港口集疏運系統協調發展飽和度模型研究

鄧翰京

摘要：文章設計一種基于鐵路、公路、遠洋海運區域樞紐港口的港口集疏運系統協調發展飽和度模型，并基于該模型開發一種港口綜合調度專家系統。通過對該模型進行仿真分析，發現在該模型驅動的港口綜合調度專家系統指導下，港口的離港堆場、到港堆場利用率顯著下降，港內港外半掛車調用率顯著提升，港口實際吞吐量顯著提升并接近設計吞吐能力。因此，該模型及其驅動的調度專家系統對港口調度有積極意義。

關鍵詞：港口集疏運系統;協調發展飽和度;調度專家系統;吞吐能力;堆場利用率

中國分類號：U691+.32文章標識碼：A481804

0 引言

對一般港口系統來說，裝卸船舶與裝卸路上運輸系統屬于相輔相成的關系，所以，當前港口常規模式下，在干散貨港口，陸上運輸一般采用鐵運實現;在集裝箱港口，陸上運輸一般采用汽運實現;在石油天然氣港口，陸上運輸會通過管道系統或者鐵運系統聯合實現[1]。因為船舶運力一般較大，當前近海船舶已經普遍超過萬噸載重噸的級別，普遍在2～5萬t載重噸，遠洋船舶一般在8萬t以上，好望角型貨輪已經可以達到30萬t載重噸級別。船舶靠港后，一般需要短時間內完成大宗運力的裝卸，而陸上運輸，不論是鐵運還是汽運，都具有一定的持續性。所以碼頭一般設計一定儲運能力的貨場，用作兩種運輸模式的緩沖。研究持續性的陸上運輸和集中性的海運運輸之間的配合程度，就用到港口協調發展飽和度模型。

本文以某集裝箱運輸碼頭為例，在港口集疏運系統協調發展飽和度模型思路下進行建模分析，研究該模型的應用結果，并對該模型相關因子進行優化研究。

1 個案一般情況

某碼頭擁有8萬t（2 000標箱）遠洋集裝箱泊位6個，常規模式下確保其中4泊位處于裝卸過程中。日卸貨量和裝貨量均達到5 000標箱，設計1個到港儲運堆場和1個離港儲運堆場，碼頭內采用半掛式車輛擺渡法配合龍門吊進行船舶裝卸，陸上運輸采用鐵運為主、汽車為輔的運輸模式。見圖1。

圖1中，其海運核心運力保障為6個8萬噸級泊位，提供每天5 000標箱的裝卸量，堆場、鐵路站臺（B循環）、公路輔助（C循環）均為了輔助該泊位運力進行相關布置。因為船舶靠港后，不一定會將船上所有集裝箱均進行裝卸，且船舶也需要進行淡水、油料及其他物資的補充以及生活污水的排出，所以離港堆場和到港堆場的緩沖能力是港口飽和度的重要控制手段。

可以看到，該碼頭的動力循環模式為4個循環并聯的循環模式，但A循環中各子循環之間存在相互制約關系，B循環中各子循環之間存在相互制約關系，所有4個循環之間，因為貨物接續梯度也存在條件制約關系。如何讓每個循環均達到最大的正規循環周期，利用2個堆場的緩沖作用，讓火車、汽車和船舶之間產生最大的裝卸效率[2]，需要設計一個集疏運系統協調發展飽和度模型進行流程控制，即本研究的重點。

2 時間飽和度下的模型搭建

2.1 泊位循環時間飽和度計算

因為每個泊位最多停泊1艘貨船，所以，貨船停靠泊位后，對其他貨船在該泊位的停靠時間產生互斥作用。為充分利用該貨船在該泊位的停靠時間資源，以及充分利用泊位的總可用時間資源，該模型中應包含泊位循環時間的飽和度，即泊位與堆場之間的半掛車運作循環的運行節拍時間[3]。

泊位循環的港口內運力靠港內半掛車實現[4]，設計車速為v，在單行循環條件下，6個泊位共有6個循環路徑，長度分別為LA1、LA2、LA3、LA4、LA5、LA6，那么每輛港內半掛車通過上述循環路徑的時間受到其行駛時間Tr、卸車時間Td、裝車時間Tu的影響，如式（1）所示：

式中：卸車時間Td，裝車時間Tu，在特定裝卸條件下基本保持不變，設計車速為v基本保持不變，循環時間受到循環路線長度的影響。

此時考察設計車距，為防止產生裝卸等待隊列，則最小車距Lmin可按照式（2）計算得出：

所以，假定當天裝卸時間為Tn，其實際在泊位循環（A循環）中的裝卸能力，僅與當天裝卸時間和裝卸工作耗時Td+Tu有關。設t=Td+Tu，則實際裝卸能力為f（t）。

2.2 鐵路循環時間飽和度計算

與泊位與貨船的時間關系一致，火車與站臺的關系，也在不同火車之間產生互斥性，該模型需要每列火車對站臺的占用時間足夠短，且在保障安全的前提下完成貨物裝卸操作，所以需要計算鐵路循環時間飽和度。該飽和度同樣為半掛車往返堆場的循環節拍時間[5]。

