Отримано 25.12.2025, Доопрацьовано 04.05.2026, Прийнято 25.06.2026 Опубліковано 03.08.2026

3D моделювання складської логістики в програмному забезпеченні FlexSim: оптимізація логістичних процесів та управління ресурсами

Євгеній Сліпенький*

evhenslipenkyy@outlook.com



Мета дослідження полягала в теоретичному обґрунтуванні потенціалу програмного забезпечення FlexSim для тривимірного моделювання складської логістики, удосконалення складських процесів і забезпечення аналітичної підтримки управління ресурсами в складських логістичних системах. Дослідження мало теоретико-аналітичний характер і ґрунтувалося на систематизації структурних компонентів складу, напрямів тривимірного моделювання, функціональних можливостей FlexSim та методів ресурсного балансування. Результати показали, що склад доцільно розглядати не як статичний простір для зберігання товарів, а як процесну систему, у якій приймання, ідентифікація вантажів, розміщення, поповнення зон відбору, комплектування, внутрішньоскладське транспортування, пакування, відвантаження та контроль запасів утворюють єдиний операційний ланцюг. Встановлено, що тривимірна модель у FlexSim має поєднувати фізичні компоненти складу  – зони, стелажі, маршрути, робочі станції, техніку, конвеєри й автоматизовані транспортні засоби  – з логічними компонентами: чергами, буферами, правилами маршрутизації, пріоритетами обслуговування та режимами використання ресурсів. Систематизація напрямів 3D-моделювання засвідчила, що оптимізація складських процесів формується на просторовому, процесному та ресурсному рівнях. Просторовий рівень оцінено через середній рівень використання складської місткості ≥90 % і пікове використання місткості ≥100 %; процесний рівень – через час від приймання товару до його розміщення <3.5  год, внутрішній цикл обробки замовлення <3.36  год і повний цикл обробки замовлення <6  год; ресурсний рівень – через продуктивність відбору й відвантаження ≥70 рядків замовлень/людиногод, частку понаднормових годин <1.88 %, середній час очікування, максимальну довжину черги та рівень використання ресурсів. Практичне значення дослідження полягає у формуванні інтегральної концептуальної моделі, цінної для логістичних менеджерів, керівників складів та аналітиків ланцюгів постачання, оскільки вона дає змогу попередньо виявляти вузькі місця, черги, простої, ресурсні дисбаланси й ризики порушення ритмічності складських операцій

матеріальні потоки; операційний ланцюг; пропускна здатність; вузькі місця; комплектування замовлень
162-177
Slipenkyy, E. (2026). 3D modelling of warehouse logistics in FlexSim software: Optimisation of logistics processes and resource management. Information Technologies and Computer Engineering, 23(2), 162-177. https://doi.org/10.31649/vitce/2.2026.162

