# POC1: Braunkohle Supply Chain Modellierung

## Überblick
Dieser POC modelliert eine Braunkohle Supply Chain mit Pyomo zur Optimierung von Produktions-, Transport- und Distributionsprozessen.

## Projektstruktur

```
POC1/
├── src/                    # Quellcode
│   └── preprocessing/
│       └── exploration_preprocess.py  # Notebook-exportiertes Preprocessing
├── data/                   # Daten
│   ├── input/              # Eingabe-Parameter (Excel)
│   └── processed/          # Vorverarbeitete Parquet-Dateien
├── models/                 # Modell-Definitionen
│   └── README.md
├── notebooks/              # Jupyter Notebooks für Analyse
├── latex/                  # Latex-Export/Artefakte
├── requirements.txt       # Python Dependencies
├── pyproject.toml         # Projektmetadaten
└── setup.py               # Setup-Skript
```

## Installation

```bash
pip install -r requirements.txt
```

## Verwendung

```bash
# Preprocessing-Skript ausführen
python src/preprocessing/exploration_preprocess.py
```

## Modell-Hinweise
- Bergbauwoche: Wochenstart Samstag (Sa–Fr) über Datum+2‑Tage‑Shift.
- IIS-Debug: Bei Infeasibility schreibt Gurobi eine `results/iis.ilp` mit lesbaren Constraint-Namen.
- 3-Tage-Regel: `no_three_in_a_row` ist aktuell auf <= 3 gelockert (Debug).

## Aktuelle Änderungen (Modell & Output)
- Tages/ Wochen/ Monatsabweichungen basieren auf **Lieferungen (x)**, nicht auf Bunkerabfluss.
- Mischungsverhältnisse (min/max + Ziel) werden **auf Lieferungen** angewendet (nicht auf Bunkerbestand).
- Zusätzliche weiche **Mid‑Ziel‑Abweichung** für Mix (linear) ist aktiv.
- B3‑Bunker‑Mix: weiche Zielmischung auf B3‑Bunkerbestand (stark gewichtet), um Welzow im Bunker zu vermeiden.
- Strecken‑Penalties/Bonuses wurden wieder **entfernt** (nur Mix‑/Abweichungs‑Penalties aktiv).
- Excel‑Output:
  - Sheet1 bleibt unverändert, `mit_Bunkerbestand` enthält Bunkerzufluss und Bunkerbestand.
  - Neue Sheet `Kohlemischverhältnis` mit Zielwerten + empirischem Mix (Lieferung) + Bunkermix.
  - Empirischer Mix wird rot/grün markiert, Gruppenfarben nur bis Spalte F.

## Webapp-Prototyp

Backend (FastAPI):
```bash
uv run python -m uvicorn webapp.backend.main:app --reload
```

Frontend (React/Vite):
```bash
cd webapp/frontend
npm install
npm run dev
```

Optional: eigene Input/Output-Pfade beim Preprocessing via Umgebungsvariablen:
`POC1_INPUT_XLSX`, `POC1_OUTPUT_DIR`.

## Docker (All-in-One)

Das Docker-Image enthält:
- FastAPI Backend
- React-Frontend als statischer Build (ausgeliefert über FastAPI)
- Python Preprocessing + Optimierung

Standard-Start über Docker Compose:

```bash
docker compose up --build
```

Danach:
- UI: `http://localhost:8000/`
- Health: `http://localhost:8000/api/health`

Persistenz:
- Job-Artefakte und Logs bleiben unter `./var` erhalten (Volume-Mount `./var:/app/var`).

Alternativ ohne Compose:

```bash
docker build -t leag-coallog:latest .
docker run --rm -p 8000:8000 -v "$(pwd)/var:/app/var" leag-coallog:latest
```

Optionale Runtime-Parameter:
- `APP_HOST` (Default: `0.0.0.0`)
- `APP_PORT` (Default: `8000`)
- `LOG_LEVEL` (Default: `info`)
- `GRB_LICENSE_FILE` (Default im Compose: `/app/licenses/gurobi.lic`)
- optional für WLS: `GRB_WLSACCESSID`, `GRB_WLSSECRET`, `GRB_LICENSEID`

### Gurobi im Docker-Container

- `gurobipy` wird im Runtime-Image installiert.
- Für klassische Lizenzdatei: `./licenses/gurobi.lic` auf dem Host ablegen.
- Für WLS statt Datei: die drei `GRB_*`-Variablen im Shell-Environment setzen.
- Verfügbarkeit prüfen:

```bash
curl http://localhost:8080/api/health
```


## Abhängigkeiten
- Pyomo (Optimierungsmodellierung)
- Pandas (Datenverarbeitung)
- NumPy (Numerische Berechnungen)
- Matplotlib/Plotly (Visualisierung)