SemanticAlgorithmforIndustrialSymbiosisNetworkSynthesis

FranjoCecelja(correspondingauthor–email:f.cecelja@surrey.ac.uk,tel/fax:+441483686585),NikolaosTrokanas,TaraRaafat,MingyenYu

Centre for Process & Information Systems Engineering, Faculty of Engineering & Physical Sciences, University of 

Surrey, Guildford, GU2 7XH, United Kingdom 

Abstract

The  paper  introduces  a  semantic  algorithm  for  building  Industrial  Symbiosis  networks.  Built  around 

ontology  modelling  of  knowledge  in  the  domain  of  Industrial  Symbiosis,  the  algorithm  enables  the 

acquisition  of  the  explicit  knowledge  from  the  user  through  ontology  instantiation  and  input/output 

matching  based  on  semantic  relevance  between  the  participants.  Formation  of  innovative  Industrial 

Symbiosis  networks  is  enabled  by  decomposition  of  properties  characterising  respective  resources  and 

solutions, the process optimised for set environmental criteria. The proposed algorithm is implemented as 

a web service. The potential of the algorithm is demonstrated by several case studies using real‐life data. 

Keywords

Industrial symbiosis, Ontology, Semantic matching, Optimisation, Network Synthesis  

1 Introduction

Based on  the principle of  industrial ecology  to  reduce  the use of virgin materials and energy by  reusing 

water, recovering energy and utilising by‐products, the items commonly called waste, Industrial Symbiosis 

(IS) describes the industrial networks set on an ad‐hoc principle. Such networks  focus on trading material, 

energy  and water  to  gain economic,  environmental  and  social benefits  (Lehtoranta et  al. 2011). Ad‐hoc 

principle  refers  to  collaboration  between  companies  which  normally  do  not  have  established 

consumer/supplier relationship and which occurs within strict geographical and environmental boundaries 

(Chertow 2004). Economic benefits are generated by the cost efficiency coming from the off‐market prices 

of waste material  and  energy  generation  and  they  are  driving  force  for  private  industry  to  participate. 

Tighter  integration enables  further economic savings  through cascading of water and energy and sharing 

utilities and services and hence yielding collective benefits greater than the sum of individual benefits (Jae‐

Yeon et al. 2006). Tighter  integration  is also justified by environmental and social grounds. By focusing on 

reuse of waste, energy and water, environmental benefits are integral part of IS, which include landfill and 

pollutant savings, reduction in greenhouse gas generations (Mirata and Emtairah 2005), improved resource 

use efficiency (Chertow 2007) and reduced use of non‐renewable resources (Trokanas et al. 2013). These 

benefits are further amplified by geographical boundaries and localised operation. Some authors claim that 

localised operation of  IS provides measurable outputs  in  revitalising urban and  rural  sites, promotes  job 

growth and retention and encourages more sustainable development (Chertow and Ehrenfeld 2012). It has 

been proven that environmental and social benefits are driving force behind the  interest of city planners 

(Chertow 2004), economic development experts and real estate developers and agencies to take proactive 

role and to participate and promote (Alberta and Kevin 2008).  

In practice, IS occurs locally or regionally as spontaneous process or promoted and otherwise supported by 

states or regions. Key to establishing symbiosis is the matching of inputs and outputs to make links across 

industries  (Chertow 2004).  In contrast to virgin materials, waste materials and waste energy are typically 

nonstandard and off‐spec, not originally designed for reuse and highly variable in composition and pattern 

of availability. This heterogeneity is difficult to define distinctively and inputs and outputs are characterised 

more by tacit knowledge based on associations, know‐how expertise and engineering intuition (Cecelja, F. 

et  al.  2014b).  Although  rarely  measured  explicitly  in  practice,  environmental  and  social  benefits  are 

presumed  in  the process of establishing  links which  inevitably  increases number of options  to  consider, 

especially  at  the  early  stage  of  symbiosis. Nonstandard  and  nonmarket  transactions  between  symbiotic 

partners also add to the complexity. It is for these reasons that, as at present, the IS is usually initiated and 

the whole process coordinated manually by trained IS practitioners which normally take active part in the 

process of decision making; the process which tends to be slow, expensive and coloured by practitioner’s 

experience and expertise. 

Realising  the  complexity  of  the  task  and  cognitive  limitations  of  practitioners  in  perplexing  situations, 

purpose built  information systems have been  introduced to support and facilitate the process. Existing  IS 

support  systems  are  thoroughly  reviewed  by  (Grant  et  al.  2010).  They  typically  involve  opportunity 

identification  by  mimicking  input‐output  matching  based  on  explicit  data  arranged  in  proprietary 

databases, with some exceptions which address collaborative projects and workflow management. These 

support  systems  are  dominantly  helpful  in  the  second  phase  of  symbiosis,  the  phase  of  operation  and 

monitoring. Such an approach is justifiable by the fact that, with explicit knowledge available, opportunity 

identification  appears  to  be  a  logical  starting  point.  Input/output  (I/O) matching  appears  as  a  simple 

optimisation routine until more tacit knowledge is needed. According to our knowledge, which is confirmed 

by Grant et al. (Grant et al. 2010), the only known system attempting to address challenges associated with 

the use of  tacit knowledge  is DIET  system  introduced by U.S. Environmental Protection Agency  (Euzenat 

and  Shvaiko  2013).  DIET  is  built  around  production  rules  as  expert  system.    Although  the  operation 

efficiencies of DIET are not known,  the  limitations of production  rules when dealing with higher  level of 

tacit  knowledge  or  attempting  to  share  are well  known  and  have  been  proven  in  practice  (Turban  and 

Aronson 2001). 

Following on previous development and use of ontology to model both explicit and tacit knowledge in the 

domain of  IS and hence  to  support  the process of  IS  (Trokanas et al. 2014),  this paper proposes a new 

framework  to  synthesise  IS  networks  optimised  to  improve  environmental  performance.  The  proposed 

framework is built around the ontology used to i) model tacit knowledge in the domain of IS including to‐

date  advances  in  resource  (waste)  and  solution  (technology)  classifications,  and  ii)  model  explicit 

knowledge which includes expanded set of environmental and physical properties of waste and known and 

potential  technological  solutions,  as  well  as  the  set  of  respective  and  commonly  used  environmental 

metrics. Tacit knowledge  is built  in the structure of ontology,  i.e. subsumption and object properties with 

respective  restrictions  (Raafat  et  al.  2013).  From  explicit  knowledge  perspective,  ontology  is  used  for 

collecting and storing data on IS entities (participants) presented as the ontology instances. In addition, the 

proposed ontology enables  instance matching, expanding knowledge base, generating new knowledge  in 

the process of IS operation and knowledge sharing. Designed ontology  is prepared to grow. The matching 

algorithm developed to match IS entities and to identify IS opportunities based on their I/O characteristics 

and  the  set  of  operational  characteristic  (Trokanas  et  al.  2014)  is  further  expanded  to  account  for 

environmental  properties  and  to  allow  for  autonomous  and  recursive  operation  towards  synthesis  of 

innovative and more complex  IS networks with more than two participants.  Innovative solutions are also 

generated by decomposition of properties characterising resources and solutions, the process optimised for 

environmental savings beyond  inherent benefits associated with  IS. This paper focuses on the theoretical 

concept  of  knowledge  model  and  design  of  matching  algorithm,  as  well  as  optimisation  of  property 

decomposition for given environmental conditions used in the process of synthesising IS networks. Practical 

implementa

proposed. T

2 Theo

2.1 ISC

Industrial Sy

to  trade  m

Unpredictab

principle w

have a long

network  is 

(Trokanas e

conditions a

between  pa

matches (Ch

instead it re

one but diff

I/O matchin

providers 

describing t

The propert

numerical  (

date). Still, t

a measure 

merely by d

The  curren

involving m

benefits are

become res

matching in

of the last s

Figure 2 (Tr

cumulative 

match betw

options incr

ation  for  IS 

The usefulne

oreticalF

oncept

ymbiosis (IS)

material,  en

bility of was

hich operate

g life‐time, b

the  discove

et al. 2014), 

and perhaps

articipants  i

hertow 2000

efers to the 

ferent resou

ng between 

,  is establis

the  input of 

ties  ,  use

(i.e. quantity

the level of m

of  IS  proce

decision supp

nt  matching 

more  than  tw

e possible w

source (input

n Figure 1 to 

solution prov

rokanas et a

measure of 

ween only tw

reases expon

which  supp

ess and opera

Formulat

) is a networ

nergy  and/

ste  availabili

e within con

ut then it wo

ery  of matc

which  fully 

s local or oth

s  rare  and 

0). Here the 

resource or 

rce or solutio

participants,

shed by mat

the solution

d  for match

y or availabil

match is exp

ss  and whic

port agents. 

F

practice  is 

wo partners 

with more co

t) to anothe

a chained ne

vider in the 

l. 2014). The

match, the 

wo participan

nentially with

F

ports  IS  netw

ation of prop

tionofIn

rk of compa

or  water  t

ity  sets  IS  in

nfined geogr

ould normal

hing  particip

or partially 

herwise spec

in majority 

term partici

solution the

on and then 

, the resourc

tching  the p

n, as shown 

ing are eithe

lity period), 

pected to be 

ch  is  easier

Figure 1 Princ

manual  an

are  rare. De

omplex  IS ne

r solution pr

etwork is by 

network, 

e whole proc

similarity, is

nts is also co

h the numbe

Figure 2 Prin

work  integr

posed forma

dustrial

nies with th

to  achieve 

nto  a  catego

aphical and 

ly go throug

pants,  the  p

satisfy a set

cified require

of  cases  so

pant does n

ey commit to

each of them

ce (waste) pr

properties 

for a single 

er descriptiv

or even com

quantified b

for  compreh

ciple of IS sin

nd  mediated

etailed  analy

etworks whe

rovider (Raaf

 recursively 

 in Figure 1,

cess  is repea

s then calcul

onsidered a n

er of particip

ciple of chai

ation  and  in

lism is demo

Symbios

e common i

economic, 

ory of  oppor

environmen

h variability 

process  know

t of technolo

ements. Prac

ome  adapta

ot refer to a

o IS. The sam

m is treated 

roviders   a

,  describin

matching be

ve,  (i.e.  type

mposite  (i.e. 

by a single va

hension  by 

ngle matchin

d  by  trained

ysis, howeve

ere  solution 

fat et al. 201

repeating th

 switching th

ated until all

ated for com

network. Wi

pants involve

ned matchin

nitialisation 

onstrated by 

is

nterest to p

environmen

rtunistic  netw

ntal boundar

in trading. T

wn  as  input

ogical, econo

ctice suggest

tions  are  ne

n individual 

me company

as a separat

and solution 

g  resource w

etween two 

of material 

pattern of a

alue, the sim

humans  and

ng 

d  practitione

er,  shows  th

provider ou

13). One way

e single mat

he role to a 

l possible ma

mparison. No

th chained m

d. 

ng 

of  IS  opera

two case stu

rocess waste

ntal  and  s

works  set o

ries.   An  IS n

The key to es

t/output  (I/O

omic and en

ts that full I/

eeded  to  sa

or a compa

y can commi

te participan

(processing 

with  the pro

participants

 or waste co

availability  f

milarity, which

d  for  furthe

 

ers.  Comple

hat better  cu

utput and/or

y of expandin

tching proce

resource pro

atches are e

ote that in th

matching the

ation  is  also

udies. 

e and hence

ocial  gains.

n  an  ad‐hoc

network can

stablishing a

O) matching

vironmental

/O matching

atisfy  partial

ny as entity;

t more than

t in IS. 

technology)

operties  ,

s  in Figure 1.

omposition),

rom date  to

h represents

r  processing

ex  networks

umulative  IS

r by‐product

ng the single

ss with each

ovider,   in

exhausted. A

his case, the

e number of

 

o 

e 

. 

c 

n 

a 

g 

l 

g 

l 

; 

n 

) 

 

. 