Використані джерела

  1. Abid, S., & Mhada, F.Z. (2021). Simulation optimisation methods applied in reverse logistics: A systematic review. International Journal of Sustainable Engineering, 14(6), 1463-1483. doi: 10.1080/19397038.2021.2003470.
  2. Aretoulaki, E., Ponis, S.T., Plakas, G., & Tzanetou, D. (2024). Discrete event simulation and Digital Twins in warehouse logistics: A bibliometric and content analysis-based systematic literature review. International Journal of Computer Integrated Manufacturing, 37(10-11), 1376-1403. doi: 10.1080/0951192x.2024.2314772.
  3. Berezhniak, І., Slipenkyy, E., Doroshchuk, V., & Soroka, V. (2025). Increase the efficiency of warehouse processes by modelling a service centre. Central Ukrainian Scientific Bulletin Technical Sciences, 1(11(42)), 272-279. doi: 10.32515/2664-262x.2025.11(42).1.272-279.
  4. Bottani, E., & Casella, G. (2024). Discrete-event simulation in logistics and supply chain management: A scientometric perspective. Production & Manufacturing Research, 12(1), article number 2415038. doi: 10.1080/21693277.2024.2415038.
  5. Cannava, L., Perotti, S., Najafi, B., & Rinaldi, F. (2025). A simulation-based approach to improve energy efficiency and environmental performance in warehouses: The case of IKEA. IFAC-PapersOnLine, 59(10), 799-804. doi: 10.1016/j.ifacol.2025.09.136.
  6. Coelho, F., Relvas, S., & Barbosa-Póvoa, A. (2020). Simulation-based decision support tool for in-house logistics: the basis for a digital twin. Computers & Industrial Engineering, 153, article number 107094. doi: 10.1016/j.cie.2020.107094.
  7. de Carvalho Paula, M., Carvalho, M.S., & Silva, E. (2025). Improving warehouse operations: Leveraging simulation for efficient layout design and process improvement in a picking by line operation. Procedia Computer Science, 263, 481-489. doi: 10.1016/j.procs.2025.07.058.
  8. De Vito, P., Battista, U., Bolognesi, A., & Sanfilippo, S. (2024). Multi-method approaches for simulation modelling of warehouse processes. In Proceedings of the 14th international conference on simulation and modeling methodologies, technologies and applications (pp. 305-312). Dijon: ScitePress. doi: 10.5220/0012771700003758.
  9. Di, H. (2024). Design and research of automated warehouse simulation platform based on virtual visualization framework. PeerJ Computer Science, 10, article number e1809. doi: 10.7717/peerj-cs.1809.
  10. Ebrahimi, A., Jeon, H.-W., & Jung, S.-Y. (2023). Improving energy consumption and order tardiness in picker-to-part warehouses with electric forklifts: A comparison of four evolutionary algorithms. Sustainability, 15(13), article number 10551. doi: 10.3390/su151310551.
  11. Ekren, B.Y. (2020). A multi-objective optimisation study for the design of an AVS/RS warehouse. International Journal of Production Research, 59(4), 1107-1126. doi: 10.1080/00207543.2020.1720927.
  12. Ferrari, A., Carlin, A., Rafele, C., & Zenezini, G. (2023). A method for developing and validating simulation models for automated storage and retrieval system digital twins. International Journal of Advanced Manufacturing Technology, 131(11), 5369-5382. doi: 10.1007/s00170-023-12660-y.
  13. FlexSim. (n.d.). 3D simulation modeling and analysis software. Retrieved from https://www.flexsim.com.
  14. Füchtenhans, M., Glock, C.H., Grosse, E.H., & Zanoni, S. (2021). Using smart lighting systems to reduce energy costs in warehouses: A simulation study. International Journal of Logistics Research and Applications, 26(1), 77-95. doi: 10.1080/13675567.2021.1937967.
  15. Gao, G., Feng, Y., Zhang, Z., Wang, S., & Yang, Z. (2022). Integrating SLP with simulation to design and evaluate facility layout for industrial head lettuce production. Annals of Operations Research, 321(1-2), 209-240. doi: 10.1007/s10479-022-04893-z.
  16. Grznár, P., Krajčovič, M., Gola, A., Dulina, Ľ., Furmannová, B., Mozol, Š., Plinta, D., Burganová, N., Danilczuk, W., & Svitek, R. (2021). The use of a genetic algorithm for sorting warehouse optimisation. Processes, 9(7), article number 1197. doi: 10.3390/pr9071197.
  17. ISO 14001:2026: Environmental management systems – Requirements with guidance for use. (2026). Retrieved form https://www.iso.org/standard/14001.
  18. ISO 22301:2019: Security and resilience – Business continuity management systems – Requirements. (2019). Retrieved from https://www.iso.org/standard/75106.html.