假定港口共有n個站臺，則其港內半掛車的運輸循環路徑B1～Bn的時間飽和度計算方法同式（1）至式（3），該循環在此不再贅述，但制約鐵路循環的重要變量，來自D循環的運力飽和度[6]。

D循環為集裝箱列車進出港循環，當前鐵路集裝箱貨運編組規則（26B規則），一般為每列17節，每節可裝載2個標箱，即每列可裝載集裝箱34標箱，同樣設裝卸工作耗時t=Td+Tu，則每列集裝箱列車靠港時間如式（4）所示：

2.3 公路循環時間飽和度計算

如果不使用火車進行陸上進出港作業，直接使用半掛車對外進行集裝箱貨物進出港操作，該過程并不受制于港口內的火車站臺和貨車泊位，直接考察半掛車的工作循環節拍時間[7]。

公路循環作為輔助陸上運輸循環[8]，在上頁圖1中屬于C循環，此時其運力為fC（t），那么在該港口運力時間飽和度方面，存在式（6）關系：

由此可得，港口運力受到船舶裝卸需求的直接驅動，且與裝卸效率t有關，與鐵路運輸站臺數量n有關。

3 空間飽和度下的模型搭建

前文分析中，到港堆場和離港堆場屬于該港口的重要緩沖資源。而堆場對港口運力的資源支持模式是堆場的空間。有足夠的空間堆放足夠多的集裝箱，是堆場空間飽和度的核心控制目標[9]。

40′GP的內尺寸：12 032 mm（長）×2 352 mm（寬）×2 393 mm（高），載重28 t[10]，采用8層堆疊方式，每公頃堆場最大可堆放2 826.86個標準集裝箱，受制于不同集裝箱的陸上發貨方向或海上發貨方向影響其堆疊規則[11]，假定堆場利用效率為τ，則在堆場空間飽和度方面存在式（7）：

設定碼頭離港堆場緩沖能力為H1，到港堆場緩沖能力為H2，泊位裝載能力為L1，泊位卸載能力為L2，鐵路卸載能力為D1，鐵路卸載能力為D2，汽車卸載能力為C1，汽車卸載能力為C2，則其空間利用過程[12]如圖2所示。

圖2中，泊位裝載能力為L1，泊位卸載能力為L2，此兩者變化幅度較大，變化區間在每天0～5 000標準箱;鐵路卸載能力為D1，鐵路卸載能力為D2，此兩者變化幅度較小，變化區間在每天3 500～4 500標準箱;汽車卸載能力為C1，汽車卸載能力為C2，此兩者受控能力較強，調度較為自由，作為上述兩者的有效緩沖，其控制目標為將離港堆場緩沖能力H1、到港堆場緩沖能力H2，兩者的飽和度控制在40%～60%區間，基本實現港口的有序運行。

4 港口飽和度模型的軟件實現設計

根據前文分析，在時間飽和度模型中，t=Td+Tu屬于硬性技術指標，受到龍門吊性能和港區道路指標的影響，其發揮一般較為穩定，且提升難度較大。所以，港口的時間飽和度基本受到投入的港內半掛車數量N影響，該部分半掛車主要運行的船舶在裝卸循環A循環和鐵路轉運循環B循環中，港外半掛車數量為N′，影響C循環效率[13]。

所以，在調度過程中，控制實現飽和度，需要調度港內半掛車NA、NB的數量，以及港外半掛車的數量N′，以實現對時間飽和度的有效控制。

而對空間飽和度的控制過程中泊位裝載能力L1、泊位卸載能力L2、鐵路卸載能力D1、鐵路卸載能力D2，此四者在實際調度中屬于被動變量，受到較多的外部制約，所以該四者數據作為輸入數據進行調度，而制約空間飽和度的可調度指標主要有兩個，包括汽車卸載能力C1和汽車卸載能力C2，該兩者也受到港外半掛車數量N′的限制[14]。

綜上，對港口的時間飽和度和空間飽和度進行控制，均需要對三個變量做出決策，分別為港內半掛車NA、NB的數量，以及港外半掛車數量N′。

所以，如果使用卷積神經網絡構建該軟件，則其輸入量為4個，分別為泊位裝載能力L1、泊位卸載能力L2、鐵路卸載能力D1、鐵路卸載能力D2，輸出量為3個，分別為港內半掛車NA、NB的數量，以及港外半掛車數量N′。其神經網絡架構如圖3所示。

圖3中，使用3列多列卷積神經網絡可以實現該功能，每列神經網絡有4個輸入項、1個輸出項，輸入為整型變量（Integer格式），輸出為整型變量（Integer格式），中間變量為雙精度浮點型變量（Double格式）。神經網絡的實際輸出變量也為雙精度浮點型變量（Double格式），但通過Cint函數可以將雙精度浮點型變量（Double格式）直接取整為整型變量（Integer格式），而數據輸入過程直接認定輸入的整型變量（Integer格式）為等效雙精度浮點型變量（Double格式）。所以該神經網絡不存在模糊與解模糊過程，不屬于傳統的模糊神經網絡架構，而是單純的多列卷積神經網絡架構。

