考慮客戶滿意度的災后多港口泊位聯合應急調度模型

田茂金 孟燕萍 張亞琦 林國龍

(上海海事大學物流研究中心 上海 201306)

?

考慮客戶滿意度的災后多港口泊位聯合應急調度模型

田茂金 孟燕萍 張亞琦 林國龍

(上海海事大學物流研究中心 上海 201306)

隨著經濟的飛速發展，港口在經濟活動中扮演的角色也變得越來越重要，近些年全國各地發生很多港口突發事件，使港口正常作業受到了嚴重的影響，對港口群的災后應急調度也提出了新的挑戰。針對港口事件的突發性特點和港務集團港口的網絡集群特點，建立了以調度成本最小，船舶調度時間最短為目標的多目標優化模型。根據模型設定兩個調度方案，應用遺傳算法對方案進行求解，結合實際算例對模型和算法的有效性進行驗證，并結合客戶滿意度指數選擇最優方案。此模型能夠從不同的方案中選擇最佳方案，從而提高港口群的競爭優勢，更符合港口發展的長遠利益。

突發事件 聯合應急調度 客戶滿意度

0 引 言

港口作為國際運輸中的關鍵環節，在經濟活動中起著關鍵作用。近些年，港口運作中的一些突發事件對經濟活動的正常運作起到了非常大的影響，如2010年印度孟買附近海域兩艘貨輪相撞，導致原油泄漏，造成尼赫魯港關閉三天，海運價格上漲。2014年比利時全國大罷工，導致包括安特衛普、根特等港口的商業航運服務中斷。2015年8月13日天津港特別重大火災爆炸，事故造成165人遇難，港口暫停服務，“危險品”船舶和供油船舶等暫時禁航。隨著我國港口向第四代港口轉變，我國港口進入一個新的發展階段，港口間的競爭也將體現為港口群之間的競爭。突發事件產生之后需要盡快采取相應措施減弱事件對正常經濟活動產生的影響，因此對港口應急物流的研究也具有相當重要的現實意義。

隨著研究學者對應急物流的廣泛研究，港口應急物流開始受到國內外學者的重視。有些學者認為港口應急物流一般是由幾種常見的情況引起的，一是由于地震、臺風、海嘯等自然災害引起的港口應急物流；二是由于輪船觸礁、污染物泄漏等事故原因引起的港口應急物流；三是疫情、食品安全等公共原因引起的港口應急物流；四是恐怖襲擊事件、經濟安全事件等社會安全原因引起的港口應急物流[1-5]。郭亞飛等[6]認為港口應急物流產生的主要原因是由臺風、海嘯、颶風、水災、輪船觸礁、污染物泄漏、進出口物資數量劇變和海上戰爭等。港口應急物流又具有以下特點，一是張江華[7]提到的具有快速反應性、一次性和臨時性、開放性和擴展性、非常規性以及需求的隨機性等特點；二是楊賀等[1]提到的具有突發性、弱經濟性、不確定性和非常規性等特點。通過研究應急物流的研究，在很大程度上能夠降低突發事件造成的負面影響，減少損失。

近些年對港口應急物流的研究主要集中于針對港口突發事件的風險評估。針對溢油大霧等突發事件，陳國標等[8]從思想素質、業務能力、心理狀況等各方面進行綜合層次分析，進行量化評估，提出了評估體系和科學性建議；馬會等[9]利用灰色系統的統計方法對港口航道操船環境的危險度進行了研究；賴強等[10-11]采用系統灰色理論和方法對港口危險度進行了研究。Wangsd等[12]通過三位數值模擬石油泄漏對海洋運輸的影響；Chengyc等[13]利用SAR觀測模型來跟蹤研究沿海水域的溢油水平；Sebastiaop等[14]對公海溢油軌跡的不確定性進行了研究。Paul[15]等建立反映港口資源隨災難演化過程變化的仿真模型，并證明了港口網絡中多港口協調應急調度的有效性。Mokhta等[16]采用模糊集合理論描述和評估港口和碼頭營運和管理相關的風險因素，建立了可以應用于不同災難場景的通用型風險評估模型。Ye[17]等利用系統動力學方法對港口的安全水平對港口集裝箱吞吐量的影響進行了仿真，并利用仿真結果進行了分析和預測。

