港口集疏运系统协调发展饱和度模型研究

邓翰京

摘要：文章设计一种基于铁路、公路、远洋海运区域枢纽港口的港口集疏运系统协调发展饱和度模型，并基于该模型开发一种港口综合调度专家系统。通过对该模型进行仿真分析，发现在该模型驱动的港口综合调度专家系统指导下，港口的离港堆场、到港堆场利用率显著下降，港内港外半挂车调用率显著提升，港口实际吞吐量显著提升并接近设计吞吐能力。因此，该模型及其驱动的调度专家系统对港口调度有积极意义。

关键词：港口集疏运系统;协调发展饱和度;调度专家系统;吞吐能力;堆场利用率

中国分类号：U691+.32文章标识码：A481804

0 引言

对一般港口系统来说，装卸船舶与装卸路上运输系统属于相辅相成的关系，所以，当前港口常规模式下，在干散货港口，陆上运输一般采用铁运实现;在集装箱港口，陆上运输一般采用汽运实现;在石油天然气港口，陆上运输会通过管道系统或者铁运系统联合实现[1]。因为船舶运力一般较大，当前近海船舶已经普遍超过万吨载重吨的级别，普遍在2～5万t载重吨，远洋船舶一般在8万t以上，好望角型货轮已经可以达到30万t载重吨级别。船舶靠港后，一般需要短时间内完成大宗运力的装卸，而陆上运输，不论是铁运还是汽运，都具有一定的持续性。所以码头一般设计一定储运能力的货场，用作两种运输模式的缓冲。研究持续性的陆上运输和集中性的海运运输之间的配合程度，就用到港口协调发展饱和度模型。

本文以某集装箱运输码头为例，在港口集疏运系统协调发展饱和度模型思路下进行建模分析，研究该模型的应用结果，并对该模型相关因子进行优化研究。

1 个案一般情况

某码头拥有8万t（2 000标箱）远洋集装箱泊位6个，常规模式下确保其中4泊位处于装卸过程中。日卸货量和装货量均达到5 000标箱，设计1个到港储运堆场和1个离港储运堆场，码头内采用半挂式车辆摆渡法配合龙门吊进行船舶装卸，陆上运输采用铁运为主、汽车为辅的运输模式。见图1。

图1中，其海运核心运力保障为6个8万吨级泊位，提供每天5 000标箱的装卸量，堆场、铁路站台（B循环）、公路辅助（C循环）均为了辅助该泊位运力进行相关布置。因为船舶靠港后，不一定会将船上所有集装箱均进行装卸，且船舶也需要进行淡水、油料及其他物资的补充以及生活污水的排出，所以离港堆场和到港堆场的缓冲能力是港口饱和度的重要控制手段。

可以看到，该码头的动力循环模式为4个循环并联的循环模式，但A循环中各子循环之间存在相互制约关系，B循环中各子循环之间存在相互制约关系，所有4个循环之间，因为货物接续梯度也存在条件制约关系。如何让每个循環均达到最大的正规循环周期，利用2个堆场的缓冲作用，让火车、汽车和船舶之间产生最大的装卸效率[2]，需要设计一个集疏运系统协调发展饱和度模型进行流程控制，即本研究的重点。

2 时间饱和度下的模型搭建

2.1 泊位循环时间饱和度计算

因为每个泊位最多停泊1艘货船，所以，货船停靠泊位后，对其他货船在该泊位的停靠时间产生互斥作用。为充分利用该货船在该泊位的停靠时间资源，以及充分利用泊位的总可用时间资源，该模型中应包含泊位循环时间的饱和度，即泊位与堆场之间的半挂车运作循环的运行节拍时间[3]。

泊位循环的港口内运力靠港内半挂车实现[4]，设计车速为v，在单行循环条件下，6个泊位共有6个循环路径，长度分别为LA1、LA2、LA3、LA4、LA5、LA6，那么每辆港内半挂车通过上述循环路径的时间受到其行驶时间Tr、卸车时间Td、装车时间Tu的影响，如式（1）所示：

式中：卸车时间Td，装车时间Tu，在特定装卸条件下基本保持不变，设计车速为v基本保持不变，循环时间受到循环路线长度的影响。

此时考察设计车距，为防止产生装卸等待队列，则最小车距Lmin可按照式（2）计算得出：

所以，假定当天装卸时间为Tn，其实际在泊位循环（A循环）中的装卸能力，仅与当天装卸时间和装卸工作耗时Td+Tu有关。设t=Td+Tu，则实际装卸能力为f（t）。

2.2 铁路循环时间饱和度计算

与泊位与货船的时间关系一致，火车与站台的关系，也在不同火车之间产生互斥性，该模型需要每列火车对站台的占用时间足够短，且在保障安全的前提下完成货物装卸操作，所以需要计算铁路循环时间饱和度。该饱和度同样为半挂车往返堆场的循环节拍时间[5]。