, 

o 

s 

g 

s 

S 

t 

e 

h 

n 

A 

e 

f 

More  comp

decomposit

than one  fo

period of av

shown in Fig

offered  by 

smaller  por

resource pr

, , ⋯ ,of property

Figure 4 wh

resource co

provider ca

Several  crit

decompose

committed 

specified co

performanc

based on m

of  the  pro

programmin

plex  networ

tion of (som

ollow‐on  sol

vailability of 

gure 3 for th

the  resourc

rtions  ,rovider and c

 which do 

y decomposit

here  typicall

onsumer. Rev

n be served 

teria  for  dec

ed property 

to IS; ii) to s

ost function,

ce of the wh

maximising th

ocess  of  IS 

ng to optimi

rks  and  hen

e) propertie

ution provid

resources a

he first stage

ce  provider  a

, ⋯ ,   such

characterise

not overlap

tion, the con

y each  reso

versibly, it co

by more tha

Figu

composing  p

to  the highe

satisfy the ne

,  i.e. to maxi

ole network

he environm

to  orchestr

se property 

Figure 4 

ce  more  ex

s. More pre

der or  resou

nd solutions

 of matching

and  characte

h  that  ∑d by the pro

p each other 

ncomitant n

urce provide

ould be obse

n one resou

ure 3 Process

properties  c

est  level,  i.e.

eed of most 

imise aggreg

. The approa

mental perfor

rate  the  pro

decompositi

Chained mat

xtensive  rang

cisely, some

urce  consum

s are perhap

g with only o

erised  by  th

.  Sim

operty hasAv

and such th

umber of m

er  supports 

erved from F

rce provider

s of property

could  be  fol

.  to maximis

 follow‐on s

gated econo

ach of decom

rmance. For 

ocess  of  pr

ion for achie

tching by pro

ge  of  option

e properties 

er. The prop

s the most o

one resource

he  property 

ilarly,  the  w

vailability is d

hat ∑atching opti

more  than o

Figure 4 that 

rs is also valid

y decomposi

lowed:  i)  to

se quantities

olution prov

mies or to m

mposition of 

this, we pro

roperty  deco

eving the targ

operty decom

ns  are  poss

can be deco

perties  refer

obvious prop

 provider. He

hasQuantity

whole  availa

decomposed

. Howeve

ons  increase

one  follow‐o

the stateme

d. 

tion 

o  utilise  reso

s or utilisatio

viders, and iii

maximise agg

properties p

opose an on

omposition 

gets.   

mposition 

ible  by  intr

omposed to 

rring  to qua

perties to dec

ere, the tota

y  is  decomp

ability  period

d into   sma

er, with the 

es multiply, 

on  solution 

ent that a sin

 

ources  chara

on of availa

i) to maximi

gregated en

proposed in 

ntological rep

and  mix‐int

 

oducing  the

match more

ntity and  to

compose, as

al quantity 

posed  into 

d    for  the

aller periods

introduction

as shown  in

providers or

ngle solution

acterised  by

bility period

se/minimise

vironmental

this paper is

presentation

teger  linear

e 

e 

o 

s 

 

 

e 

s 

n 

n 

r 

n 

y 

d 

e 

l 

s 

n 

r 

2.2 TheISDomainOntology

The process of matching, hence the formation of IS networks  is orchestrated by an ontology representing 

the IS domain (Raafat et al. 2013), e.g. resource (waste) and solution classifications, as well as the operation 

of  IS  (Trokanas  et  al.  2014).  More  precisely,  the  participants,  namely    resource  providers 

, , ⋯ ,  and    solution providers  , , ⋯ ,  are  instances of  the  IS domain ontology, 

which takes format of a 6‐tuple  ⟨ , , , , , ⟩ consisting of: 

i)   instances  characterised  by  a  set  of    properties,  , 1, ⋯ , , , ,  each 

representing an IS participant (resource provider or solution provider) and organised into classes   as 

  , , ∶ , ∧ ∀ , 0,   (1) 

where    is  the  total  number  of  instances  sharing    common  properties,  that  is  instances  with 

intensionally equal1 properties  , ∶ , . For  0,   is an empty class and still having properties  , ;  

ii) A  set  of    classes   with  each  class    having  a  distinct  name    hence  representing  a 

concept with respective semantic. As all instances   of a class   share the common properties (see eq. 

(1)), then the set of properties   semantically describes the class  . Consequently, the intension   of 

the class   is defined as  3‐tuple (Junli et al. 2006); 

  ∶ ⟨ , , ⟩  (2) 

iii) A graph  ,  forming a subsumption hierarchy in ontology sense, called the subsumption, 

were   indicates the edge between the nodes of the graph representing the classes (or concepts). 

As  such,  the  edge    represents  class  ( )  ‐  subclass  ( )  participation which  assumes  property 

inheritance (from a subclass to a class), such that 

  ⊆ ,  ∀ ⊆ ∧   (3)   

In other words, instances of a subclass are also instances of the class, and also all the properties   of a 

class   are inherited by the subclass  . The two non‐empty subclasses   and   are disjoint classes, if 

they do not share any instance, that is if  ∩ 0, ∀ ;   

iv) The class  relationship   which  is a set of bijective  relationships  ,  between all elements of domain 

class    and  range  class    other  than  class‐subclass  participation  (   relationship)  and which  is 

defined as: 

  , , ∀ , ∈ ,   (4) 

where the term  , ,  refers to a predicate calculus form and hence further enhances the semantic 

of the ontology and forms the base for (tacit) knowledge representation; 

v) ‐dimensional subsumption   of properties   defined as 

  . , ∀,

  (5) 

Note here that although the inclusion mapping   in eq. (4) and (5) is generally possible, we exclude 

such a reflexive relationship for the purpose of simplifying the process without limiting practical aspect 

                                                            1 Two  instances are  intensionally equal,  if they have the same structure of the properties, not necessarily the same property values. 

of  the  application  in  mind.  For  ,   being  inverse  instant  relationship  of  , ,  then   

( , , ∀ , ∈ , ) is the inverse class relationship of  ; 

vi) Extension    of  a  class    which  is  defined  by  the  relationship    which  profiles  the  structural 

properties of  the class by  its  relations with other classes  (Junli et al. 2006). For   being a  subset of 

relationship  domain    and    being  a  subset  of  relationship  range  ,  then  the  restriction  of 

dom  to   is the partial function  dom |  providing inclusion mapping   as 

  :   (6) 

and  the restriction of  rang   to    is  the partial  function  rang |  providing  inclusion 

map   as 

  :   (7) 

In consequence,   (and  ) establishes the binary relationship between: 

1. Domain  class    and  range  class    based  on  universal  and  existential  quantifiers  over 

properties   of  , 

2. Doman class   and  ,  ∈ ,  based on cardinality quantifiers over properties  of  , and 

3. Domain class   and  ,  ∈ ∨ , based on equality quantifiers over properties  of  . 

For   being  the extensions of classes   and  ,  respectively,  then   and   are equivalent 

classes, if  and if  ∩ ∪ . 

2.3 Matching

Matching  between  participants,  which  are  in  the  ontology  represented  by  respective  instances,  is 

performed on the request of one of them, the requester, and based on i) metrics defined over properties 

, 1,⋯ ,  characterising them (only numerical properties will be considered for this type 

of matching) and representing explicit IS knowledge, and ii) metric defined over mutual position (distance) 

of  respective  classes  in  the  ontology  and  representing  tacit  IS  knowledge.  In  general,  for  a  h‐metric   

defined over set of (only)   numerical properties  , , ∈ , 1,⋯ , ⊆  as 

  : →   (8) 

the  object  ,   forms  a metric  space.  By  observing  the  set  of  numerical  properties    as  an  ‐

dimensional vector  , , , , ⋯ , , , objects  ,  form the vector space2   of   vectors. To 

this end, every pair of classes  ,  and/or pair of vectors  ,  can be mapped as  → : 

   : → , ≡ , ∈   (9) 

For matching the properties, we define a h‐metric   over the vector space   as mapping from  →  

so that 

  : → ,   (10) 

                                                            2  In  linear  algebra,  a  vector  space  is  a  set    of  vectors  together  with  the  operations  of  addition  and  scalar multiplication (and also with some natural constraints such as closure, associativity, and so on). 

Then, the similarity measure of the object  , ,  is 

 ⋅

‖ ‖,

, 1,2,⋯ , 2   (11) 

For matching the position of respective classes   and   in the ontology, we define a h‐metric   over the 

set of classes   as mapping from  →  so that 

  : → ,   (12) 

Then, the similarity measure of the object  , ,  is 

  min ∈ , ,   (13) 

where  ,  ( , ) is the distance between classes   ( ) and another class   within the set    

measured  in number of  intermediate edges3  in graph sense along subsumption   and along selected   

relationships.  The  process  of  selecting  which  relationship    to  use  is  application  dependent  (not  all 

relationships   are necessarily used) and in this work we use properties defined in Table 4. 

For  an  unambiguous  quantification  of  a match  between  two  instances  representing  IS  participants we 

aggregate similarity measures   and   as 

    (14) 

where   and   are weighting factors deepening the semantics of the ontology similarity and their values 

are  dictated  by  the  application. More  specifically,  equation  (14)  indicates  aggregation  of  tacit  similarity 

expressed  by  eq.  (13)  and  explicit  similarity  expressed  by  eq.  (11)  into  a  single  similarity  measure 

characterising the match between two instances. 