為了提高港口遭遇突發事件時的可操作性，最大限度地降低突發事件所帶來的損失，李學工等[18]利用供應鏈模型協調應對突發事件進行分析，提出了港口應急物流供應鏈模型；汪春鵬等[19]綜合考慮港口物流網絡系統中各方決策偏好，提出了基于樞紐港口服務中斷背景下的多港資源協調調度的多目標線性規劃模型。

在港口遭遇突發事件時，港口之間的資源協調調度可以大幅降低突發事件對受災港口的生產影響，降低損失。對港口之間的協調調度，畢婭等[20]建立了集裝箱港口集群下多港口多泊位聯合調度的多目標非線性決策模型，并按照模型決策空間所具有的特殊條件，設計了改進的遺傳啟發式算法，設計了改進的遺傳啟發式算法，使得船舶靠泊成本大幅降低，港口利用率大幅提高。徐煒勇等[21]采用雙層規劃模型描述區域內各港口間的協調優化問題，引入效用函數使所付費用滿足服務需求，采用MATLAB求出最優解。畢婭等[20]在考慮到港離港事件、滿空箱量、泊位噸數等因素下，設計了重慶港多港口集裝系那個碼頭聯動調度的原則和策略，建立了聯動調度的數學模型。

綜上所述，國內學者對港口災后應急物流的研究主要集中在港口突發事件的風險評估，應急預案，對港口災后應急物流的可操作性研究相對較少。在港口發生突發事件時，港口群之間的資源協調調度對降低突發事件影響，減少損失是最有效的。以天津港為例，爆炸發生后部分船舶禁航，海事部門啟動緊急預案，保證港口通航秩序。在船舶調度中，因為船舶運載貨物不同，如危險化學品等船舶需要盡快調離，或者由于生產作業需要的特殊性等原因而要求優先調度，如果不能及時處理客戶的特殊要求，將會對港口服務的質量產生很大影響，降低客戶對港口服務的滿意度，這在港口災后應急物流的研究中未涉及。本文以港口遭受突發事件，港口服務中斷為背景，針對突發事件的緊急性，港口集群的特征，提出了基于考慮客戶滿意度的港口集群資源協調調度的多目標線性優化模型，以最小化船舶調度成本和船舶在崗等待時間為目標，對目標進行無量綱化處理，提出應急調度的兩個方案，對調度結果產生的客戶滿意度進行比較，最終選擇出最佳調度方案。

1 問題描述與模型建立

1.1 問題描述

港口突發事件能夠使港口正在執行的操作發生緊急改變，對港口正常作業產生非常大的影響，因此必須要采取相應的應急措施來處理危機，減弱突發事件對港口作業產生的影響。由于港口泊位以及船舶航行的復雜性特點，如何在保障港口、船舶以及船員的利益，又能夠在最小的成本下盡量使客戶滿意度達到最大，是提高港口群綜合競爭力的重要問題，這對港口災后的應急方案提出了相當高的要求，因此對港口災后應急的研究也就非常有現實價值。

本文研究背景基于由多個港口組成的某港口群，各港口有若干泊位，每個泊位的通貨能力根據其大小不同而不同。已知未來一段時間內到達港口船舶的時間，船舶長度、船舶的吃水深度、載貨量以及港口泊位的深度，長度以及容量。在某一港口遭受突發事件的影響，無法進行正常的裝卸任務時，對到港船舶進行調度。模型以調度成本最小、船舶總調度時間最短為目標，通過對多目標的無量綱化處理并引入權重指數建立一個單目標優化模型，并對模型進行規劃求解。根據調度各方對調度成本以及調度時間的側重點不同，設置兩組權重指數產生偏重成本最小與偏重調度時間最短的兩個調度方案。最后對比兩個調度方案結果的客戶滿意度，選出最佳調度方案。客戶滿意度是根據船舶所運載貨物和港口對船公司的打分以及船公司對港口經營的所占比重進行量化，客戶滿意度指數根據船舶接受服務的時間點與滿意時間點、可接受時間點的差值和每艘船舶所屬船公司對港口經營的重要性根據調查得出的權重指數等綜合因素求得。再用實際案例對模型進行驗證，說明模型的穩定性以及對港口的指導性作用[22]。

1.2 模型建立

在多港口多泊位的聯合調度中，由于現實條件的復雜性，本文在考慮港口群與船公司利益的情況下，建立了以綜合調度成本與調度時間最短為目標的多目標調度模型，船舶服從先到先服務原則。最后對多目標進行無量綱化處理并建立一個單目標規劃模型。

