علم تصمیم گیری و سیستم های هوشمند 3060-7574 در دست انتشار 2026 09 16 Modeling and Optimization of a Sustainable Blood Supply Chain Network under Disruptive Conditions Using LSTM-Based Fuzzy Demand Forecasting دل‌سازی و بهینه‌سازی شبکه زنجیره تأمین پایدار خون در شرایط اختلال با استفاده از پیش‌بینی فازی مبتنی بر یادگیری عمیق FA محمدامين خسروي گروه مهندسي صنايع، دانشگاه يزد، يزد، ايران حسن خادمی زارع گروه مهندسی صنایع، دانشگاه یزد، یزد، ایران حسن حسینی نسب گروه مهندسی صنایع، دانشگاه یزد، یزد، ایران داود شیشه بری گروه مهندسی صنایع، دانشگاه یزد، یزد، ایران Journal Article <p>The blood supply chain is considered one of the most complex supply chains in the healthcare system due to the critical nature of blood products, their perishability, limited shelf life, demand uncertainty, and the potential occurrence of disruptions. Effective management of this supply chain requires approaches that can simultaneously ensure accurate demand forecasting, network resilience, and economic, social, and environmental sustainability. This study proposes an integrated forecasting–optimization framework for modeling and optimizing a sustainable blood supply chain network under disruptive conditions. In the first stage, the demand for blood products is forecasted under three scenarios using a Long Short-Term Memory (LSTM) neural network. To capture demand uncertainty, the forecasting outputs are transformed into fuzzy numbers and incorporated into the decision-making model. Subsequently, a multi-objective mathematical programming model is developed to design a sustainable blood supply chain network by simultaneously optimizing economic, social, and environmental objectives. To enhance the robustness of decision-making against parameter uncertainty and supply chain disruptions, a fuzzy robust optimization approach is employed. Furthermore, the proposed model is solved using the Non-dominated Sorting Genetic Algorithm II (NSGA-II), and sensitivity analysis is conducted to evaluate the model's performance under different disruption scenarios. The results demonstrate that the proposed framework significantly improves demand forecasting accuracy while enhancing network resilience, reducing total operational costs, mitigating environmental impacts, and improving service levels under disruptive conditions. Therefore, the proposed model can serve as an effective decision-support tool for blood service organizations and healthcare policymakers in designing sustainable and disruption-resilient blood supply chain networks.</p> <p>زنجیره تأمین خون به دلیل ماهیت حیاتی فرآورده‌های خونی، فسادپذیری، محدودیت زمان نگهداری، عدم‌قطعیت تقاضا و احتمال وقوع اختلالات، از پیچیده‌ترین زنجیره‌های تأمین در نظام سلامت به شمار می‌رود. مدیریت کارآمد این زنجیره مستلزم بهره‌گیری از رویکردهایی است که بتوانند به‌طور هم‌زمان دقت پیش‌بینی تقاضا، تاب‌آوری شبکه و پایداری اقتصادی، اجتماعی و زیست‌محیطی را تضمین کنند. پژوهش حاضر با هدف مدل‌سازی و بهینه‌سازی شبکه زنجیره تأمین پایدار خون در شرایط اختلال، یک چارچوب یکپارچه مبتنی بر پیش‌بینی فازی و بهینه‌سازی ارائه می‌کند. در مرحله نخست، تقاضای فرآورده‌های خونی با استفاده از شبکه عصبی حافظه بلندمدت (LSTM) تحت سه سناريو، پیش‌بینی شده و به‌منظور لحاظ کردن عدم‌قطعیت، خروجی مدل در قالب اعداد فازی به مدل تصمیم‌گیری منتقل می‌شود. سپس یک مدل برنامه‌ریزی ریاضی چندهدفه برای طراحی شبکه زنجیره تأمین خون توسعه یافته است که به‌طور هم‌زمان اهداف اقتصادی، اجتماعي و زیست‌محیطی را دنبال می‌کند. به‌منظور افزایش قابلیت اطمینان تصمیمات در برابر نوسانات پارامترها و وقوع اختلالات، از رویکرد بهینه‌سازی استوار فازی استفاده شده است. همچنین، برای حل مدل با ابعاد بزرگ، از روش‌های حل مناسب با الگوريتم فراابتکاري NSGA-II و تحلیل حساسیت جهت ارزیابی رفتار مدل در سناریوهای مختلف بهره گرفته شده است. نتایج نشان می‌دهد که چارچوب پیشنهادی ضمن افزایش دقت پیش‌بینی تقاضا، موجب بهبود تاب‌آوری شبکه، کاهش هزینه‌های کل، کاهش پیامدهای زیست‌محیطی و ارتقای سطح خدمت در شرایط بحرانی می‌شود. ازاین‌رو، مدل ارائه‌شده می‌تواند به‌عنوان ابزاری اثربخش برای پشتیبانی از تصمیم‌گیری مدیران و سیاست‌گذاران حوزه انتقال خون در طراحی شبکه‌های پایدار و مقاوم در برابر اختلالات مورد استفاده قرار گیرد.</p>