030
148

Martínez, S. S., Ortega, J. G., García, J. G., García, A. S., & Estévez, E. E. (2013). An industrial
vision system for surface quality inspection of transparent parts. The International
Journal of Advanced Manufacturing Technology, 68(5), 1123-1136. doi:
10.1007/s00170-013-4904-2. Repéré à https://doi.org/10.1007/s00170-013-4904-2

Matsumoto, M., Yang, S., Martinsen, K., & Kainuma, Y. (2016). Trends and research
challenges in remanufacturing. International Journal of Precision Engineering and
Manufacturing-Green Technology, 3(1), 129-142. doi: 10.1007/s40684-016-0016-4

Ming, W., Shen, F., Li, X., Zhang, Z., Du, J., Chen, Z., & Cao, Y. (2020). A comprehensive
review of defect detection in 3C glass components. Measurement, 158. doi:
10.1016/j.measurement.2020.107722

Montaigne, I. (2016). Économie circulaire, réconcilier croissance et environnement. Institut

Montaigne.

Mourtzis, D., & Doukas, M. (2014). Design and Planning of Manufacturing Networks for Mass
Customisation and Personalisation: Challenges and Outlook. Procedia CIRP, 19, 1-13.
doi: https://doi.org/10.1016/j.procir.2014.05.004. Repéré à
http://www.sciencedirect.com/science/article/pii/S2212827114006325

Mtalaa, W., & Aggoune, R. (2010). Un modèle bi-objectif pour la conception de cha^ines
logistiques vertes.

Murdoch, W. J., Singh, C., Kumbier, K., Abbasi-Asl, R., & Yu, B. (2019). Definitions,
methods, and applications in interpretable machine learning. Proc Natl Acad Sci U S
A, 116(44), 22071-22080. doi: 10.1073/pnas.1900654116. Repéré à
https://www.ncbi.nlm.nih.gov/pubmed/31619572

Nascimento, D. L. M., Alencastro, V., Quelhas, O. L. G., Caiado, R. G. G., Garza-Reyes, J.

A., Rocha-Lona, L., & Tortorella, G. (2019). Exploring Industry 4.0 technologies to
enable circular economy practices in a manufacturing context. Journal of
Manufacturing Technology Management, 30(3), 607-627. doi: 10.1108/jmtm-03-2018-
0071

Network, G. F. (2018). L’autre déficit de la France - Rapport 2018.

Nowakowski, P. (2018). A novel, cost efficient identification method for disassembly planning
of waste electrical and electronic equipment. Journal of Cleaner Production, 172,
2695-2707. doi: 10.1016/j.jclepro.2017.11.142

OCDE. (2020). Environment at a Glance Indicators. doi: https://doi.org/10.1787/ac4b8b89-

en. Repéré à https://www.oecd-ilibrary.org/content/publication/ac4b8b89-en
 149

Ohno, H., Matsubae, K., Nakajima, K., Kondo, Y., Nakamura, S., & Nagasaka, T. (2015).
Toward the efficient recycling of alloying elements from end of life vehicle steel scrap.
Resources, Conservation and Recycling, 100, 11-20. doi:
10.1016/j.resconrec.2015.04.001

Ondemir, O., & Gupta, S. M. (2014). Quality management in product recovery using the
Internet of Things: An optimization approach. Computers in Industry, 65(3), 491-504.
doi: 10.1016/j.compind.2013.11.006

Ondemir, O., Ilgin, M. A., & Gupta, S. M. (2012). Optimal End-of-Life Management in
Closed-Loop Supply Chains Using RFID and Sensors. IEEE Transactions on
Industrial Informatics, 8(3), 719-728. doi: 10.1109/tii.2011.2166767

ONU. (2019). State of commodity dependance 2019. Dans United Nations Conference on
Trade and Development.

Oztemel, E., & Gursev, S. (2018). Literature review of Industry 4.0 and related technologies.
Journal of Intelligent Manufacturing, 31. doi: 10.1007/s10845-018-1433-8

Paraskevas, D., Kellens, K., Renaldi, Dewulf, W., & Duflou, J. R. (2013). Sustainable Metal
Management and Recycling Loops: Life Cycle Assessment for Aluminium Recycling
Strategies. Dans (pp. 403-408). Springer Singapore.