1.2.1 模型假設

(1) 泊位是離散的；(2) 整個聯合調度過程包括一個起始港口和若干目標港口，船舶從接受調度任務時的位置開始，到目標港口，完成貨物配送止；(3) 假設船舶航行成本根據船大小不同而不同，且每艘船的單位航行成本已知；(4) 假設港口聯合調度的配送貨物均為集裝箱配送；(5) 港口每臺岸邊集裝箱起重機裝卸效率相同，每40米放置一臺集裝箱起重機，不考慮起重機的調度；(6) 不考慮集裝箱空箱情況，假設岸邊起重機裝卸效率為35箱/h；(7) 受災港口以及目標港口的坐標已知；(8) 船舶期望停靠的港口為能夠盡快交貨且貨運成本最低的港口；(9) 不考慮船舶航行過程中天氣影響；(10) 不考慮集裝箱從港口運輸到客戶。

1.2.2 符號說明

本文用g、i和j分別表示港口，泊位以及船舶的位置?g∈G=(1,2,…,n)，?i∈I=(1,2,…,n)，?j∈J=(1,2,…,n)。G×I表示全部的港口泊位，Rg來表示港口的容量(TEU)；Tsj、Twj和Tkj分別表示船舶的航行時間、等待時間與卸貨時間，三者之和即為船舶總的調度時間；Taj和Tlj分別表示船j的到港時間和離港時間，兩者之差即為船舶的等待時間和卸貨時間；Dj和Lj分別表示船j的吃水深度與船長；dgi表示船j在接到調度任務時到港口g泊位i的距離；Wgi和Hgi分別表示港口g泊位i的深度和長度，這對即將靠泊的船舶形成一定的約束；Cj表示船j的單位航行成本；Csj、Cwj和Ckj分別表示船j的航行成本與等待成本和卸貨成本，其中停泊成本為Ct=2 000元/h；Ckg表示港口g的單位裝卸成本；Nj表示船j的集裝箱量；Fj和λj分別表示船j的客戶滿意度指數和權重，客戶滿意度權重根據港口對船公司打分得到；sj和ej分別表示船j的滿意服務時間點和可接受服務時間點。

1.2.3 模型建立

(1)

(2)

港口聯合應急調度的優化目標有兩個：式(1)表示所有船舶總調度時間最短，包括船舶的航行時間、等待時間和卸貨時間；式(2)表示船公司接受調度后產生的綜合成本最低，調度成本包括航行成本、等待成本以及卸貨成本。

s.t

(3)

(4)

Twj=Tlj-Taj-Tkj≥0 j∈J

(5)

(6)

Csj=Cj·dj

(7)

Cwj=Ct·Twj

(8)

Ckj=Ckg·Nj

(9)

(10)

(11)

(12)

(Hgi-Lj)·xgijp≥0 ?(g,i,j,p)∈G×I×J×P

(13)

(14)

式(3)表示每個港口上的每個泊位任意一個停泊次序最多停靠1艘船；式(4)表示所有船舶僅靠泊一次，接受一次服務；式(5)限制所有船舶在港口等待時間不小于0；式(6)表示船j卸貨所用時間，其中35為岸邊起重機平均作業速度為35 TEU/h，40為每40米放置一臺岸邊起重機，卸貨時間由船舶所載貨量和岸邊起重機總的作業效率決定；式(7)表示船j的航行成本，航行成本為單位航行成本乘以船舶到所要進行服務的港口的距離；式(8)和式(9)分別表示船j在港等待成本和卸貨成本；式(10)表示在同一泊位相繼進行服務的兩串時間約束的有效性；式(11)表示同一泊位，必須是前一艘船離開之后，后一艘船才開始接受服務；式(12)、式(13)是港口泊位對所停靠船舶的一個約束條件，即停在g港口i泊位的船j的長度和池水深度必須滿足所要停靠的泊位的條件；式(14)是對港口容量的限制，即到港口g接受服務的船舶的總載貨量不能超過港口的容量。

1.2.4 客戶滿意度指數

(15)

(16)

