鄧翰京

摘要：文章設計一種基于鐵路、公路、遠洋海運區(qū)域樞紐港口的港口集疏運系統(tǒng)協(xié)調發(fā)展飽和度模型，并基于該模型開發(fā)一種港口綜合調度專家系統(tǒng)。通過對該模型進行仿真分析，發(fā)現(xiàn)在該模型驅動的港口綜合調度專家系統(tǒng)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(tǒng)對港口調度有積極意義。

關鍵詞：港口集疏運系統(tǒng);協(xié)調發(fā)展飽和度;調度專家系統(tǒng);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(tǒng)來說，裝卸船舶與裝卸路上運輸系統(tǒng)屬于相輔相成的關系，所以，當前港口常規(guī)模式下，在干散貨港口，陸上運輸一般采用鐵運實現(xiàn);在集裝箱港口，陸上運輸一般采用汽運實現(xiàn);在石油天然氣港口，陸上運輸會通過管道系統(tǒng)或者鐵運系統(tǒng)聯(lián)合實現(xiàn)[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(xù)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(xù)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(xié)調發(fā)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(tǒng)協(xié)調發(fā)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(yōu)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(guī)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(huán)）、公路輔助（C循環(huán)）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(huán)模式為4個循環(huán)并聯(lián)的循環(huán)模式，但A循環(huán)中各子循環(huán)之間存在相互制約關系，B循環(huán)中各子循環(huán)之間存在相互制約關系，所有4個循環(huán)之間，因為貨物接續(xù)梯度也存在條件制約關系。如何讓每個循環(huán)均達到最大的正規(guī)循環(huán)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(tǒng)協(xié)調發(fā)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(huán)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?？坎次缓?，對其他貨船在該泊位的?？繒r間產生互斥作用。為充分利用該貨船在該泊位的?？繒r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(huán)時間的飽和度，即泊位與堆場之間的半掛車運作循環(huán)的運行節(jié)拍時間[3]。

泊位循環(huán)的港口內運力靠港內半掛車實現(xiàn)[4]，設計車速為v，在單行循環(huán)條件下，6個泊位共有6個循環(huán)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(huán)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(huán)時間受到循環(huán)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(huán)（A循環(huán)）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(huán)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(huán)時間飽和度。該飽和度同樣為半掛車往返堆場的循環(huán)節(jié)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(huán)路徑B1～Bn的時間飽和度計算方法同式（1）至式（3），該循環(huán)在此不再贅述，但制約鐵路循環(huán)的重要變量，來自D循環(huán)的運力飽和度[6]。

D循環(huán)為集裝箱列車進出港循環(huán)，當前鐵路集裝箱貨運編組規(guī)則（26B規(guī)則），一般為每列17節(jié)，每節(jié)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(huán)時間飽和度計算

如果不使用火車進行陸上進出港作業(yè)，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(huán)節(jié)拍時間[7]。

公路循環(huán)作為輔助陸上運輸循環(huán)[8]，在上頁圖1中屬于C循環(huán)，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(shù)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(fā)貨方向或海上發(fā)貨方向影響其堆疊規(guī)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(qū)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(qū)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(qū)間，基本實現(xiàn)港口的有序運行。

4 港口飽和度模型的軟件實現(xiàn)設計

根據(jù)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(qū)道路指標的影響，其發(fā)揮一般較為穩(wěn)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(shù)量N影響，該部分半掛車主要運行的船舶在裝卸循環(huán)A循環(huán)和鐵路轉運循環(huán)B循環(huán)中，港外半掛車數(shù)量為N′，影響C循環(huán)效率[13]。

所以，在調度過程中，控制實現(xiàn)飽和度，需要調度港內半掛車NA、NB的數(shù)量，以及港外半掛車的數(shù)量N′，以實現(xiàn)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(shù)據(jù)作為輸入數(shù)據(jù)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(shù)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(shù)量，以及港外半掛車數(shù)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(shù)量，以及港外半掛車數(shù)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(xiàn)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(shù)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(shù)據(jù)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(tǒng)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(jù)常規(guī)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(jié)點、7節(jié)點、13節(jié)點、3節(jié)點，節(jié)點函數(shù)采用對數(shù)回歸函數(shù)設計，其基函數(shù)如式（8）所示：

即該神經網絡的實際意義在于根據(jù)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(tǒng)建議。

5 模型效能仿真測試

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

表1中，對比參數(shù)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(tǒng)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(tǒng)計學意義。實際比較參數(shù)中，采用該飽和度模型驅動神經網絡專家系統(tǒng)的調度結果的觀察組較之前調度能力體現(xiàn)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(jù)前文分析堆場利用率應控制在40%～60%，應用該系統(tǒng)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(tǒng)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(tǒng)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(xiàn)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(qū)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(tǒng)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(tǒng)，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(tǒng)協(xié)調發(fā)展飽和度模型驅動的調度專家系統(tǒng)，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(tǒng)，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(tǒng)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(tǒng)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(fā)式規(guī)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(tǒng)協(xié)調發(fā)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(guī)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