Pourmoghaddam, N., & Schneider, J. (2018). Finite-element analysis of the residual stresses
in tempered glass plates with holes or cut-outs. Glass Structures & Engineering, 3(1),
17-37. doi: 10.1007/s40940-018-0055-z. Repéré à https://doi.org/10.1007/s40940-018-
0055-z

Prieto-Sandoval, V., Jaca, C., & Ormazabal, M. (2018). Towards a consensus on the circular
economy. Journal of Cleaner Production, 179, 605-615. doi:
10.1016/j.jclepro.2017.12.224

Proske, M., Clemm, C., & Richter, N. (2016). Life Cycle Assessment of the Fairphone 2.
Fraunhofer IZM.

PwC. (2016). Industry 4.0: global digital operations study 2018. Repéré le 11/09/2020 à
https://www.pwc.com/gx/en/industries/industry-4-0.html

Rahman, S. M. M., Perry, N., Müller, J. M., Kim, J., & Laratte, B. (2020). End-of-Life in
industry 4.0: Ignored as before? Resources, Conservation and Recycling, 154. doi:
10.1016/j.resconrec.2019.104539

Rajput, S., & Singh, S. P. (2019). Connecting circular economy and industry 4.0. International
Journal of Information Management, 49, 98-113. doi: 10.1016/j.ijinfomgt.2019.03.002
150

Rebaud, A.-L. (2017). Vers une économie circulaire. European think do tank- Pour la
solidarité, 37.

Reck, B. K., & Graedel, T. E. (2012). Challenges in Metal Recycling. Science, 337, 690-695.

Reimann, M., Xiong, Y., & Zhou, Y. (2019). Managing a closed-loop supply chain with
process innovation for remanufacturing. European Journal of Operational Research,
276(2), 510-518. doi: 10.1016/j.ejor.2019.01.028

Rizos, V., Tuokko, K., & Behrens, A. (2017). The Circular Economy : A review of definitions,
processes and impacts Centre for European Policy Studies.

Sauvé S., Normandin D., Mcdonald M. (2016). L’économie circulaire : Une transition
incontournable. Les Presses de l’Université de Montréal.

Sakai, S.-i., Yoshida, H., Hiratsuka, J., Vandecasteele, C., Kohlmeyer, R., Rotter, V. S., . . .
Yano, J. (2013). An international comparative study of end-of-life vehicle (ELV)
recycling systems. Journal of Material Cycles and Waste Management, 16(1), 1-20.
doi: 10.1007/s10163-013-0173-2

Schaub, F., Seifert, J., Honold, F., Müller, M., Rukzio, E., & Weber, M. (2014). Broken display
= broken interface' présentée à Proceedings of the 32nd annual ACM conference on
Human factors in computing systems - CHI '14. doi: 10.1145/2556288.2557067

Schott. (2020). Xensation®. Repéré le 10/10/2020 à

https://www.schott.com/xensation/english/index.html

Sengupta, A. (2018). Cobalt Critical to Lithium Ion Battery Chemical Mix Cobalt Invest.
News, 27, 5.

Shi, J., Zhang, G., & Sha, J. (2011). Optimal production and pricing policy for a closed loop
system. Resources, Conservation and Recycling, 55(6), 639-647. doi:
10.1016/j.resconrec.2010.05.016

Shi, P., Yan, B., Shi, S., & Ke, C. (2014). A decision support system to select suppliers for a
sustainable supply chain based on a systematic DEA approach. Information
Technology and Management, 16(1), 39-49. doi: 10.1007/s10799-014-0193-1

Shohin, A., Rooss, P., Ray, Y. Z., & Xun, X. (2019). The Degree of Mass Personalisation
under Industry 4.0. Dans 52nd CIRP Conference on Manufacturing Systems.

Singh, T., Dua, R. L., Agrawal, S., & Acharya, A. (2013). Detection of Defects in Glass Sheet
using C.S.C based Segmentation Method. International Journal of Computer
Applications, 68.
 151

Sinha, R., Laurenti, R., Singh, J., Malmström, M. E., & Frostell, B. (2016). Identifying ways
of closing the metal flow loop in the global mobile phone product system: A system
dynamics modeling approach. Resources, Conservation and Recycling, 113, 65-76.
doi: 10.1016/j.resconrec.2016.05.010

Skerlos, S. J. (2015). Promoting Effectiveness in Sustainable Design. Procedia CIRP, 29, 13-
18. doi: 10.1016/j.procir.2015.02.080