  19. ISO 28000:2022: Security and resilience – Security management systems – Requirements. (2022). Retrieved from https://www.iso.org/standard/79612.html.
  20. ISO 31000:2018: Risk management – Guidelines. (2018). Retrieved from https://www.iso.org/standard/65694.html.
  21. ISO 9001:2015. Quality management systems – Requirements. (2015). Retrieved from https://www.iso.org/standard/62085.html.
  22. ISO/IEC 25002:2024: Systems and software engineering – Systems and software Quality Requirements and Evaluation (SQuaRE) – Quality model overview and usage. (2024). Retrieved from https://www.iso.org/standard/78175.html.
  23. ISO/IEC/IEEE 24765:2017: Systems and software engineering – Vocabulary. (2017). Retrieved from https://www.iso.org/standard/71952.html.
  24. Jeon, H.-W., Ebrahimi, A., & Lee, G.-H. (2023). A simulation-based experimental design for analyzing energy consumption and order tardiness in warehousing systems. Sustainability, 15(20), article number 14891. doi: 10.3390/su152014891.
  25. Kallat, F., Pfrommer, J., Bessai, J., Rehof, J., & Meyer, A. (2021). Automatic building of a repository for component-based synthesis of warehouse simulation models. Procedia CIRP, 104, 1440-1445. doi: 10.1016/j.procir.2021.11.243.
  26. Kogler, C., & Maxera, P. (2025). A literature review of supply chain analyses integrating discrete simulation modelling and machine learning. Journal of Simulation, 20(1), 110-134. doi: 10.1080/17477778.2025.2500393.
  27. Kolesnyk, K., Khusnutdinov, M., Trochimczuk, R., & Artyshchuk, I. (2023). Simulation modeling of warehouse operations of a transport company. Computer Design Systems Theory and Practice, 5(1), 8-18. doi: 10.23939/cds2023.01.008.
  28. Lewicki, W., Niekurzak, M., & Wróbel, J. (2024). Development of a simulation model to improve the functioning of production processes using the FlexSim tool. Applied Sciences, 14(16), article number 6957. doi: 10.3390/app14166957.
  29. Li, Y., Zhang, R., & Jiang, D. (2022). Order-picking efficiency in e-commerce warehouses: A Literature review. Journal of Theoretical and Applied Electronic Commerce Research, 17(4), 1812-1830. doi: 10.3390/jtaer17040091.
  30. Pawlak, S., Saternus, M., & Nowacki, K. (2025). Application of discrete event simulation in the analysis of electricity consumption in logistics processes. Energies, 18(17), article number 4580. doi: 10.3390/en18174580.
  31. Rizqi, Z.U., Chou, S., & Cahyo, W.N. (2024). A simulation-based digital twin for smart warehouse: Towards standardization. Decision Analytics Journal, 12, article number 100509. doi: 10.1016/j.dajour.2024.100509.
  32. Rymarczyk, P., Bogacki, S., Figura, C., Rutkowski, M., & Staliński, P. (2024). Optimizing order picking processes in warehouses: Strategies for efficient routing and clustering. Journal of Modern Science, 57(3), 467-484. doi: 10.13166/jms/191201.
  33. Silva, A.C., Santos, R., Senna, P.P., Borges, F.M., & Marques, C.M. (2026). Enhancing picking-by-line operations: A simulation-based approach. International Journal of Advanced Manufacturing Technology. doi: 10.1007/s00170-025-17177-0.
  34. Singbal, V., & Adil, G.K. (2023). Development of an open-source data-driven simulator for the unit-load multi-aisle automated storage and retrieval systems. Journal of Simulation, 18(2), 220-238. doi: 10.1080/17477778.2023.2202337.
  35. Warehousing Education and Research Council. (2025). 2025 DC Measures Report. Retrieved from https://werc.org/page/ASSESS-DC_Measures.
  36. Winkelhaus, S., Zhang, M., Grosse, E.H., & Glock, C.H. (2022). Hybrid order picking: A simulation model of a joint manual and autonomous order picking system. Computers & Industrial Engineering, 167, article number 107981. doi: 10.1016/j.cie.2022.107981.
  37. Yu, C., Liao, W., & Zu, L. (2023). Dynamic scheduling optimization method for multi-AGV-based intelligent warehouse considering bidirectional channel. Systems, 12(1), article number 9. doi: 10.3390/systems12010009.
  38. Žagar, A., Motaln, M., Belšak, A., Jerman, B., Ting, C., & Lerher, T. (2025). A simulation model of automated storage and retrieval systems for long and heavy loads. Applied Sciences, 16(1), article number 248. doi: 10.3390/app16010248.
  39. Zeng, Y., Li, W., & Li, C. (2024). A dynamic simulation framework based on hybrid modeling paradigm for parallel scheduling systems in warehouses. Simulation Modelling Practice and Theory, 133, article number 102921. doi: 10.1016/j.simpat.2024.102921.