式(15)表示客戶滿意度最高，由客戶滿意度權重和每艘船的客戶滿意度指數決定。

式(16)是從船舶接受服務的時間入手，形成可衡量的客戶滿意度評價體系。

1.2.5 多目標模型的優化

用極差法對調度成本與調度時間進行無量綱化處理，其公式為[23]：

C′、T′分別為C、T經上述方法處理后的子目標函數。根據調度各方對各目標的側重性不同進行線性加權處理，設權重向量M=(μ，σ)，且μ+σ=1，μ,σ∈[0,1],V=μC′+σT′。

方案一設置調度成本與調度時間的權重向量M=(0.7，0.3)，因此得到最小化調度成本與調度時間模型的綜合目標函數為:

minV|V=0.7C′+0.3T′

(17)

方案二設置調度成本與調度時間的權重向量M=(0.3，0.7)，因此得到最小化調度成本與調度時間模型的綜合目標函數為:

minV|V=0.3C′+0.7T′

(18)

2 算法設計

2.1 編 碼

針對本文離散型的調度系統，采用整數排列編碼。整數排列編碼就是以整數的排列構成問題解的染色體的編碼形式，根據整數是否允許重復，可以分為順序編碼，和非順序編碼，這種編碼方法尤其適用于組合優化問題。如圖1所示。例如，對于10個城市的旅行商問題，城市序號為[0,1,2,…,9]，則[3 2 1 5 4 0 7 6 9 8]就可以表示一條行走的路線，即問題的解。

圖1 染色體編碼示意圖

由于該問題是船只——泊位分配問題，所以船舶編號不能重復出現，假設共有N艘集裝箱船舶，共有G個港口，共有P個泊位，于是，可以根據表1構造出該問題的染色體。

表1 整數編碼

2.2 交 叉

本文采用1990年Syswerda提出的基于位置的交叉方法(PX:Position-based Crossover)，這種交叉方法尤其適用于排列形式的染色體，具體過程如表2所示。

表2 基于位置的交叉(PX)

2.3 變 異

本文中的變異方法采用倒置變異，也就是在染色體上隨機選擇兩個位置，然后顛倒兩個位置間的基因序列，如圖2所示。

圖2 倒置變異示意圖

3 算例分析

為驗證模型和算法的有效性、可行性以及穩定性，設置一定的算例數據對模型以及算法進行驗證。以華東地區某港口群為例，港口群中各港口的距離均采取真實數據，船舶的單位航行成本因船型以及所載貨物不同而不同。客戶滿意度權重根據實際考察以及邀請港口負責人對船公司對港口作業時間以及服務質量進行打分來得到不同船公司的權重指標。港口泊位的數量以及泊位類型和船舶到港時間以及載貨量等參數采用可行的隨機值。

為了比較方案一與方案二調度結果在調度成本、調度時間以及客戶滿意度的差異。使用MATLAB編寫算法程序，設置交叉概率與變異概率分別為0.7與0.3，每次實驗迭代次數為300進行試驗，分析比較試驗結果。

本文數據在收集的港口真實數據的基礎上按一定比例進行處理，表3為調度后的目標港口信息，表4為中短時間內港口群所有船舶信息，圖3為港口群各港口地理位置坐標。

表3 某港口群各港口泊位情況

圖3 某港口群各港口地理位置坐標

續表4

設定參數進行試驗，算例結果顯示：

1) 方案一最后一條船的離港時間為3月24日23點34分，調度的最小成本為1 123 350元，客戶滿意度為56.4%，20艘船停靠的港口分別是3、1、2、1、3、3、3、1、1、3、1、2、2、1、3、2、1、2、3、1，如圖4所示。

圖4 方案一應急調度結果

2) 方案二最后一條船的離港時間為3月24日11點56分，調度的最小成本為1 279 800元，客戶滿意度度84.6%，20艘船停靠的港口分別是2、2、3、2、3、3、3、1、1、2、1、3、1、1、1、2、1、3、2、1，如圖5所示。

圖5 方案二應急調度結果

通過數據的對比發現，方案一相對于方案二具有調度成本的優勢，但是調度時間相對較長，兩個方案的調度結果顯示，方案二較方案一有較高的客戶滿意度，因此從港口經營的長遠角度出發，應該選擇方案二。此應急方案的選擇模型對港口的運營起到一定的指導作用，以犧牲少量的成本代價來大幅來提高客戶的滿意度，以此增加港口的綜合競爭力。