2.4 ModellingofEnvironmentalEffects

In  the  IS  domain  ontology,  three major  groups  of  properties  are  used  to  characterise  both  resources 

(waste)  and  solutions  (technologies)  and  hence  to  enable  assessment  of  economic  (   properties 

, , ∈ , 1,⋯ , ⊆ ),  environmental  (   properties 

, , ∈ , 1,⋯ , ⊆ )  and  operational  (   properties 

, , ∈ , 1,⋯ , ⊆ ) benefits, as shown in Table 1. In Table 1 the semantic of the 

properties  is  self‐explanatory  by  their  names  (a  full  description  is  provided  in  Appendix  C)  and  the 

superscript (N) indicates numerical properties. 

Table 1 Properties  ,  used in the IS domain ontology 

Property name Operational features 

Environmental features 

Economic features 

Characterising 

Resources  Solutions IS 

operation 

hasQuantity(N)  √  √    √  √   

hasProcessingPrice(N)    √  √  √  √   

hasAnnualCost(N)    √  √  √     

isValidFrom(N)  √      √  √   

                                                            3 The term edge represents the links or relationships between the two classes in the graph  .  

isValidTo(N)  √      √  √   

hasName  √      √  √   

isBiodegradable  √  √    √     

isHazardous  √  √    √    √ 

embodiedCarbon(N)  √      √     

hasCO2emission(N)    √  √    √   

hasByProduct  √  √      √   

needsEnergy(N)  √  √      √   

needsWater(N)  √  √      √   

hasConversionRate(N)  √  √      √   

geo:Lat(N)  √    √      √ 

geo:Long(N)  √    √      √ 

belongToIndustry    √  √      √ 

hasStorageCapacity(N)  √          √ 

hasStorageMethod  √          √ 

hasDeliveryMethod  √    √      √ 

(N) ‐ numerical properties 

 The environmental performance of IS networks is evaluated by five metrics calculated from environmental 

properties in Table 1 and they include: i) landfill diversion savings  , ii) embodied carbon impact  , iii) 

transportation  impact  TI,  and  iv)  virgin materials  saved VMS.  Calculation  of  all  five metrics  is  in  detail 

explained in reference (Trokanas et al. 2015) and summarised in Table 2.  

Table 2 Calculation of environmental metrics 

Metric  Calculation  Variables 

Landfill diversion savings   

,

,

∗ ,  ,  ‐    quantity of exchanged resources, the 

ontology property hasQuantity,  

,  ‐  the disposal cost of the resource (waste), 

 ‐   the landfill tax,

,  ‐   resource embodied carbon value, the 

ontology property embodiedCarbon, 

 ‐   the carbon dioxide credit price,  

,  – the factor  characterising the emission of 

particular mode of transportation, the ontology property  hasDeliveryMethod, 

,  ‐   the distance between IS participants   and   

calculated from geographical longitude and latitude of participants (the ontology properties geo:Lat and geo:Long),  

,  ‐    committed resource capacities between the 

participants   and  ,  

,  – price of the resource as a raw material,  

,  ‐  price of the resource as a recyclate.

Embodied carbon  impact 

 , ∗ , ∗

,

 

Transportation impact    , ∗ , ∗ , ∗

,

 

Virgin materials saved   

,

,

∗ , ,  

2.5 OptimisationofPropertyDecomposition

In  the  process  of  property  decomposition  we  have  adopted  the  following  principles  which  assure 

generation of technologically logical and operationally viable IS network options: 

i) Only  numerical  properties  are  used  for  decomposition.  In  this  paper we  propose  decomposition  of 

resource quantity (the ontology property hasQuantity) and resource availability (the ontology properties 

isValidFrom  and  isValidTo).  The  property  decomposition  only  involves matches which  have  semantic 

similarity

ii) Each  po

smaller t

depends

where  t

transitio

iii) The  tim

participa

establish

inclusion

iv) Each ava

which is 

costs. It 

the  ont

sequenc

practice 

v) The mat

initiated

solution 

combine

not cons

vi) There  is

technolo

of the pr

y   higher 

0.5). Matche

ortion  of  the

than the eco

s on  the eco

the  resource

on from one r

e  of  availab

ants  and  to 

hed availabil

n would viola

ailability tim

normally di

has to be no

ology  for  t

ces  involving

and it is a to

tching  reque

 which  resu

provider  w

ed to result  i

sidered; 

  a  single  ne

ogical and IS 

rime solution

than the thr

es with 

e  split  part  o

onomical lev

onomies dict

es  from  diff

resource to a

bility  is  only 

fill‐in  remai

ity overlap is

ate the princ

Figure 5 De

e portion ca

ctated by th

oted here tha

the  purpose

g  different  r

opic of curre

ester  could 

ults  in  a  sing

when  a  back

in a single e

etwork  solut

logic and he

n, as demons

reshold valu

 are e

of  resources

el  ,  define

ated by  the 

ferent  partic

another; 

decompose

ining  availab

s not conside

ciple of ‘full o

ecomposition

annot be sho

e transporta

at the transp

e  of  optimis

esources  are

nt research;

be  either  1

gle  resource 

kward  matc

nd product 

ion,  the  prim

ence include

strated in Fig

e   defin

liminated as

s  quantity  (t

ed by the ma

transportat

cipants  are 

ed  to  the  le

bility  gap,  as

ered, e.g. Pa

overlap’ only

n constrain o

orter than th

ation require

portation req

sation.  Simi

e  resource‐t

 

1)  resource 

  used  to  pr

ching  proces

(Figure 6b). 

me  solution

ed in principl

gure 6. 

ned by the m

 options alto

the  ontology

atch request

tion and/or s

not  of  exac

evel  of  satisf

s  shown  in 

artner 3 in Fi

y; 

of the availab

he time fenc

ements and/

quirements a

ilarly,  the  s

technology  d

provider  wh

ovide  differe

ss  is  initiate

Combination

, which  incl

les i) to iv). A

matching req

ogether; 

y  property  h

ter. The min

switching co

ctly  the  sam

fying  the  fu

Figure  5.  Fu

gure 5 is not

bility period 

ce   define

/or switching

are case spec

switching  be

dependent, 

hen  a  forwa

ent  end‐pro

ed  with  mo

n of the two

udes  all  the

All other solu

questor (def

hasQuantity

imum quant

ost of proces

me  type  hen

ull  overlap  b

urther  decom

t considered

ed by the re

g process an

cific and not 

etween  indi

by  enlarge 

ard matching

oducts  (Figur

ore  than  on

o matching r

e  partners  sa

utions are su

fault value  is

y)  cannot  be

tity normally

ssing  in case

nce  includes

between  the

mposition  of

d because its

 

quester and

d respective

modelled in

ividual  time

unknown  in

g  process  is

re  6a),  or  2)

e  resources

requesters  is

atisfying  the

ub‐networks

s 

e 

y 

e 

s 

e 

f 

s 

d 

e 

n 

e 

n 

s 

) 

s 

s 

e 

s 

Following  t

solution, na

of  propertie

resource/so

case, with t

 

where   de

level of dec

applying the

 

where the o

which refer

existence o

Here,  the o

Table 2 as 

 

The constra

principles i)

constraints 

the resourc

the switchin

set  by  the 

calculated  

Figure 6

he property 

amely the pr

es  hasQuan

olution availa

he property 

enotes the d

composition 

e mixed inte

objective fun

r to properti

of properties

objective  fun

aint  function

) to vi) are sa

as shown in

ces, namely q

ng time cons

requester.  T

as a percent

6 Process of p

decomposit

rime network

tity  for  the 

ability period

decomposit

∑ ,

decompositio

for each ma

ger linear pr

. .

nction  , as 

es hasQuan

s and/or por

nction 

ns  ,   in eq

atisfied in ad

n Table 3. As 

quantities  ,

straint is use

The  default 

tage of the to

property dec

tion principle

k, first. More

resources  q

d determined

ion defined 

,

on  level of t

atching optio

rogramming 

,

,

well as cons

tity and hasA

rtion of prop

  refers  to  e

.  (16) accou

ddition to ge

such, the co

,  and availa

d to eliminat

value  of  th

otal availabil

composition 

es  i)  to vi), a

e precisely, p

quantity  and

d from isVal

as: 

 

he property

on between

(MILP) optim

, , ,

, , 0

, , 0∈ 0,1

straints   an

sAvailability, 

perties  in  re

environment

unt  for  the p

eneral princi

onstraints 

ability  ,  (Ta

te any partic

e  time  fenc

ity period w

to support I

a partial ma

partial match

  solution  ca

lidFrom and 

  ,  referrin

two particip

misation of t

nd  , are all

respectively

lation  to  the

tal  effects de

problem cons

ple of IS ope

and   define

able 3). Alon

cipation whic

ce  ,  if 

ith 20% used

S network fo

tching  is use

hing is possi

pacities  and

isValidTo pro

ng to the par

pants  in the 

he general fo

functions o

y, and the se

e decompos

efined by  en

strains assur

eration and r

e the feasibi

ng with the q

ch does not c

not  provide

d as a guideli

ormation 

ed  to  form  t

ble by using

d  hasAvailab

operties (Ta

rticipants  . 

 network  is 

orm 

of properties

et of variable

sition princip

nvironmenta

ring  that de

respective te

ility area con

quantity  ,  

cover the tim

ed  by  the  re

ine from pra

 

the prime  IS

 only part(s)

bility  for  the

ble 1) in this

(15)

The optimal

achieved by

(16)

  ,  and  ,

es   defines

ples  i)  to vi).

al metrics  in

(17)

composition

echnological

nsistent with

consistency,

me fence 

equester,    is

actice: 

S 

) 

e 

s 

l 

y 

 

s 

. 

n 

n 

l 

h 

, 

  

s 

      ∗ 0.2  (18) 

And finally, the quantity decomposition is also governed by the environmentally sound quantity    (Table 

3).  For  the  time  horizon    (default  value  is  set  to  1 month),  the  environmentally  sound  quantity  is 

calculated as 

  ,   (19) 

where  ,  is committed quantity and  is availability period calculated as 

    (20) 

The environmentally sound quantity of the request has to be satisfied by the sum of the available 

quantities; 

  EQ ∑EQ   (21) 

Table 3 Specification of the optimisation constraints 

Metric  Calculation  Variables 

Request  quantity constraints  , ,  

,  ‐    available quantities of participating resource providers,   

 ‐   number of participating resource providers 

1,  ‐   requested quantity 

,  ‐    committed quantities by resource provider  , 

,  ‐    minimum economic level of quantities 

defined by requester (see decomposition principle ii)  

‐ acceptable switching time for Requester  

,  – overlap between request and 

user  . 

 – economic quantity for user  . 