Soleimani, H., & Govindan, K. (2014). Reverse logistics network design and planning utilizing
conditional value at risk. European Journal of Operational Research, 237(2), 487-497.
doi: 10.1016/j.ejor.2014.02.030

Spena, P. R., Holzner, P., Rauch, E., VIoTni, R., & Matt, D. T. (2016). Requirements for the
Design of Flexible and Changeable Manufacturing and Assembly Systems: A SME-
survey. Procedia CIRP, 41, 207-212. doi: https://doi.org/10.1016/j.procir.2016.01.018.
Repéré à http://www.sciencedirect.com/science/article/pii/S2212827116000299

Stahel, W. R. (2013). Policy for material efficiency--sustainable taxation as a departure from

the throwaway society. Philos Trans A Math Phys Eng Sci, 371(1986), 20110567. doi:
10.1098/rsta.2011.0567. Repéré à https://www.ncbi.nlm.nih.gov/pubmed/23359738

Sukhodolov, Y. A. (2019). The Notion, Essence, and Peculiarities of Industry 4.0 as a Sphere
of Industry. Dans E. G. Popkova, Y. V. Ragulina & A. V. Bogoviz (Éds.), Industry 4.0:
Industrial Revolution of the 21st Century (pp. 3-10). Cham: Springer International
Publishing. doi: 10.1007/978-3-319-94310-7_1. Repéré à https://doi.org/10.1007/978-
3-319-94310-7_1

Tansel, B. (2017). From electronic consumer products to e-wastes: Global outlook, waste
quantities, recycling challenges. Environ Int, 98, 35-45. doi:
10.1016/j.envint.2016.10.002. Repéré à
https://www.ncbi.nlm.nih.gov/pubmed/27726897

Teigeiro, S. (2017). Economie circulaire au Quebec: opportunites et impacts economiques.

Polytechnique Montreal, Groupe de recherche en Gestion et mondialisation de la
technologie. Repéré à https://EconPapers.repec.org/RePEc:epm:raport:2017-01

Temur, G., & Bolat, B. (2012). Reverse logistics network design integrated with product return
forecasting approach. Dans 17th International Working Seminar on Production
Economics, (pp. pp. 483–497).

Thoben, K.-D., Wiesner, S., & Wuest, T. (2017). "Industrie 4.0" and Smart Manufacturing –
A Review of Research Issues and Application Examples. International Journal of
Automation Technology, 11, 4-19. doi: 10.20965/ijat.2017.p0004
152

Tjahjono, B., Esplugues, C., Enrique, A., & Peláez-LourIoT, G. (2017). What does Industry
4.0 mean to Supply Chain? Procedia Manufacturing, 13, 1175-1182. doi:
10.1016/j.promfg.2017.09.191

Tonanont, A., Yimsiri, S., Jitpitaklert, W., & Rogers, K. J. (2008). Performance Evaluation in
Reverse Logistics with Data Envelopment Analysis. IIE Annual Conference.
Proceedings, 764-769. Repéré à
https://search.proquest.com/docview/192466278?accountid=27231

Toth, G., & Szigeti, C. (2016). The historical ecological footprint: From over-population to
over-consumption. Ecological Indicators, 60, 283-291. doi:
10.1016/j.ecolind.2015.06.040

Tranchant, C., & Vasseur, L. (2005). L'ecologie industrielle une approche écosystemique.
Dans Colloq. développement durable leçons Perspect (pp. 203-210).

Turan, P., Ġsmail, K., Hadi, G., Panos, M. P., & Belkıs, T. (2016). An Experimental Research
on Closed Loop Supply Chain Management with Internet of Things.

Turner, R., & Pearce, D. (1992). The Ethical Foundations of Sustainable Economic
Development. Dans J. Press (Éd.), Advances in Human Ecology (pp. 177-195).

Uçar, E., Dain, M.-A. L., & Joly, I. (2020). Digital Technologies in Circular Economy
Transition: Evidence from Case Studies. Procedia CIRP, 90, 133-136. doi:
10.1016/j.procir.2020.01.058

Vadde S, K. S., Gupta S.M., Zeid. (2008). Product life cycle monitoring via embedded sensors.
. Dans L. Gupta SM & AJD (Éds.), Environment Conscious Manufacturing (pp. 91–
103). Boca Raton: CRC.