為了進一步檢驗算法的穩定性和比較客戶滿意度對港口調度結果的影響，設置了四組試驗數據，通過重復試驗求出遺傳算法下的最佳交叉概率與變異概率分別為0.7與0.3，并將其設置為遺傳算法的交叉概率與變異概率，對方案一和方案二采取四組數據進行重復試驗，并對兩個調度方案的調度結果所產生的調度成本、調度時間與客戶滿意度進行比較，來對港口的應急調度做出指導性建議。每個算例均采用5組不同的初始值，初始值均在根據實際情況在可行區間內隨機取得。算例采用的數據如表5所示，試驗結果如表6所示。

表5 隨機算例4組數據

表6 四組案例結果對比

從四組算例的結果和目標函數的收斂性情況表明了模型算法的穩定性。從結果對比來看，當船舶和港口泊位數量較少時，兩個調度方案的應急調度造成的調度成本以及船舶調度時間的差別并不明顯，客戶滿意度也沒有明顯的差異；隨著船舶數量和港口泊位的增多，方案一與方案二在成本和時間的有一定的差異，方案一具有成本優勢，方案二具有調度時間上的優勢，同時方案二在客戶滿意度方面較方案一具有較大優勢。因此從港口與船公司長期合作的角度，方案二為最佳調度方案。四組算例采用5組不同的初始值進行驗算，均能得到以上的結果。本算例的模型目標函數實驗結果以及收斂的情況均表明了模型的穩定可靠，模型目標的適應度函數如圖6所示。

圖6 算法收斂情況

4 結 語

隨著國內港口向第四代港口轉變，港口間的競爭主要體現在港口群之間的競爭，港口也由原先的單純依賴裝卸費轉向為提供全面供應鏈服務。近些年，國內外學者對港口災后應急物流的研究變得越來越多，但是始終沒有考慮到客戶滿意度的應影響因素。為提高自身競爭力，建立考慮客戶滿意度的災后應急物流體系變得更加具有現實意義。

本文基于遺傳算法研究考慮客戶滿意度的災后港口應急物流體系，目標是在應急調度的優選方案中通過考慮客戶滿意度，選出符合港口長期發展的最優方案。本文首先建立了以最小化調度成本和最小化船舶調度時間為目標的多目標優化模型，通過無量綱化處理并設置權重指數得到單目標優化模型，使用遺傳算法對模型進行求解，并通過幾組算例對模型進行驗證。模型既在考慮調度成本與調度時間情況下得到兩個調度方案，最后考慮調度方案的客戶滿意度來選擇最佳調度方案，調度方案符合港口長期發展的目標，具有現實意義。試驗結果表明：以調度成本為重點考慮因素的方案雖然能夠降低調度成本，但是客戶滿意度較低，存在客戶流失的風險；以調度時間為重點考慮因素的調度方案，客戶滿意度較高，調度成本小幅增加。以犧牲部分利益為代價避免了客戶的流失，有利于提高港口群的競爭優勢，符合港務集團的長遠利益。

在實際的應用中，結合本模型以及港口作業實際情況，可以在本模型基礎上考慮不影響調度目的港口的生產作業情況，并根據受災港口群的實際情況，對模型的參數以及各項指標進行修正，這樣可以增加港口災后應急物流系統的適用性，在災后應急級別小的情況下也更具有可行性。

[1] 李學工, 楊賀. 港口物流供應鏈應急管理機制[J]. 物流技術, 2007, 26(8):172-174.

[2] Imai A， Nishimura E， Papadimitriou S.The dynamic berth allocation problem for a container port [J].Transportation Research Part B: Methodological，2001，35( 4) : 401-417．

[3] Imai A， Nishimura E， Papadimitriou S．Berth allocation with service priority [J]． Transportation Research Part B: Methodological，2003，37( 5) : 437-457.

[4] Imai A, Zhang J T, Nishimura E, et al. The Berth Allocation Problem with Service Time and Delay Time Objectives[J]. Maritime Economics & Logistics, 2007, 9(4):269-290.

[5] Imai A, Nishimura E, Hattori M, et al. Berth allocation at indented berths for mega-containerships[J]. European Journal of Operational Research, 2007, 179(2):579-593.

[6] 郭亞飛．港口應急物流系統運作預案及評價[D]．武漢：武漢理工大學，2011.