Resource  provider quantity constraints  

, , , ∀  

Economic  level quantity constraints 

, , , ∀  

Switching time constraint 

Overlap ,  

Economic  quantity constraint 

 

In order  to provide  intuitive  results understood by users and comparable  to  the  similarity measure  (14), 

optimised environmental  indicator    from eq.  (17)  is normalised  to  the  range defined by maximum 

 and minimum   values as 

  , ,

  (22)  

which aggregated with the similarity   (eq. (14)) gives the network suitability measure   as 

  07 ∙ 0.3 ∙ ,   (23) 

2.6 DescriptionoftheAlgorithmforOptimisationofEnvironmentalProperties

In  its  full  implementation,  the process of  synthesising environmentally optimised  IS networks  starts with 

identifying all  technologically viable options  satisfying  the  request,  the process  fully  controlled by  the  IS 

domain ontology and respective semantic matching. The whole process is outlined in Figure 7 and takes the 

following form: 

Step 1:   Execute semantic matching recursively at each  level of the network, starting from the requester 

and  using  i)  forward matching  for  resource  (waste  provider)  as  requestor  (Figure  6a),  or,  ii) 

backward matching  for solution  (technology provider) as  requestor  (Figure 6b).  Identify all sub‐

networks  satisfying  technological  relevance  and  rank  them  by  semantic  relevance  using 

aggregated similarity calculated by eq. (14) and for all matching partners in the network; 

Step 2:   Fr

ne

th

so

m

pr

pr

Step  3a:  Fo

av

of

th

Step 4b: Fo

av

th

th

Step 5:   Ca

th

3 Impl

The propos

as a web se

rom all optio

etworks.  Re

hreshold 

olution  prov

atching. Not

roviders, as 

roviders; 

or  forward m

vailability  ,

f their match

hat condition

or backward 

vailability  ,

heir matching

hat condition

alculate aggr

he semantic s

Figure 

lementat

ed formalism

ervice which 

ons  identifie

move  all  th

, that  is 

viders  in  cas

te that  in ca

well as  in ca

matching,  ca

 (has Availa

hing solution

n (21) is satisf

matching, c

 (has Availa

g resource p

n (21) is satisf

regated netw

similarity   

7 Optimisati

tion

m and respec

includes IS d

d  in step 1 s

he  individual

, an

se  of  forwa

ase of forwa

ase of backw

alculate  opti

bility) for all

providers 

fied; 

calculate opt

ability) for all

providers  , 

fied;  

work similarit

of every oth

on of param

ctive decomp

domain onto

select  the p

l  participant

nd  identify a

ard  matching

rd matching

ward matchi

imised  deco

   no

, as defined

timised deco

l   no

as defined b

ty for decom

her network 

meter decomp

position algo

ology and I/O

rime networ

t  pairs  with

all   remain

g  or  resour

g   termin

ng    initia

mposed  qua

on‐terminal 

 by equation

omposed qu

on‐initial net

by equations

mposed prop

proposed in

position algo

orithm expla

O matching e

rk,  the netw

  semantic  s

ning network

rce  provider

al participan

l participant

antities  ,  

network par

ns (17), (18) a

antities  ,  

twork partic

s (17), (18) a

erties  ,  an

step 1. 

 

orithm flow d

ined in Secti

engine, both 

work contain

similarity 

k participant

rs  in  case  o

nts do not h

ts do not ha

(hasQuantit

rticipants 

and (19) and

(hasQuantit

ipants   an

and (19) and

nd  ,  and co

diagram 

ion 2.6 are im

 functionalit

ing all other

  below  set

ts   and their

of  backward

ave solution

ave resource

ty)  and  time

 and for all 

d by assuring

ty) and  time

nd for all   of

d by assuring

ompare with

mplemented

ty integrated

r 

t 

r 

d 

n 

e 

e 

 

g 

e 

f 

g 

h 

d 

d 

by a web po

in Figure 8. 

3.1 ISD

Used  for kn

unique nam

and which h

the  waste 

function of 

forming sym

1. Mo

sub

the 

2. Mo

hen

3. Sup

The instant

For that, th

be  instantia

whole regis

                     4 Parsing therelationships

5 The process

ortal (Cecelja

Figu

DomainOn

nowledge  re

mes   organ

have relation

providers,  a

matching  in

mbiotic netw

delling  of  t

bsumtion 

ontology su

delling of ex

nce enabling 

pporting the 

iation and in

e ontology m

ated with va

tration proc

                      

e ontology is ts between cla

s of inference

a, F. et al. 20

ure 8 A user f

ntology

epresentation

nised in subs

nships   be

and  solution

nputs and ou

works, the on

acit  IS  know

 and by  sele

pports ident

xplicit  IS  kno

the ontology

process of I/

ncreasing the

models the k

alues of  the 

ess is naviga

                 

the process ofsses and henc

e refers to the 

014b) and ac

friendly inte

n, ontologie

sumption 

etween them

ns,  the  techn

utputs  in IS s

tology enab

wledge  by  t

ection of  rel

tification of p

owledge  thr

y to grow, an

/O matching.

e population

knowledge in

properties 

ted by parsi

f analysing it tce to determin

process of inf

ccessible thr

rface of the 

s, as defined

 which orga

m. Here, insta

nology  prov

sense and w

les; 

the  selectio

lationships 

potential syn

ough dynam

nd; 

. 

 in the set o

n the domai

,  collected

ng4 the infer

to determinene interdepen

ferring the re

rough a user

web service 

d  in Section 

anise instanc

ances are IS 

viders,  as  de

with the  inclu

n  of  unique

 and  resp

nergies by pr

mic  instantiat

f instances 

n of IS enab

d  through  th

rred5 ontolog

 its structure ndence or to e

strictions on p

friendly inte

implementa

2.2, are bu

ces  ,  with 

participants 

efined  by  eq

usion of part

e  concept  n

ective  restri

roviding a co

tion  and  inc

 is the key f

ling both res

he process o

gy.  

with respect extract proper

properties, as

erface, as de

ation 

ilt upon  clas

common pr

including th

q.  (1).  For  t

tial matching

names  ,  s

ictions.  In  co

ommon refer

creasing  the 

function of th

sources and 

of user  regis

to subsumptirties.  

s defined in Se

emonstrated

 

sses   with

operties  ,

e resources,

the  ultimate

g, and hence

structure  of

onsequence,

ence; 

population,

he ontology.

solutions to

stration. The

ion and other

ection 2.1.  

d 

h 

 

, 

e 

e 

f 

, 

, 

. 

o 

e 

r 

Common re

The  commo

include  res

solutions,  i.

of the IS ter

process of I

by Europea

can  enhanc

classificatio

The develop

meta‐level 

have no dep

as the top‐l

iv)  instantia

Figure 9.  

The domain

classes   w

four  levels 

hierarchical

approximat

Along with 

given  in  Ta

registration

indentation

introduced 

eferencing  is

on  vocabula

sources,  i.e. 

.e. regions, u

rminology es

I/O matching

n Commissio

ce  the  proc

ons including 

ped ontolog

which defin

pendence on

evel relation

ation  level w

n level of ont

which form m

detailed  in 

l  class  –  s

tely 2000 cla

the properti

able  4.  They

n),  to model

n in the colum

to  further  g

s established

ry,  represen

materials, 

units of mea

stablishes a s

g. In the curr

on  in the for

cess  such  a

EWC STAT (

gy has four  le

es  general p

n the specific

nships betwe

which  is  app

tology furthe

modules def

Appendix A

subclass  (

sses (Cecelja

ies   used 

y  are  introd

l  knowledge

mn Relation 

granulate  th

d by formalis

nting  the  se

products,  t

asurement an

standardized

rent implem

rm of the Eu

as  material 

EC 2010). 

evels of abst

purpose  con

c domain, ii)

een these co

plication  spe

Figure

er details co

fined at the t

.  The  indent

)  parti

a, F et al. 201

to character

duced  to  fac

e  and  to  en

R  in Table 4

he  knowledg

sing tacit kno

mantic  by  s

technologies

nd measure 

d vocabulary 

entation (Ra

uropean Wa

type,  proc

traction (Tro

ncepts of  the

) top level pr

oncepts, iii) d

ecific  level w

e 9 Ontology 

oncepts at th

top level are

tation  in  the

icipation.  T

14a).  

rise classes (

cilitate  and

nable  calcula

4 indicates p

ge  represent

owledge of I

election  of

,  and  perip

qualification

for IS and el

aafat et al. 20

ste Catalogu

essing  tech

okanas et al.

e ontology  t

roviding abst

domain level

with  the  use

design 

he top level s

e organised i

e  leftmost  c

The  complet

Table 1), the

to  enhance

ation  of  sem

property ‐ su

tation.  Table

S  in the form

concept  nam

heral  inform

ns, among o

iminates syn

013), we use

ue (EWC) (EC

nologies  an

2014) cove

that  can be 

tract concep

 which detai

r  profile  ins

split into the

n the subsum

olumn of  th

te  ontology

e set of impl

e  instantiatio

mantic  simila

bproperty su

e  4  also  illu

m of ontolog

mes  ,  is  i

mation  need

others. The  id

ntactic differ

e vocabulary

C 2002), and

nd  other  wa

ring the dom

applied uni

pts of the dom

ils the doma

stances,  as  i

e ontology m

mption   w

he Appendix

y  at  prese

lemented re

on  process 

arity    (eq

ubsumption 

ustrates  dom

gy structure.

dentified  to

ded  for  the

dentification

rences in the

y established

 others that

aste  stream

main of  IS:  i)

versally  and

main as well

ain of IS, and

llustrated  in

modules. The

with the first

 A  indicates

nt  contains

lations   is

(participant

q.  (14)).  The

relationship

main    and

. 

o 

e 

n 

e 

d 

t 

m 

) 

d 

l 

d 

n 

 

e 

t 

s 

s 

s 

t 

e 

p 

d 

range   classes for each relationship with the name of the relationships being self‐explanatory and which 

are fully described in Appendix B. 

Table 4 Set of used relations   

Relation    Domain class    Range class    Use  Feature 

geo:location  Role  Geo:SpatialThing  SM  Social, Operational 

belongsToIndustry  Role  NACE  IP  Operational 

hasResource  ResourceProvider  Resource  Both  Operational 

hasTechnology  SolutionProvider  Technology  Both  Operational 

hasPatternOfSupply  Resource  PatternOfSupply  Both  Operational 

hasApplicationIn  Resource  NACE  IP  Operational 

canUse  NACE  Resource  IP  Operational 

hasQuantityType  Resource  Quantity Type  IP  Operational 

hasUnitOfMeasurement  Resource  UnitOfMeasurement  IP  Operational 

hasComposite  Products, ResourceBySource 

ResourceByType  Both  Operational 

isCompositeOf  ResourceByType  Products, ResourceBySource 

SM  Operational 

hasInput 

canProcess 

Technology  Resource  Both  Operational 

canBeProcessedBy  Resource  Technology  Both  Operational 

hasOutput 

hasProduct 

Technology  Resource  SM  Operational 

needsEnergy  Technology  Energy  IP  Environmental 

needsWater  Technology  Water  Both  Environmental 

hasStorageMethod  Resource  StorageMethods  IP  Operational 

hasDeliveryMethod  Resource  DeliveryMethods  IP  Operational 

With reference to IS, the restrictions have a three‐fold purpose; i) to provide new links between classes, ii) 

to enhance  the  flexibility of  the  instantiation process, and  iii)  to provide  links  to  the  common  reference 

block  of  the  ontology  –  the materials  classification.  They  are  all  inferred  by  the  inference  engine.  The 

restrictions used  in  this paper are all  listed  in Table 5. From Table 5,  for example,  the hasComposite 

relationship  can only  link  the members of Products and ResourceBySource  classes  to  the  class 

Material. The cardinality restrictions with value range =1 define that these are mandatory fields for the 

user  to  fill  in  during  the  registration. Regarding  the  class BiodegradableResource, we  define  that  if  any 

resource  has  isBiodegradable property  set  to true, it  will  then  be  inferred  to  be  a 

BiodegradableResource and will be reclassified under this class by inferring the ontology. 