Vaidya, S., Ambad, P., & Bhosle, S. (2018). Industry 4.0 – A Glimpse. Procedia
Manufacturing, 20, 233-238. doi: https://doi.org/10.1016/j.promfg.2018.02.034.
Repéré à http://www.sciencedirect.com/science/article/pii/S2351978918300672

van Weelden, E., Mugge, R., & Bakker, C. (2016). Paving the way towards circular
consumption: exploring consumer acceptance of refurbished mobile phones in the
Dutch market. Journal of Cleaner Production, 113, 743-754. doi:
10.1016/j.jclepro.2015.11.065

McDonough, W.Braungart M. (2010). Cradle to cradle: Remaking the Way We Make Things.

Wagire, A., Rathore, A., & Jain, R. (2019). Analysis and synthesis of Industry 4.0 research
landscape: Using latent semantic analysis approach. Journal of Manufacturing
Technology Management, 31. doi: 10.1108/JMTM-10-2018-0349
 153

Wamba, S. F., Gunasekaran, A., Akter, S., Ren, S. J.-f., Dubey, R., & Childe, S. J. (2017). Big
data analytics and firm performance: Effects of dynamic capabilities. Journal of
Business Research, 70, 356-365. doi: 10.1016/j.jbusres.2016.08.009

Wang, S. (2020). Promoting a Circular Economy in the Mobile Phone Product System in
China (KTH Royal Institute of Technology, Stockholm, Sweden).

Wijkman, A., & Skånberg, K. (2015). L’Économie Circulaire et ses Bénéfices Sociétaux. Des
Avancées Réelles pour l’Emploi et le Climat dans une Économie basée sur les Énergies
Renouvelables et l’Efficacité des Ressources. Club de Rome.

Wilson, J. M., Piya, C., Shin, Y. C., Zhao, F., & Ramani, K. (2014). Remanufacturing of
turbine blades by laser direct deposition with its energy and environmental impact
analysis. Journal of Cleaner Production, 80, 170-178. doi:
10.1016/j.jclepro.2014.05.084

Wondraczek, L., Mauro, J. C., Eckert, J., Kühn, U., Horbach, J., Deubener, J., & Rouxel, T.
(2011). Towards Ultrastrong Glasses. Advanced Materials, 23(39), 4578-4586. doi:
https://doi.org/10.1002/adma.201102795. Repéré à
https://onlinelibrary.wiley.com/doi/abs/10.1002/adma.201102795

Yotat, F. E. K. (2017). Optimisation des stratégies de fabrication et de réutilisation de

l'aluminium en logistique inverse (École de technologie supérieure, Montréal).

Yousefian-Jazi, A., Ryu, J.-H., Yoon, S., & Liu, J. J. (2014). Decision support in machine
vision system for monitoring of TFT-LCD glass substrates manufacturing. Journal of
Process Control, 24(6), 1015-1023. doi:
https://doi.org/10.1016/j.jprocont.2013.12.009. Repéré à
http://www.sciencedirect.com/science/article/pii/S0959152413002643

Yuan, Z.-C., Zhang, Z.-T., Su, H., Zhang, L., Shen, F., & Zhang, F. (2018). Vision-Based
Defect Detection for Mobile Phone Cover Glass using Deep Neural Networks.
International Journal of Precision Engineering and Manufacturing, 19(6), 801-810.
doi: 10.1007/s12541-018-0096-x. Repéré à https://doi.org/10.1007/s12541-018-0096-
x

Zhang, F. (2014). Contribution to methods and tools supporting eco-design practises in

companies (Université de Grenoble). Repéré à https://tel.archives-ouvertes.fr/tel-
01294606

Zhang, Y., Liu, S., Liu, Y., Yang, H., Li, M., Huisingh, D., & Wang, L. (2018). The ‘Internet
of Things’ enabled real-time scheduling for remanufacturing of automobile engines.
Journal of Cleaner Production, 185, 562-575. doi: 10.1016/j.jclepro.2018.02.061
154

Zhong, R. Y., Xu, X., Klotz, E., & Newman, S. T. (2017). Intelligent Manufacturing in the
Context of Industry 4.0: A Review. Engineering, 3(5), 616-630. doi:
https://doi.org/10.1016/J.ENG.2017.05.015. Repéré à
http://www.sciencedirect.com/science/article/pii/S2095809917307130

Zink, T., & Geyer, R. (2017). Circular Economy Rebound. Journal of Industrial Ecology,
21(3), 593-602. doi: 10.1111/jiec.12545