根據常規卷積神經網絡架構，每個神經網絡模塊的隱藏層設計4層，分別為5節點、7節點、13節點、3節點，節點函數采用對數回歸函數設計，其基函數如式（8）所示：

即該神經網絡的實際意義在于根據4個輸入變量直接輸出3個半掛車的調用建議，該建議作為港口實際調用半掛車資源的專家系統建議。

5 模型效能仿真測試

使用港口管理CAE系統加載SimuWorks組件運行該仿真調度系統，以該港口2020-01-01至2020-12-31的實際運行數據作為仿真參照數據，對照組采用實際堆場利用率數據和港口吞吐量數據，觀察組采用仿真系統測試結果中的堆場利用率數據和港口吞吐量數據。得到其仿真比較結果如表1所示。

表1中，對比參數來自基于SPSS軟件平臺的雙變量t校驗，當t<10.000時認為存在統計學差異，同時讀取雙變量t校驗的log值作為信度參照P值，當P<0.05時認為比較結果處于置信空間內，當P<0.01時認為存在顯著的統計學意義。實際比較參數中，采用該飽和度模型驅動神經網絡專家系統的調度結果的觀察組較之前調度能力體現出的參照組，離港堆場利用率下降28.0%，到港堆場利用率下降32.1%，港內半掛車利用率提升26.7%，港外半掛車利用率提升13.4%，港口吞吐能力提升7.5%。

與此同時，根據前文分析堆場利用率應控制在40%～60%，應用該系統前該港口不論在離港堆場利用率方面還是到港堆場利用率方面，其堆場利用率均超出了該控制范圍，而使用該系統后，到港堆場利用率和離港堆場利用率，均控制在調度目標內。

該系統的實際意義在于提升了可控的半掛車利用率，將堆場利用率控制在理想范圍內，同時使港口在不改變硬件配置的條件下，實現每年增加吞吐量12.29萬標準箱，使港口的實際運營利潤得到顯著提升。

6 結語

該港口屬于鐵路運輸與遠洋海運相互過駁的區域樞紐型港口，設計日吞吐能力在5 000標準箱。應用該模型驅動的調度專家系統前，2020年的實際日吞吐能力為4 491.78標準箱，而在仿真條件下，如果應用該調度專家系統，其日吞吐能力可以提升到4 828.49標準箱，使其實際運行能力更接近設計吞吐能力。其他類型港口，如果采用基于港口集疏運系統協調發展飽和度模型驅動的調度專家系統，也會使其港口內可用資源得到有效利用，從而在不改變港口硬件配置的條件下，通過提升其調度能力，提升港口的實際運力。所以，該模型及該模型驅動的調度專家系統，對港口調度有積極意義。

參考文獻：

[1]NaNa.W，Wei L.Mathematical Model of Port Scheduling Problem Based On Multi-objective Particle Swarm Optimization[J].Journal of Coastal Research，2020，115（sp1）：561.

[2]俞曉帆，尹 梟，傅晨娟，等.港口智能調度系統的建設和應用[J].中國水運，2020（6）：55-58.

[3]葉 敬，張立鋼，鄭選斌.京唐港港口運營與施工運輸交叉管理[J].水運工程，2019（S2）：83-87.

[4]王 彤.天津港新調度系統設計與實施[J].集裝箱化，2019，30（6）：14-16.

[5]王寧寧，施燦濤，索偉嵐.基于啟發式規則的散雜貨港口泊位調度研究[J].北京信息科技大學學報（自然科學版），2019，34（3）：16-22.

[6]楊 莎，劉桂云，王智靈.港口集疏運系統協調發展飽和度模型研究[J].寧波大學學報（理工版），2018，31（1）：76-81.

[7]曾 琪，馬華靈，劉 柏，等.蘇碼頭構造須二段儲層物性下限研究[J].天然氣技術與經濟，2016，10（6）：6-8，81.

[8]黎法明.基于貝葉斯準則的廣州港風險評估方法[J].廣州航海學院學報，2014，22（4）：4-7.

[9]王亞南，龐明寶，白子建，等.基于WPCA的港口用地調整交通影響評價[J].交通科學與工程，2014，30（3）：87-92.

[10]軒少永，黎法明，胡甚平，等.廣州港水域船舶航行風險評估[J].中國航海，2013，36（4）：96-99.

[11]蔡 軍，唐 偉，黃本俊.基于回歸分析的海港道路集疏運設施評估研究[J].中國港口，2013（1）：56-59.

[12]趙智幫，李 鑫.航道通過能力的計算方法[J].港工技術，2011，48（6）：15-18.

[13]秦天保.集裝箱碼頭堆場的道路規劃仿真研究[J].計算機工程，2011，37（2）：13-15，19.

[14]劉敬賢，韓曉寶，易湘平.基于排隊論的受限航道通過能力計算[J].中國航海，2008（3）：261-264，268.

3382501908222