Table 5 Used restrictions 

Domain Class    Property    Type  Value Range 

Role  confidentialityFlag  Cardinality  =1 

Role  geo:location  Cardinality  =1 

Role  belongsToIndustry  Range  NACE 

ResourceProducer  hasResource  Range  & Cardinality  Resource(>1) 

SolutionProvider  hasSolution  Range & Cardinality  Technology (>1) 

Resource  hasQuantity  Cardinality  =1 

Resource  hasPatternOfSupply  Cardinality  =1 

Resource  validFrom  Cardinality  =1 

Resource  validTo  Cardinality  =1 

Resource  isBiodegradable  Cardinality  <1 

BiodegradableReso isBiodegradable  Value  true 

u

PR

M

3.2 I/O

The semant

the  ontolog

output of th

explicit  kno

represented

in respect t

of tacit kno

processing 

material. Li

to operatio

matches. It 

is therefore

resource or

feature of IS

2.5. 

In the curre

stage of elim

and remain

into a single

The process

speed up  th

role,  ii) elim

urce 

Products, ResourceBySo

Materials 

Technology 

Technology 

Technology 

Technology 

Matching

tic matching 

gy  (Trokanas

he matching 

owledge  is 

d by the ont

to the subsu

wledge enab

biodegradab

kewise, mat

nal side of I

can semant

e capable of 

r propose di

S network fo

ent  impleme

mination, ii) 

ing (after eli

e similarity m

s of eliminat

he process. 

mination bas

ource 

g

is the proce

s  et  al.  2014

is quantified

represented

ology structu

mption   a

bles partial e

ble material 

tching explic

S. In conseq

ically interpr

suggesting a

fferent appl

ormation is f

entation, the

the stage of 

imination) in

measure char

Figu

tions  is  intro

Three  categ

sed on  the n

hasCompos

isComposite

canProces

hasProduc

needsEner

needsWat

ess of establi

4).  The  I/O 

d by the sim

d  by  values 

ure and henc

and relations

establishmen

it can be  in

it knowledge

uence, the p

ret the relati

alternative r

ication  for a

further ampl

e process of 

calculating t

nstances, and

racterising th

ure 10 Proces

oduced to m

gories of elim

nature of  th

site 

eOf 

ss  R

ct  R

rgy  R

ter  R

ishing the se

matching  re

ilarity measu

of  instance

ce by positio

ships   (an

nt of technol

nferred  that 

e enables qu

process of I/

ionships tha

resource,  ide

a  resource. 

ified by the 

I/O matchin

the similarity

d iii) the stag

he match be

ss of input ‐ 

minimise redu

mination are

he  resource 

Range

Range

Range & Cardi

Range & Cardi

Range & Cardi

Range & Cardi

emantic relev

efers  to mat

ure  , as de

e  properties

on of instant

nd relationsh

ogical releva

it can also p

uantification

/O matching 

t different c

entify techno

Partial matc

property dec

ng  is perform

y measures 

ge of aggreg

tween two i

output matc

undant matc

e  introduced

in  terms of 

Reso

nality  Re

nality  Re

nality  Ene

nality  W

vance betwe

ching  instan

efined by eq.

,  wher

iated class in

hip hierarchy

ance, i.e. for 

process straw

 of matched

is not only 

oncepts hav

ologies that 

hing which 

composition

med  in two s

 and   be

ating similar

nstances. 

ching 

ching and he

d:  i) eliminat

hazardousn

Materials 

Products, ourceBySourc

esource (>1) 

esource (>1) 

ergy or EnergyProducts 

Water (<1) 

een instance

nces  in  IS  on

. (14). In pra

reas  tacit  kn

n post‐inferr

y  ). As suc

a technolog

w as  it  is bio

d relevance w

bound to  id

ve with each 

process sim

is  seen as a

n, as explaine

stages (Figur

etween requ

rity measure

 

ence to com

tion based o

ness,  and  iii)

e 

y 

s or parts of

ntology.  The

ctical terms,

nowledge  is

red ontology

ch, matching

gy capable of

odegradable

with respect

entify direct

other and it

ilar types of

n  important

ed in Section

re 10):  i) the

uest instance

es   and 

mputationally

on  requester

  elimination

f 

e 

, 

s 

y 

g 

f 

e 

t 

t 

t 

f 

t 

n 

e 

e 

 

y 

r 

n 

based on availability of resources. Requester role  is defined by belonging to either the group of resource 

providers   or to  the group of solution providers  . All  instances belonging to  the requester’s group and 

classes not disjoint by the requester are eliminated from matching. In the current ontology design disjoint 

classes indicate that their instances do not have technological relevance with each other.  Considering the 

fact  that different user  roles are also defined by disjoint classes  in  the ontology, every  industry which  is 

capable of both providing and processing a resource will have to define two separate profiles under each 

role. Additionally,  if the requester provides or askes for a hazardous material, all  instances which are not 

categorised as hazardous are eliminated.  Availability, which is characterised by properties isValidFrom 

and isValidTo,  is also used  in  the elimination process as participants  the availability of which do not 

overlap are eliminated. More precisely, availability is measured by the time overlap between the requester 

and matched instances, as demonstrated in Figure 5. For the availability period of the requester   defined 

by  the  property  , , , , , , ∈   and  the  availability  period  of matched  instances   

defined by properties  , , , , , , ∈ , the overlap period   is calculated as 

  , ∩ , , , , , , ,   (24) 

The elimination is then based on the rule 

  0 eliminatethematch0 match   (25) 

To  account  for both  tacit  and explicit  knowledge  in  the process of matching,  the  tacit part of  semantic 

similarity is quantified by the distance measurement between respective concepts along subsumption and 

relevant relationships (equation (13)), whereas explicit part of semantic similarity is quantified through the 

vector similarity calculation (equation (11)) of respective properties. Graph representation of the ontology 

is a prerequisite for both of them. 

Various methods exist for determining graph model of the ontology such as those based on bipartite graphs 

accounting for the subsumption    (Melnik et al. 2002) or combination of subsumption   (Hu et al. 2005) 

and  relationships hierarchy    (Tous and Delgado 2006). We propose ontology graph models which are 

extension of bipartite graphs accounting for both relationships hierarchy   and respective restrictions  . 

With this approach the ontology graphs are represented as a 3‐tuple  ⟨ , , ⟩: 

 

thesetofvertices , , thesetofedges

| ∈ theweightassignedtoeachedge  (26) 

We use only the relationships with a strong relevance to the domain of IS needed to infer tacit knowledge 

from the ontology: 

  , , , 

  , , | ⊆   (27) 

as, along with is‐a subsumption relationship, presented in Table 6. The equation (27) is modelled as an edge 

between  domain  class    and  .  For  example,  considering  restrictions    and    presenting 

someValuesFrom  on  relationship    between  two  concepts  EWC120103 (waste produced by non‐ferrous metal  turning and    filing process) and  Aluminium,  this  restriction 

establishes  semantic  relevance  and hence  is modelled  as  edge between  the  two  concepts,  as  shown  in 

Figure 11. 

To amplify s

links in onto

weight of 0

the same w

From practi

 

Here, the m

in Table 6. 

calculated a

∀ , ∈

∀ , ,

The distanc

nodes in the

 

where  ′  islongest  log

technologic

The propert

knowledge 

are  specifie

similarity,  w

( ,

penalise cal

F

semantic in 

ology graphs

. Properties 

weights as the

ical point of v

matrix eleme

From the on

as the dissim

, ,

, ∈ , ,

ce similarity 

e graph 

s  normalised

ical  path  be

cal relevance

ty similarity 

captured by

ed  in  Table 

which  comb, 2⁄ )

lculated simi

Figure 11 Edg

IS sense and

s are given lo

and their inv

e properties 

Tab

view, the on

ents  ,  rep

ntology grap

milarity functi

0

,

measure  ,

d  dissimilari

etween  the 

e between tw

between req

y the ontolog

7.  In  the  p

bines  cosine

).  As  such, 

ilarity more t

ge modelling

d to better re

ower weights

verse proper

themselves,

ble 6 Semant

Edge

SubsumptioequivalencycanProcesscanBeProcehasApplicatcanUsehasComposiisComposite

ntology graph

0 ,

, 0

, ,

⋮ ⋮, ,

resent weig

h model, th

ion satisfying

,

, as in equat

1 ′ ∗ 10

ity  between

two  nodes 

wo matched 

quester and 

gy. Four pro

present  imp

e  similarity 

the  absence

than semant

g based on re

eflect IS prac

s: relationsh

rties have th

, as demonst

tic weighting

on(is‐a)y

essedBytionIn

iteeOf

hs can be rep

, ⋯

, ⋯0 ⋯⋮ ⋱, ⋯

hted distanc

e distance 

g the definite

de

, tri

tion (13), is c

00

n  two  nodes

in  the  grap

participants

user instanc

perties are u

lementation,   with 

e  of  a  prop

tically justifia

estriction on

ctice, weight

ips between

he same weig

trated in Tab

g of relations

weight

0.5 

0 

0.9 

0.9 

0.7 

0.7 

0.6 

0.6 

presented in

,

,

,

0

ce between e

,  bet

eness and tr

efiniteness

iangularine

calculated as

s.  The  norm

ph.  In  practi

.   

ces is used fo

used for pro

n  we  calcula

Euclidean  s

perty  value, 

able. 

