问题
如今，全球约80%的贸易量通过海运，并由全球多式联运港口和码头处理。随着全球运输量的增加，多式联运设施正在重新设计，以扩大运力并满足需求。同时，有必要保持设施的安全和高效，这就是为什么运营公司正在寻找在实施之前测试变更的方法。
意大利热那亚的圣乔治航站楼计划对其设施的布局和运营进行重组，旨在提高吞吐量，使航站楼更加安全。他们需要一个港口模拟器——码头的数字孪生模型作为集装箱堆场规划的试验台，并帮助预测这些变化将如何影响当前的运营。
由于仿真是创建复杂环境的此类数字副本的自然技术，管理层将该项目承包给了MEVB Consulting的集装箱码头仿真工程师，MEVB Consulting是一家基于仿真的决策支持系统的瑞士开发商。使用集装箱码头仿真方法，承包商将能够在交互环境中反映物理和运营活动，并捕获详细的动态工作流。
对于集装箱码头仿真，工程师选择AnyLogic建模软件的原因如下：
- 它有一个内置的建模库，用于构建复杂但详细的物料处理模型。该库包含可用于加速和简化货物装卸操作仿真的现成元素。
- AnyLogic支持创建自定义模型接口，这简化了那些不熟悉AnyLogic的人的模型使用。
- 该软件允许工程师将模型与人工智能平台连接并使用仿真数据训练算法。从培训中学到的策略最终可以部署到实际系统中或者在模型中使用，让策略自主地做出决策。
- 工程师们可以使用AnyLogic云计算功能和分布式仿真技术一次运行多个场景。通过这种方式，复杂的多次运行实验比在普通计算机上执行更快、更高效。
解决方案
为了创建数字孪生，工程师们需要收集有关人员、集装箱和车辆在航站楼周围移动的信息。为此，他们为员工配备了移动电话，以持续跟踪他们在终端中的位置。通过这种方式，可以看到人们进出某些区域以及他们在这些区域之间的移动。对于集装箱和拖车，他们提供信标，通过GPS将其准确位置传输到内部跟踪系统。
集装箱码头仿真工程师利用这些信息构建了一个精确的数字孪生模型，该模型由从环境中收集的数据作为支撑。他们能够在港口的模拟器中显示总共2万辆火车和货物的运动。为了加速仿真，他们使用了AnyLogic物料搬运库及其现成的元素。
建模的最后一步是将集装箱码头仿真模型连接到Microsoft Project Bonsai。该人工智能平台允许基于仿真模型的数据进行更容易的深度强化学习。工程师们希望人工智能大脑能为管理人员做出决策，或者至少能在货物处理的不同阶段利用仿真数据提出解决方案。
测试疏散场景
当集装箱码头仿真模型准备就绪时，工程师们想对当前的布局和操作进行压力测试。工程师们将模型分成几个区域，其中一些区域启动了火灾蔓延或爆炸时可能发生的疏散场景。
为了找到最佳疏散路径，他们依靠模型中的 AI opportunities。该算法分析了从危险区到安全区的所有可能路径，考虑了紧急情况的演变和港口正在进行的过程。为了加快仿真速度，AnyLogic Cloud运行了各种紧急演化场景。因此，该算法提出了通往安全区域的最佳疏散路径，并将其分配给每个智能体。
之后，工程师们使用输出数据来测试现实生活中的疏散路径。他们模拟了其中一个区域的危险情况，并将信号传送到与集装箱码头数字孪生相连的疏散系统。作为回应，数字孪生找到了附近的安全区，并将其位置告知了系统。这时，该系统向疏散区域的人员发送电话警报，并提供个性化疏散计划，引导他们前往安全区域。
使用人工智能的区域管理
集装箱码头仿真模型也用于提高码头吞吐量。当卡车到达停车场收集或通过集装箱时，管理人员会为它们分配一个停车位。然而，他们的决定通常是基于港口的当前情况，不考虑可能的破损、卡车延误或紧急情况。这可能会导致停车位使用效率低下，吞吐量降低。
为了改进管理决策，工程师们使用人工智能功能仿真并优化了货物处理步骤之一——卡车上下车操作。这方面的改进将通过最大限度地减少处理时间并使操作更加流畅来帮助提高终端吞吐量。
使用 AnyLogic 进行集装箱码头仿真
工程师们提出，人工智能大脑可以协调卡车分配并自主做出基于仿真的决策。从码头的数字孪生中获得输入，它将依靠汇总数据并根据计划的装运预测最佳分配卡车的位置。
码头吞吐量在很大程度上取决于其他码头运营，这就是工程师使用停车场模型扩展当前数字孪生模型的原因。特别是在与卡车相关的物流作业模型中，工程师反映：
- 将集装箱从船运到停车场的平均时间
- 停车场的可用车位数量
人工智能大脑花了一些时间从集装箱码头仿真模型中学习历史数据以及为卡车分配实施了哪些策略。当学习阶段结束时，模型会不断地输入与货物相关的新数据，然后大脑决定将进来的卡车分配到哪里。
结论
工程师们创建了一个决策支持系统，帮助他们为紧急情况制定可靠的疏散策略并提高码头的安全性。该系统可以在事故发生时重新计算通往安全区的路径，并将路径传送到内部警报工具，该工具进而向现场员工发送方向通知。
工程师们还表明，人工智能功能与仿真相结合，可以将终端的整体吞吐量提高 20%。学习人工智能算法可以利用汇总的历史数据来改进卡车分配策略，并为码头吞吐量优化提供更多见解。当工程师查看算法做出的决策时，它们与经理做出的决策相似。这证明了基于人工智能的决策可以稍后在码头实施，并在其他货物处理步骤中传播以进一步改进。
MEVB 的 Roberto Revetria 在 AnyLogic 2021 年度会议上的项目演示：