假定港口共有n个站台，则其港内半挂车的运输循环路径B1～Bn的时间饱和度计算方法同式（1）至式（3），该循环在此不再赘述，但制约铁路循环的重要变量，来自D循环的运力饱和度[6]。

D循环为集装箱列车进出港循环，当前铁路集装箱货运编组规则（26B规则），一般为每列17节，每节可装载2个标箱，即每列可装载集装箱34标箱，同样设装卸工作耗时t=Td+Tu，则每列集装箱列车靠港时间如式（4）所示：

2.3 公路循环时间饱和度计算

如果不使用火车进行陆上进出港作业，直接使用半挂车对外进行集装箱货物进出港操作，该过程并不受制于港口内的火车站台和货车泊位，直接考察半挂车的工作循环节拍时间[7]。

公路循环作为辅助陆上运输循环[8]，在上页图1中属于C循环，此时其运力为fC（t），那么在该港口运力时间饱和度方面，存在式（6）关系：

由此可得，港口运力受到船舶装卸需求的直接驱动，且与装卸效率t有关，与铁路运输站台数量n有关。

3 空间饱和度下的模型搭建

前文分析中，到港堆场和离港堆场属于该港口的重要缓冲资源。而堆场对港口运力的资源支持模式是堆场的空间。有足够的空间堆放足够多的集装箱，是堆场空间饱和度的核心控制目标[9]。

40′GP的内尺寸：12 032 mm（长）×2 352 mm（宽）×2 393 mm（高），载重28 t[10]，采用8层堆叠方式，每公顷堆场最大可堆放2 826.86个标准集装箱，受制于不同集装箱的陆上发货方向或海上发货方向影响其堆叠规则[11]，假定堆场利用效率为τ，则在堆场空间饱和度方面存在式（7）：

设定码头离港堆场缓冲能力为H1，到港堆场缓冲能力为H2，泊位装载能力为L1，泊位卸载能力为L2，铁路卸载能力为D1，铁路卸载能力为D2，汽车卸载能力为C1，汽车卸载能力为C2，则其空间利用过程[12]如图2所示。

图2中，泊位装载能力为L1，泊位卸载能力为L2，此两者变化幅度较大，变化区间在每天0～5 000标准箱;铁路卸载能力为D1，铁路卸载能力为D2，此两者变化幅度较小，变化区间在每天3 500～4 500标准箱;汽车卸载能力为C1，汽车卸载能力为C2，此两者受控能力较强，调度较为自由，作为上述两者的有效缓冲，其控制目标为将离港堆场缓冲能力H1、到港堆场缓冲能力H2，两者的饱和度控制在40%～60%区间，基本实现港口的有序运行。

4 港口饱和度模型的软件实现设计

根据前文分析，在时间饱和度模型中，t=Td+Tu属于硬性技术指标，受到龙门吊性能和港区道路指标的影响，其发挥一般较为稳定，且提升难度较大。所以，港口的时间饱和度基本受到投入的港内半挂车数量N影响，该部分半挂车主要运行的船舶在装卸循环A循环和铁路转运循环B循环中，港外半挂车数量为N′，影响C循环效率[13]。

所以，在调度过程中，控制实现饱和度，需要调度港内半挂车NA、NB的数量，以及港外半挂车的数量N′，以实现对时间饱和度的有效控制。

而对空间饱和度的控制过程中泊位装载能力L1、泊位卸载能力L2、铁路卸载能力D1、铁路卸载能力D2，此四者在实际调度中属于被动变量，受到较多的外部制约，所以该四者数据作为输入数据进行调度，而制约空间饱和度的可调度指标主要有两个，包括汽车卸载能力C1和汽车卸载能力C2，该两者也受到港外半挂车数量N′的限制[14]。

综上，对港口的时间饱和度和空间饱和度进行控制，均需要对三个变量做出决策，分别为港内半挂车NA、NB的数量，以及港外半挂车数量N′。

所以，如果使用卷积神经网络构建该软件，则其输入量为4个，分别为泊位装载能力L1、泊位卸载能力L2、铁路卸载能力D1、铁路卸载能力D2，输出量为3个，分别为港内半挂车NA、NB的数量，以及港外半挂车数量N′。其神经网络架构如图3所示。

图3中，使用3列多列卷积神经网络可以实现该功能，每列神经网络有4个输入项、1个输出项，输入为整型变量（Integer格式），输出为整型变量（Integer格式），中间变量为双精度浮点型变量（Double格式）。神经网络的实际输出变量也为双精度浮点型变量（Double格式），但通过Cint函数可以将双精度浮点型变量（Double格式）直接取整为整型变量（Integer格式），而数据输入过程直接认定输入的整型变量（Integer格式）为等效双精度浮点型变量（Double格式）。所以该神经网络不存在模糊与解模糊过程，不属于传统的模糊神经网络架构，而是单纯的多列卷积神经网络架构。