 

 the propert

ting is introd

 equivalent 

ghts. Restrict

ble 6. 

hips 

 matrix form

each pair of 

tween two c

iangular ineq

equality

s the shortes

malisation  is 

cal  terms,  t

or I/O matchi

perty similar

ate  property

imilarity  ,

normally  re

ty 

duced such t

classes have

tions on pro

m: 

graph node

classes (equa

quality: 

st distance b

performed 

this  process 

ing based on

rity calculati

y  similarity  f,   as  a  me

eplaced  by 

hat stronger

e a minimum

perties have

(28)

s as defined

ation (13))  is

(29)

between two

(30)

against  the

assures  for

n the explicit

on and they

from  vector

ean  average

0,  does  not

r 

m 

e 

d 

s 

o 

e 

r 

t 

y 

r 

e 

t 

Table 7 Properties used for property similarity calculation 

Property  Value Type  Description 

Quantity  Float  The exact value used in the vector 

Location   Longitude and 

Latitude 

Measured as geographical distance to the requester  

Availability   Date  Measured  as  the  percentage  of  overlap  with  the availability specified by the requester 

Pattern of Supply  Predefined text  Takes the value 1 for continuous and 100 for batch type of supply 

The cosine similarity  ,   is calculated as a cosine of angle between the request vector   and other user 

vectors   

  , cos⋅

‖ ‖‖ ‖

∑ , ,

∑ , ∑ ,

  (31) 

where  4  as evident  from  Table 7. To  relax  the deviation  introduced by  the  absence of  a property, 

Euclidean similarity  ,  is introduced as  

  , ∑ , , (32)

The distance and property similarity are aggregated together as a fuzzy weighted average, which, according 

to eq. (14) is: 

    (33) 

where   and   are weighing parameters and in the current implementation we use  0.6 and  0.4. 

4 DemonstrationandExperimentalEvaluation

Two  examples  are  used  to  demonstrate  both  the  performance  of  designed  ontology  and  matching 

algorithm and an optimised property decomposition to maximise environmental performance. 

4.1 DemonstrationofOntologyandMatchingAlgorithm

The  first example  illustrates  the performance of  the domain ontology and matching algorithm and  their 

implementation  as  a  service.  The  company  names  are  illustrative with  real  data  presented.  Simplified 

examples  with  a  limited  number  of  six  properties  are  used  to  make  the  experiment  illustrative  and 

purposeful.  These  include  properties  related  to  the  type  of  I/O,  quantity  of  available  or  requested 

resources, pattern of  supply, availability period and  location of  the company.  In  reality,  the number and 

type of properties and relationships used in the algorithm, from among the large number of them reflecting 

technological, economic and environmental conditions of  IS, are selected to serve particular  IS policy and 

local or otherwise set priorities and constraints.  

Company 1  is a solution provider, an enterprise that produces chemicals for a wider market. Through the 

registration process Company 1 registers as a solution provider and provides other information essential for 

the matching process, as shown in Table 8.  

 

Table 8 Company 1 solution information 

Company  Process Required Resource (input) 

Quantity (tonne/mo

nth) 

Pattern of 

Supply 

Availability Period 

Location 

From  To  Lat  Long 

Company 1 

Anaerobic Digestion 

Lignocelluloses 

150  c*  09/08/2012 

08/12/2015 

38.339  23.61278 

*c – continuous 

 

After  matching  request  by  Company  1  has  been  placed,  the  matching  process  starts  in  stages.  The 

elimination  stage  eliminates  all  the  instances,  the  registered  companies,  from  the  process  of matching 

which obviously do not meet  the  fundamental criteria or are  instantiated  in  the domain ontology within 

classes which are not disjoint  from  class of  the  request and overlap of availability period  0.  In  the illustrative example  all  the  companies belonging  to  the  solution providers only  are  also eliminated.  The 

remaining companies that could potentially provide matches with similarity >0 are listed in Table 9. 

Table 9 Profile of registered industries offering potential matches with Company 1 

ID  Company Produced Resource 

type(output) Quantity 

Supply 

Pattern 

Availability  Location 

Valid From  Valid To  Lat  Long 

27  Company 3  Wood  230  2  14/11/2014  14/12/2015  38.325  23.600 

22  Company 4  MDF  50  2  07/08/2013  17/10/2015  38.326  23.581 

3  Company 2  EWC030308  90  2  04/07/2012  03/06/2016  38.345  23.631 

187  Company 5  Cardboard  450  2  07/08/2013  17/12/2014  38.329  23.612 

144  Company 6  EWC020103  80  1  07/08/2012  14/12/2015  38.325  23.631 

44  Company 7  EWC020705  70  2  09/08/2012  09/09/2016  38.342  23.581 

1  Company 8  EWC030301  90  1  06/11/2012  05/07/2016  38.345  23.611 

19  Company 9  Lignocellulosic  200  1  04/07/2012  17/10/2015  38.378  23.631 

 

The next  stage of matching  includes matching  the  I/O  type  from  the properties  related  to  required and 

produced resources which are referenced by the class/concepts the  instance  is attached to. The distance 

measurement similarity   between requesting and other instances in the domain ontology is used as the 

measure  of  input/output matching.  The  excerpt  of  the  domain  ontology  explaining  the  input  –  output 

matching between Company 1 and Company 2 is shown in Figure 12.  

The shortes

recovered b

using the v

gives 

 

and then th

 

The semant

hence provi

The propert

the compan

request or 

needed  for

includes  

Figure

st distance b

by two edge

alues define

he similarity a

tic of calcula

iding the ma

ty similarity 

ny   =(Loc

have   (=

r  the  prope

 12 Excerpt o

between  the

es through th

ed  in Table 6

as 

1

ated similari

atch between

Fig

is calculated

cation, R

=(Quantity

rty  matchin

of the doma

e  two concep

he concept P6, which nor

.

.

1 0.24

ty measure 

n requested 

gure 13 Dista

d between th

Resource)

y, Availa

g.  A  set  of

in ontology u

pts EWC030

Paper withmalised to t

0.24

0.76

(35)  is  that 

lignocellulos

ance measur

he two comp

) and the set

ability,

four  nume

used for inpu

0308 and Li

h the total va

the  longest p

lignocellulos

ses and EWC

ement exam

panies based

t of properti

PatternO

rical  proper

ut output ma

ingocellu

alue 1.1, as 

path betwee

sic products

C030308 with

mple 

 on the set o

es character

OfSupply)

rties 

atching 

ulosicPro

shown  in Fi

en them  in t

s also  include

h the similari

 

of general pr

rising the res

) with those

  is  calcu

 

oducts are

gure 13 and

the ontology

(34)

(35)

e paper and

ity of 76%. 

roperties for

sources they

e underlined

lated  which

e 

d 

y 

d 

r 

y 

d 

h 

, , , . 

The Availability is calculated from equation (24) as the overlap period  1216 days which results in  100%  overlap  between  the  two  companies.  The  property Location  is  calculated  as  the  distance between  the  two  companies  using Haversine  formula which  in  normalised  form  gives    1.7. Hence,    is  modelled  as  4‐dimensional  vectors  which  for  Company  1  and  Company  2  are 

33.33, 100, 100, 0   and  20, 100, 100, 37.36 ,  respectively  giving  the  cosine  similarity  (equation 

(27)) 

  , 0.937  (36) 

and Euclidean similarity (from equation (32)) 

  , 0.709  (34) 

which combined together as property similarity between the two companies calculate as 

  , , 2⁄ 0.818  (35) 

The aggregated similarity between the two companies Company 1 and Company 2 from equation (14) is 

  0.6 0.76. .

. .100 78%  (36) 

where  0.6 and  0.4 reflecting that the types of resource of the companies has a greater effect on 

the possibility of the establishment of a synergy. 

In retrospect, from the whole process and based on the 78% similarity between the companies based on 

the  information  they provided  (Table 8  and  Table 9),  it  is  evident  that Company 1 has  a  fair  chance of 

processing  at  least  part  of  the  waste  produced  by  Company  2.  The  two  companies  also  reside  in  a 

comparatively close proximity. The one notable aspect which  lowers  the  similarity  result  is  the  fact  that 

Company 2  can  supply Company 1 with only 60% of  its  required  resource.  In practical  terms, however, 

Company 1 still has a possibility to supplement remaining capacities through other synergies.  

Following the same procedure, the matches with other companies are determined and the final results are 

summarised in Table 10. 

Table 10 Complete set of results 

Company 

Semantic distance 

similarity 

Average property 

similarity 

Aggregated results 

Similarity percentage 

Company 9  1  0.487325  0.79493016  79% 

Company 3  0.89  0.221338  0.622535374  62% 

Company 8  0.87  0.909041  0.885616538  89% 

Company 5  0.78  0.239821  0.56392828  56% 

Company 2  0.76  0.818824  0.783529759  78% 

Company 4  0.67  0.283113  0.51524522  52% 

Company 6  0.44  0.764722  0.569888781  57% 

Company 7  0.44  0.398214  0.423285785  42% 

As described in Section 2.5, Company 7 is not to be considered for optimisation given the default value for 

similarity threshold is  0.5. 

4.2 DemonstrationofEnvironmentalOptimisation

The second example, a case study set  in the Viotia region  in Greece,  is used to demonstrate the property 

decomposition  and  respective  optimisation  to maximise  environmental  performance.  Again,  simplified 

examples with a limited number of properties are used to make the experiment illustrative and purposeful. 

Also, examples use real‐life data with the names of the companies replaced for confidentiality reasons. 

User  9  is  a  resource  consumer  which  requires  polypropylene  for  the  production  of  flexible  packaging 

materials. The company  is  investigating a possibility to utilise extra sources of  input materials for a three 

year  period, with  the  full  set  of  requirements  given  in  Table  11,  the  requirements  provided  during  the 

registration and used for matching. 

Table 11 User 9 registration information 

ID User Type 

Resource Input 

Input Quantity 

LocationValid from  Valid to 

Pattern of Supply Lat Lon

9  RC*  Polypropylene  810.00  22.9165 38.6466 01/06/2013 01/06/2015  c* 

*RC – resource consumer, c ‐ continuous 

After the matching request has been placed, the matching process described in Section 3.2 is initiated. All 

registered  companies  which  do  not  fulfil  criteria  specified  in  Section  3.2  are  eliminated  during  the 

elimination stage of I/O matching. The companies that offer potential matches with there is properties are 

presented in Table 12. 

Table 12 Registration details of potential matches 

ID User 

Type 

Resource 

Output 

Resource 

Input 

Output 

Quantity 

LocationValid from  Valid to 

Pattern of 

Supply Lat  Lon 

2  SP*  Polypropylene  Propylene  830.00 22.8563 38.5251 01/06/2013  01/01/2015 b*

5  RP*  PP Scrap Bags  ‐  600.00 22.938 38.4323 10/09/2013  01/07/2014 c*

6  RP*  Propylene  ‐  550.00 22.8296 38.5188 01/01/2013  01/01/2015 c*

1  RP*  Propylene  ‐  850.00 22.8923 38.5251 01/06/2013  01/01/2015 b*

*RC – resource consumer, SP – solution provider, b – batch, c ‐ continuous 

In addition, the information used to calculate environmental performance for all identified matches, as well 

as the requestor, extracted from respective properties in the ontology, are presented in Table 13. 