[7] 張江華. 我國港口應急物流系統分析與構建研究[J]. 現代管理科學, 2009(8):59-61.

[8] 陳國標.船舶配員疲勞因素和安全的綜合評價[J].廣西交通科技，1998，23(4)：49-53.

[9] 馬會，吳兆麟.港口航道水域操船環境危險度的綜合評價[J].大連海事大學學報，1998，24(3)：15-18 .

[10] 賴強.水域危險度的灰色評價及其在廣州港的應用[D].大連:大連海事大學，2002.

[11] 高巖松.廈門港港口水域航道環境危險度的分析與評價[D].大連:大連海事大學，2008:13-34.

[12] Wang S D, Shen Y M, Guo Y K, et al. Three-dimensional numerical simulation for transport of oil spills in seas[J]. Ocean Engineering, 2008, 35(5-6):503-510.

[13] Cheng Y, Li X, Xu Q, et al. SAR observation and model tracking of an oil spill event in coastal waters[J]. Marine Pollution Bulletin, 2011, 62(2):350-363.

[14] Sebasti?o P, Soares C G. Uncertainty in predictions of oil spill trajectories in open sea[J]. Ocean Engineering, 2007, 34(3):576-584.

[15] Paul J A, Maloni M J. Modeling the effects of port disasters[J]. Maritime Economics & Logistics, 2010, 12(2):127-146.

[16] Mokhtari K, Ren J, Roberts C, et al. Decision support framework for risk management on sea ports and terminals using fuzzy set theory and evidential reasoning approach[J]. Expert Systems with Applications An International Journal, 2012, 39(5):5087-5103.

[17] Yeo G T, Pak J Y, Yang Z. Analysis of dynamic effects on seaports adopting port security policy[J]. Transportation Research Part A Policy & Practice, 2013, 49(1):285-301.

[18] 李學工, 楊賀. 構建我國港口聯動型應急物流體系[J]. 交通建設與管理, 2006(10):46-49.

[19] 汪春鵬, 林國龍, 孟燕萍. 港口服務中斷條件下應急處置策略與多港協調機制研究[J]. 河南科學, 2014, 32(3):455-460.

[20] 畢婭，李文峰．集裝箱港口集群下多港口多泊位聯合調度方法[J]．計算機應用，2012，32(2)：448-451.

[21] 徐煒勇, 吳鳳平, 邱毓敏,等. 區域港口協調優化模型研究[J]. 交通與運輸:學術版, 2008(1):99-101.

[22] 汪傳旭, 蔣良奎. 區域多港口合作競爭策略及其利潤分配機制[J]. 上海海事大學學報, 2009, 30(2):1-7.

[23] 趙銳, 胡雄, 何紅弟. 考慮客戶滿意度的網購物流配送路徑優化[J]. 上海海事大學學報, 2015, 36(3):64-70.

JOINT EMERGENCY DISPATCHING MODEL FOR MULTI-PORT BERTHS AFTER CALAMITY CONSIDERING CUSTOMER SATISFACTION

Tian Maojin Meng Yanping Zhang Yaqi Lin Guolong

(LogisticsResearchCenter,ShanghaiMaritimeUniversity,Shanghai201306,China)

With the rapid economic development, the role of the port in economic activities has become increasingly important. In recent years, a lot of harbor incidents occur all over the country, which has seriously affected the normal operation of the port. It also poses new challenges to the post-disaster emergency dispatch of the port group. In this paper, a multi-objective optimization model with the least scheduling cost and shortest vessel scheduling time is established for the characteristics of the port events and the network cluster characteristics of the port group. According to the model, two scheduling schemes are set up, and the genetic algorithm is used to solve the scheme. The effectiveness of the model and algorithm is verified by a practical example, and the optimal scheme is selected according to the customer satisfaction index. This model can select the best solution from different schemes, so as to enhance the competitive advantage of the port group, more in line with the long-term interests of port development.

Emergencies Joint emergency dispatch Customer satisfaction

2016-06-13。教育部博士點基金項目(20123121，110004)；上海市科委項目(14DZ2280200)；上海市曙光計劃(13SG48)；上海市自然科學基金項目(12ZR1412800)；上海市教委科研創新項目(13YZ085)。田茂金,碩士,主研領域：應急流。孟燕萍，博士。張亞琦，碩士。林國龍，教授。

TP181

A

10.3969/j.issn.1000-386x.2017.07.044