根据常规卷积神经网络架构，每个神经网络模块的隐藏层设计4层，分别为5节点、7节点、13节点、3节点，节点函数采用对数回归函数设计，其基函数如式（8）所示：

即该神经网络的实际意义在于根据4个输入变量直接输出3个半挂车的调用建议，该建议作为港口实际调用半挂车資源的专家系统建议。

5 模型效能仿真测试

使用港口管理CAE系统加载SimuWorks组件运行该仿真调度系统，以该港口2020-01-01至2020-12-31的实际运行数据作为仿真参照数据，对照组采用实际堆场利用率数据和港口吞吐量数据，观察组采用仿真系统测试结果中的堆场利用率数据和港口吞吐量数据。得到其仿真比较结果如表1所示。

表1中，对比参数来自基于SPSS软件平台的双变量t校验，当t<10.000时认为存在统计学差异，同时读取双变量t校验的log值作为信度参照P值，当P<0.05时认为比较结果处于置信空间内，当P<0.01时认为存在显著的统计学意义。实际比较参数中，采用该饱和度模型驱动神经网络专家系统的调度结果的观察组较之前调度能力体现出的参照组，离港堆场利用率下降28.0%，到港堆场利用率下降32.1%，港内半挂车利用率提升26.7%，港外半挂车利用率提升13.4%，港口吞吐能力提升7.5%。

与此同时，根据前文分析堆场利用率应控制在40%～60%，应用该系统前该港口不论在离港堆场利用率方面还是到港堆场利用率方面，其堆场利用率均超出了该控制范围，而使用该系统后，到港堆场利用率和离港堆场利用率，均控制在调度目标内。

该系统的实际意义在于提升了可控的半挂车利用率，将堆场利用率控制在理想范围内，同时使港口在不改变硬件配置的条件下，实现每年增加吞吐量12.29万标准箱，使港口的实际运营利润得到显著提升。

6 结语

该港口属于铁路运输与远洋海运相互过驳的区域枢纽型港口，设计日吞吐能力在5 000标准箱。应用该模型驱动的调度专家系统前，2020年的实际日吞吐能力为4 491.78标准箱，而在仿真条件下，如果应用该调度专家系统，其日吞吐能力可以提升到4 828.49标准箱，使其实际运行能力更接近设计吞吐能力。其他类型港口，如果采用基于港口集疏运系统协调发展饱和度模型驱动的调度专家系统，也会使其港口内可用资源得到有效利用，从而在不改变港口硬件配置的条件下，通过提升其调度能力，提升港口的实际运力。所以，该模型及该模型驱动的调度专家系统，对港口调度有积极意义。

参考文献：

[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]俞晓帆，尹 枭，傅晨娟，等.港口智能调度系统的建设和应用[J].中国水运，2020（6）：55-58.

[3]叶 敬，张立钢，郑选斌.京唐港港口运营与施工运输交叉管理[J].水运工程，2019（S2）：83-87.

[4]王 彤.天津港新调度系统设计与实施[J].集装箱化，2019，30（6）：14-16.

[5]王宁宁，施灿涛，索伟岚.基于启发式规则的散杂货港口泊位调度研究[J].北京信息科技大学学报（自然科学版），2019，34（3）：16-22.

[6]楊 莎，刘桂云，王智灵.港口集疏运系统协调发展饱和度模型研究[J].宁波大学学报（理工版），2018，31（1）：76-81.

[7]曾 琪，马华灵，刘 柏，等.苏码头构造须二段储层物性下限研究[J].天然气技术与经济，2016，10（6）：6-8，81.

[8]黎法明.基于贝叶斯准则的广州港风险评估方法[J].广州航海学院学报，2014，22（4）：4-7.

[9]王亚南，庞明宝，白子建，等.基于WPCA的港口用地调整交通影响评价[J].交通科学与工程，2014，30（3）：87-92.

[10]轩少永，黎法明，胡甚平，等.广州港水域船舶航行风险评估[J].中国航海，2013，36（4）：96-99.

[11]蔡 军，唐 伟，黄本俊.基于回归分析的海港道路集疏运设施评估研究[J].中国港口，2013（1）：56-59.

[12]赵智帮，李 鑫.航道通过能力的计算方法[J].港工技术，2011，48（6）：15-18.

[13]秦天保.集装箱码头堆场的道路规划仿真研究[J].计算机工程，2011，37（2）：13-15，19.

[14]刘敬贤，韩晓宝，易湘平.基于排队论的受限航道通过能力计算[J].中国航海，2008（3）：261-264，268.

3382501908222