Table 13 Environmental information 

ID User 

Type Resource  

Embodied 

Carbon 

(kgCO2/kg) 

Feedstock 

Price 

(£/tonne) 

Resource Price 

(£/tonne) 

Disposal 

Cost 

(£/tonne) 

Landfill 

Tax 

(£/tonne) 

Transportation 

Factor 

(kgCO2/km*tonne) 

9  RC  Polypropylene  ‐  1810 ‐ ‐ ‐  ‐

2  SP*  Polypropylene  3.9  1810 ‐ 30 43  0.906

5  RP*  PP Scrap Bags  1.8  ‐ 600 30 43  0.906

6  RP*  Propylene  1.35  1000 845 43 43  0.906

1  RP*  Propylene  1.35  ‐ ‐ 43 43  0.906

It  becomes  apparent  from  Table  12  and  Table  13  that  the  I/O  matching  without  the  property 

decomposition  offer  three  possible  solutions,  as  illustrated  in  Figure  14;  solution  (1)  which  includes 

companies 1‐2‐9, solution (2) which includes companies 6‐2‐9, and solution (3) which includes companies 5‐

9, all with the final product polypropylene, as requested by the requester 9.  

The (aggreg

eq.  (14) and

case  the qu

stage, whic

the backwa

and targete

full solution

decomposit

The  next  s

hasQuanioptimisatio

(6), along w

F

gated) simila

d the enviro

uantities  and

h is the fund

rd chaining p

ed output, po

n because  it 

tion principle

step  involves

ity,  and  ton model for

with the requ

Figure 14 IS n

arity for each

onmental eff

d  the  availa

damental pri

process is us

olypropylene

includes all 

e vi) in Sectio

Table 14

SynerNo.

(1) (2) (3) 

s  inclusion 

o  availability

r all the part

ester (9), is d

network solu

h network o

fects accordi

bility period

inciple of the

sed because 

e in this case

the partners

on 2.5.  

4 Similarity r

rgy . 

IS netw

1‐2‐96‐2‐95‐9

of  the  optim

y,  has Avtners  identifi

defined as  

ution withou

ption (1), (2

ing to eq.  (1

ds  are used 

e semantic m

the requeste

e, as well as t

s satisfying t

esults and e

work Similar

9 0.8359 0.8297

0.9017

mized  deco

vailabiliied by sema

t property d

) and (3)  in 

17) yielding t

only  to max

matching. Als

er is a resour

that the com

the technolo

nvironmenta

ity  Environmeffects 

1 782.7 294.7 129.

mposition  o

ity  calculatntic matchin

ecompositio

Figure 14  is 

the results g

ximum  satisf

so, it is obvio

rce consume

mbined (1), (2

ogical and IS 

al effects 

mental  

.17

.39

.90

of  properties

ted  using  e

ng, namely p

on 

 calculated a

given  in Tabl

faction of  th

ous in this e

er company w

2) and (3) so

logic, as de

s  related  to

q.  (20),  for

partners  (1),

according to

e 14.  In this

he  follow‐on

example that

with defined

olution is the

fined by the

o  quantities,

r  which  the

  (2),  (5) and

o 

s 

n 

t 

d 

e 

e 

, 

e 

d 

. .

 

where varia

,

concomitan

15.  Here  in

optimised a

same as the

stages, as w

It also beco

and that  it 

semantic  si

provides th

 = 0.96

In addition 

optimised  t

disregarded

(2.51 km). A

which in tur

, ∗

, ∗

, ∗

, ∗

able  ,  refe

  is  the  dist

nt results are

n  Table  15, 

availability p

e original on

well as that t

omes appare

is a sub‐solu

imilarity  for 

e best envir

48. 

Synergy No. 

(1) (2) (3) 

Optimised

from a deta

to  maximise

d probably b

Also, the opt

rn affects en

,

,

,

,

 

ers to optim

tance  betwe

e summarise

the  aggrega

eriods are sh

es in Table 1

he requeste

ent from pre

ution of the 

the  optimis

ronmental e

IS networ

1‐2‐9 6‐2‐9 5‐9 

d  6‐2‐5‐9 

ailed analysis

e  the  enviro

ecause of th

timisation pr

vironmental

, ∗ ,

, ∗ , ∗

, ∗ , ∗

, ∗ , ∗

, ∗

ised quantit

een  partners

ed  in Table 1

ated  score 

hown in Figu

11 and Table

r availability

sented resu

1‐2‐5‐6‐9 fu

sed  solution 

ffects  (

Table 15

rk Similarity

 

0.83510.82970.90170.883

Figure 15 T

s of the resu

onmental  pe

e long distan

rocess sugge

l performanc

∗

,

,

,

,

,

,

EQ EQOvOvOvOv

, ,

ties, variable

s,  and  all  o

15 with grap

  is  calc

ure 16. It bec

e 12 because

y is only part

lts that the 

ull solution p

  is  not  the 

 = 873.662

 A full set of 

y  Environmeffects 

782.17294.39129.90873.66

The optimise

ults  it becom

erformance 

nce (9.34 km

ests the use o

ce more. 

, ∗ , ∗

∗ , ∗

∗ , ∗

∗ , ∗

,

,

, ∗Q EQverlap ,

verlap ,

verlap ,

verlap ,

0

, ∈ 0,1

e   refers 

other  param

hical  illustra

culated  acco

comes appa

e of the full o

ially satisfied

optimised so

presented  in 

best,  only  s

) and hence

solutions 

ental  

No

79062

ed solution

mes apparen

of  the  netw

m) from Com

of more mat

, ∗

, ∗

, ∗

, ∗

,

to optimised

eters  are  d

tion for opti

ording  to  the

rent that ava

overlap at ea

d with additi

olution  inclu

Figure 14. A

scores  value 

gains the b

ormalised 

,  

0.22120.0

0.87701.0

t that the ex

work.  For  e

pany 2 in co

erial from Co

∗

∗ ,

∗ ,

∗ ,

d availability

defined  in  T

imal quantit

e  eq.  (23). 

ailability per

ach of the tw

ional 5 mont

udes particip

Although the

of  0.883,  t

best aggregat

Score  

0.4053 0.2489 0.8844 0.9648 

 

xchanged qu

example,  Co

omparison to

ompany 5 of

, ,

,

,

, ,

(37)

y, parameter

able  2.  The

ies  in Figure

In  addition,

riods are the

wo matching

ths to spare.

ants 6‐2‐5‐9

e aggregated

hat  solution

ted score of

uantities are

ompany  1  is

o Company 6

ffering scrap

r 

e 

e 

, 

e 

g 

.  

9 

d 

n 

f 

e 

s 

6 

p 

As a matter

Figure 17. 

5 Conc

A  complete

modelling o

the  tacit  k

characterisa

enables acq

instantiatio

explicit  rele

between re

instance  pr

networks  a

quantities a

environmen

demonstrat

semantic.   

r of illustratio

Fi

clusion

e  semantic 

of the knowle

knowledge 

ation, role o

quisition of e

n. The input

evance.  Sem

espective con

roperties.  Ag

are  formed 

and resource

ntal  perform

ted by sever

Figure 16 

on, the geog

gure 17 Geo

algorithm  f

edge in the d

acquired  fro

of participant

explicit know

 – output ma

mantic  releva

ncepts  in the

ggregated  si

by  enabling 

e availability

mance.  The 

ral case stud

The availabi

graphical rep

ographical re

for  IS  netw

domain of IS

om  IS  expe

ts, as well a

wledge  throu

atching is als

ance,  the  se

e ontology. 

milarity  is  u

decomposit

. The proces

proposed  a

dies and with

lity overlap a

resentation 

presentation

working  is  p

S. Designed w

erts,  includi

s the operat

ugh  the pro

so presented

emantic  simi

Explicit relev

used  to  rank

tion  of  prop

ss of decomp

algorithm  is

h a step‐by‐

at two match

of the optim

n of the opti

presented.  T

with four lev

ng  resource

tional aspect

cess of  incre

d. Individuals

ilarity,  is  qu

vance  is calc

k  the match

perties,  nam

position, as p

  implement

step valorisa

 

hing stages  

mised IS netw

mised solutio

The  algorith

vels of abstra

e  and  solut

ts of  IS. The 

easing  the p

s are matche

uantified  by 

culated from

hes  by  the  I

mely  propert

presented, is

ted  as  a  we

ation and  ju

works is dem

on 

m  introduce

action, ontol

tion  classific

e designed o

population,  t

ed on their s

the  distanc

m the vector 

IS  relevance

ties  associat

s optimised 

eb  service 

stification b

onstrated in

 

es  ontology

ogy embeds

cations  and

ntology also

he ontology

emantic and

e measured

similarity of

.  Innovative

tes  with  the

to maximise

and  its  use

y  respective

n 

y 

s 

d 

o 

y 

d 

d 

f 

e 

e 

e 

e 

e 

Acknowledgement

The authors would like to acknowledge European financial instrument for the Environment (LIFE+), LIFE09 

ENV/GR/000300,  financial  support.  Special  thanks  goes  to Avco  Systems  ltd. U.K.  for  developing  of  the 

service into a web service available for use. 

AppendixA:ThetopfourleveloftheISdomainontology

Concepts  Description 

Role  The participants of IS process. 

ResourceProducer  Participants who have a resource available. 

SolutionProvider  Participants who have some solution available. 

Resource  Resource in IS contains materials, wastes, water, energy etc. 

ResourceByType  Resources that can be naturally classified by their type 

Materials  The substance or substances out of which a thing is or can be made 

Polymers  This  concept  ranges  from  synthetic  plastics  and  elastomers  to  natural biopolymers. 

Metals  Solid  materials  which  are  typically  hard,  shiny,  malleable,  fusible,  and ductile, with  good  electrical  and  thermal  conductivity.  Includes  ferrous and non‐ferrous metals and alloys. 

Ceramics  Inorganic,  non‐metallic  materials  generally  made  using  clay  and  other earthen materials through heat and cooling. 

Chemicals  Any material with a definite chemical composition. 

Minerals  A mineral is a naturally occurring inorganic solid, with a definite chemical composition, and an ordered atomic arrangement. 

Composites  Naturally  occurring  or  engineered  materials  made  from  two  or  more constituents. 

OrganicMatter  Matter that comes from a once living organism such as plants and animals. 

Rocks  The solid mineral materials  forming part of  the surface of  the earth and other planets. 

Energy  Usable heat or power. 

Electricity  The  supply  of  electric  current  to  a  house  or  other  building  for  heating, lighting, or powering appliances. 

Heat The transfer of energy from one body to another as a result of a difference in temperature or a change in phase. 

Water  A clear, colorless, odorless, and tasteless liquid, H2O. 

ResourceBySource(EWC)  Based on EWC – waste classification based on the source process. 

Products  The totality of goods that can be made available by industries. 

EnergyProducts  Goods that can be used for the generation of energy. 

Biomass  Organic matter used as a fuel. 

Biofuels  Fuels derived directly from living matter. 

Coal  A  combustible black or dark brown  rock  consisting mainly of carbonized plant matter,  found mainly  in underground deposits and widely used as fuel. 

NaturalGas  Flammable gas, consisting largely of methane and other hydrocarbons. 

Oil  A viscous liquid derived from petroleum. 

OilShale  Fine‐grained sedimentary rock from which oil can be extracted 

Peat  A  brown,  soil‐like material,  consisting  of  partly  decomposed  vegetable matter. 

MaterialProducts  All other goods, not included in class EnergyProducts. 

ResourceByCharacteristic  Resources classified based on important physical or chemical properties 

BiodegradableResource  Resources  that  are  capable  of  decaying  through  the  action  of  living organisms. 

Technology  Any technological process that can convert an input to a different output under certain circumstances and with a specific result. 

TechnologyByType  Technologies classified by their type. 

TechnologyByIndustry  Technologies classified based on the industry they can be applied in 

TechnologyByInput  Technologies classified based on their input. 

TechnologyByCharacteristic  Technologies  classified  based  on  important  physical  or  chemical requirements they have. 

Attributes  Information used to describe and define all the concepts of the ontology. 

geo:SpatialThing  Imported concept which links to the latitude and longitude information. 

Location  Linked to the above concept, the lat and long of the participant. 

NACE  Statistical classification of economic activities 

in the European Community. 

QuantityType  The physical form of a resource. 

PatternOfSupply  The pattern that a resource is produced or required. 

Region  Linked to location, embracing the local aspect of IS. 

UnitOfMeasurement  Units of measurement. 

 

AppendixB:Descriptionofusedrelationships

Relationship    Description 

geo:location  Term of a basic RDF vocabulary  that provides  the Semantic Web community  with  a  namespace  for  representing  lat(itude), long(itude)  and  other  information  about  spatially‐located  things, using WGS84 as a reference datum. 

belongsToIndustry  Link  between  participants  and  the  industry  sector  code  (NACE) they belong to. 

hasResource  Link between a  resource provider and  the  type of  resource  they have available. 

hasTechnology  Link  between  a  solution  provider  and  the  type  of  solution  they have available. 

hasPatternOfSupply  Links  resources  to  the  PatternOfSupply  attribute  concept.  The concept  is  about  the  pattern  of  the  demand  or  availability (Continuous, Batch). 

hasApplicationIn  Link between resources and industry sectors for the integration of tacit knowledge about the use of resources in different industries. 

canUse  Inverse  relation  of  hasApplicationIn,  used  for  intelligent recommendations.  

hasQuantityType  Links  resources  to  the  QuantityType  attribute  concept.  The concept  is about  the physical  form of  the  resource  (Solid,  Liquid etc.). 

hasUnitOfMeasurement  Links resources and solutions to the UnitOfMeasurement attribute concept.  The  concept  is  about  the  unit  of measurement  of  the resource (Kg,Tonnes etc.). 

hasComposie  Relation  used  to  provide  information  about  the  composition  of products and waste types. 

isCompositeOf  The inverse of the above. 

hasInput  Relation used to link solutions to their inputs. 

canProcess  Relation used to link solutions to their main inputs. 

needsWater  Relation used to link solutions to their water inputs. 

needsEnergy  Relation used to link solutions to their energy inputs. 

canBeprocessedBy  Inverse relation of canProcess. Used for tacit knowledge modelling for resource processing. 

hasOutput  Relation used to link solutions to their outputs. 

hasProduct  Relation used to link solutions to their products. 

hasStorageMethod  Relation used  to  link  resources  to  the  storage methods used  for their storage. 

hasDeliveryMethod  Relation used to  link resources to the current method of delivery for resources. 

hasInterval  Links resources to the  interval related to the amount of resource produced.  

AppendixC:ListofProperties

Property    Description 

confidentialityFlag  Boolean property used to flag confidential information. 

hasQuantity  The amount of resource available or required. 

hasProcessingPrice 

 

Addressing solution providers – the cost for the resource currently in use.  

hasAnnualCost  Addressing solution providers – the annual cost of a resource as feedstock. 

isValidFrom  The date the resource/solution becomes available. 

isValidTo  The date the resource/solution stops being available. 

hasName  Free text entry for the user to specify the name of the resource/solution. 

isBiodegradable  Boolean property used to identify resources that are biodegradable. 

isHazardous  Boolean property used to  identify resources that are hazardous (contaminated etc.) as defined in the European Waste Catalogue (EWC). 

deliveryCapability  Boolean property used to identify whether the user can deliver the resource on offer. 

hasStorageCapacity  The  amount  of  resource  the  user  can  store when  requesting  or  producing  a resource. 

Notation

  relationship restriction function on its domain 

  relationship restriction function on its range 

  h‐metric 

  vector similarity measure 

  distance similarity measure ,   vector similarity based on cosine algorithm 

,   vector similarity based on Euclidean algorithm 

  graph forming subsumption hierarchy, the subsumption  

  set of classes 

,   general indices 

  intension of a class 

  matrix of a subsumption graph 

  the total number of instances sharing common properties 

  number of IS participants 

   number of properties characterising all instances (individuals) 

  number of relationships organised in subsumption 

  number of solution (technology) providers 

  number of resource (waste) providers 

  set of natural numbers 

  name of the class 

  ontology 

  vector space of   vectors 

,   property 

  vector composed of N numerical properties 

  set of properties characterising instances   

  set of numerical properties 

,   property defining start of the availability period 

,   property defining end of the availability period 

,   relationship between two instances 

,   inverse instant relationship 

  set of real numbers 

  ‐dimensional relationship subsumption 

  class relationship 

  inverse class relationship of   

  relationsip between two classes 

  an individual (instance) 

  set of all individuals, the IS participants 

  relationship domain class 

  ordered set representing a class 

  relationship range class 

  availability period overlap 

,   similarity weighting factors 

,   the distance between classes   ( ) and another class   

′  normalised distance dissimilarity measure. 

References

 

Alberta, C. C. and H. G. Kevin (2008). Use of Industrial By‐Products in Urban Transportation Infrastructure: argument for increased industrial symbiosis. Life Cycle Assessment VIII, Seattle, WA, USA, IEEE. 

Cecelja, F., T. Raafat and N. Trokanas (2014a). eSymbiosis ontology. www.eSymbiosis.gr: 

 

Cecelja, F., T. Raafat, N. Trokanas, S.  .Innes, M. Smith, A. Yang, Y. Zorgios, A. Korkofygas and A.Kokossis (2014b).  e‐Symbiosis:  technology‐enabled  support  for  industrial  symbiosis  targeting  SMEs  and innovation. Journal of Cleaner Production Online since 16 September 2014: pp  1. 

Chertow, M.  (2000).  Industrial Symbiosis: Literature and Taxonomy. Annu. Rev. Energy Environ. 25(1): pp  313‐337. 

Chertow, M. (2004). Industrial Symbiosis. Encyclopedia of Energy: pp  407‐415. 

Chertow, M. (2007). Uncovering Industrial Symbiosis. Journal of Industrial Ecology 11(1): pp  11‐29. 

Chertow, M. and  J. Ehrenfeld  (2012). Organizing Self‐Organizing Systems  ‐ Toward a Theory of  Industrial Symbiosis. Journal of Industrial Ecology 16(1): pp  13‐27. 

EC.  (2002).  "European Waste  Catalogue:  Commission Decision  (EC)  2000/532  "     Retrieved  14/06/2013, from http://ec.europa.eu/environment/waste/framework/list.htm. 

EC (2010). Comission Regulation (EU) No 849/2010: Generation of Waste. Official Journal of the European Union 28.9.2010: pp  2‐40. 

Euzenat, J. and P. Shvaiko (2013). Ontology Matching, Springer. 

Grant,  G.,  T.  Seager,  G. Massard  and  L.  Nies  (2010).  Information  and  Communication  Technology  for Industrial Symbiosis. Journal of Industrial Ecology 14(5): pp  740‐753. 

Hu, W., N.  Jian, Y. Qu and Y. Wang  (2005). A Graph Matching  for Ontologies. K‐Cap 2005 Workshop on Integrating Ontologies. Alberta, Canada: pp  43‐50. 

Jae‐Yeon, W., K.  Jung‐Hoon, L. Sang‐yoon and P. Hung‐Suck  (2006).  Industrial Symbiosis as an  Integrated Business/Environment  Management  Process:  The  Case  of  Ulsan  Industrial  Complex.  The  1st International Forum on Strategic Technology, Ulsan, South Corea, IEEE. 

Junli, W., D. Zhijun and J. Changjun (2006). GAOM: Genetic Algorithm based Ontology Matching. IEEE Asia‐Pacific Conference on Services Computing (APSCC'06), Guangzhou, Guangdong, China  

Lehtoranta,  S.,  A.  Nissinen,  T.  Mattila  and  M.  Melanen  (2011).  Industrial  symbiosis  and  the  policy instruments of  sustainable consumption and production.  Journal of Cleaner Production 19(1): pp  1865e1875. 

Melnik, S., H. Garcia‐Molina and E. Rahm (2002). Similarity flooding ‐ a versatile graph matching algorithm. 18th International Conference on Data Engineering. San Jose, CA, USA: pp  182‐200. 

Mirata, M. and T. Emtairah  (2005).  Industrial  symbiosis networks and  the  contribution  to environmental innovation:  The  case  of  the  Landskrona  industrial  symbiosis  programme  Journal  of  Cleaner Production 13(10‐11): pp  993‐1002. 

Raafat,  T.,  F.  Cecelja,  N.  Trokanas  and  B.  Xrisha  (2013).  An  Ontological  Approach  Towards  Enabling Processing Technologies Participation  in  Industrial Symbiosis. Computers & Chemical Engineering 59(1): pp  33‐46. 

Tous, R. and J. Delgado (2006). A vector space model for semantic similarity calculation and OWL ontology alignment.  17th  International  Conference  on  Database  and  Expert  Systems  Applications,  DEXA 2006. Kraków, Poland,: pp  307‐316. 

Trokanas, N.,  F.  Cecelja  and  T. Raafat  (2014).  Semantic  Input/Output Matching  for Waste  Processing  in Industrial Symbiosis. Computers & Chemical Engineering 66(1): pp  259 ‐ 268. 

Trokanas, N.,  F.  Cecelja  and  T.  Raafat  (2015).  Semantic  Approach  for  Pre‐assessment  of  Environmental Indicators in Industrial Symbiosis. Journal of Cleaner Production 96(1): pp  349‐361. 

Trokanas,  N.,  F.  Cecelja,  T.  Raafat  and  P.  Innes  (2013).  An  Ontological  Approach  Enabling  “a  Priori” Quantitative Assessment of Is Networks. 2013 AIChE Annual Meeting, San Francisco, USA. 

Turban, E. and J. Aronson (2001). Decision Support Systems and Intelligent Systems. New Jersey, Prentince‐Hall, Inc.