Проблема
В настоящее время около 80% грузов в мире перевозится морем и проходит транспортную обработку в расположенных по всей планете портах и терминалах для смешанных видов транспорта.
В связи с глобальным увеличением объема транспортировки грузов такие мультимодальные объекты перестраиваются для увеличения пропускной способности и удовлетворения возрастающего спроса. При этом необходимо поддерживать безопасность и эффективную работу этих объектов, поэтому эксплуатирующие компании ищут способы предварительной проверки планируемых изменений.
Руководство терминала Сан-Джорджо (Генуя, Италия) решилось на перепланировку объекта и реорганизацию внутренних процессов, чтобы повысить его пропускную способность и безопасность. Для тестирования изменений им нужен был цифровой двойник терминала, который помог бы предсказать, как нововведения повлияют на текущие процессы.
Поскольку имитационное моделирование подходит для создания цифровых копий сложных систем, руководство терминала заключило контракт на выполнение этого проекта со швейцарской компанией MEVB Consulting. Компания предоставляет услуги по разработке систем поддержки принятия решений на основе имитационного моделирования.
Имитационное моделирование контейнерного терминала позволило бы инженерам компании-подрядчика отразить как деятельность терминала в виртуальной среде и детально воспроизвести динамические рабочие процессы.
Для создания модели контейнерного терминала инженеры выбрали программу для моделирования AnyLogic по ряду причин:
- В AnyLogic встроена библиотека для создания сложных и детализированных моделей производственных систем. Эта библиотека содержит готовые элементы и позволяет ускорять и упрощать разработку имитационных моделей, включающих операции по транспортной обработке грузов.
- AnyLogic позволяет создавать для моделей пользовательские интерфейсы, которые упрощают работу с моделью для тех, кто не знаком с программой.
- Программа позволила инженерам интегрировать модели с платформами для обучения искусственного интеллекта (ИИ) и обучать алгоритмы с помощью данных из имитационной модели. Стратегии, разработанные в результате тренировки алгоритмов, в итоге могут быть внедрены в реальную систему или использованы в модели, чтобы система могла принимать решения самостоятельно.
- Благодаря вычислительным возможностям AnyLogic Cloud и его поддержке параллельного запуска нескольких экспериментов инженеры могли проверять несколько сценариев одновременно. Это позволило проводить сложные эксперименты, требующие множественных прогонов модели, быстрее и эффективнее, чем на обычном компьютере.
Решение
Чтобы создать цифрового двойника, инженерам нужно было собрать информацию о том, как люди, контейнеры и транспортные средства перемещаются по терминалу.
Для этого сотрудники, грузовики, краны и другие движущиеся объекты были оборудованы мобильными GPS-устройствами. Устройства постоянно отслеживаюли их местоположение в терминале и передавали эти данные во внутреннюю систему слежения. Таким образом можно было наблюдать, как объекты входят в определенные зоны терминала, покидают их и перемещаются между ними.
Инженеры использовали эту информацию для разработки точного цифрового двойника терминала, который пополнялся данными, собранными из операционной среды. В общей сложности специалисты смогли отразить в модели движение 20 000 взаимосвязанных объектов, включая грузовые суда и поезда.
Чтобы ускорить создание модели, использовалась Библиотека производственных систем AnyLogic и её готовые элементы для моделирования транспортировки грузов.
Последним шагом в разработке модели была ее интеграция с Microsoft Project Bonsai. Эта ИИ-платформа соединяет обученного ИИ-агента с данными из имитационной модели.
Инженеры хотели, чтобы на различных этапах обработки грузов искусственный интеллект принимал решения за менеджеров объекта или предлагал решения, основываясь на данных имитационной модели.
Тестирование сценариев эвакуации с помощью имитационного моделирования
Когда модель была готова, инженеры решили протестировать текущую планировку терминала и операций в нем на случай аварийных ситуаций. Они разделили модель на зоны и в некоторых из них смоделировали ситуации пожара или взрыва, полагаясь на возможности ИИ в выборе оптимальных маршрутов эвакуации.
Алгоритм проанализировал все возможные маршруты от опасной зоны до безопасных зон, учитывая развитие аварийной ситуации и текущие процессы в порту. Чтобы ускорить расчеты, множественные сценарии развития аварийных ситуаций запускались в облачном сервисе AnyLogic Cloud. В результате алгоритм предложил для каждого агента оптимальные маршруты эвакуации в безопасные зоны.
Затем инженеры использовали эти результаты для тестирования маршрутов эвакуации в реальной жизни. Они имитировали опасную ситуацию в одной из зон, и сигнал поступал в систему управления эвакуацией, подсоединенную к цифровому двойнику.
Цифровой двойник, в свою очередь, искал наилучшие маршруты к ближайшим безопасным зонам и сообщал их местоположение системе. Далее система отправляла на телефоны сотрудникам, находящимся в зоне эвакуации, сигналы тревоги и индивидуальные планы эвакуации в безопасные зоны.
Управление терминалом с помощью ИИ
Когда грузовики прибывают на парковку для погрузки или отгрузки контейнеров, управляющие объектом назначают им парковочные места. Однако их решения, как правило, основываются на текущей ситуации в порту и не учитывают возможные поломки и задержки грузовиков, а также возникновение чрезвычайных ситуаций. Это может привести к неэффективному использованию парковочных мест и снижению пропускной способности терминала.
Для повышения эффективности управленческих решений инженеры создали имитационную модель одного из этапов обработки грузов ― погрузки и разгрузки грузовых автомобилей ― и оптимизировали его с помощью ИИ. Инженеры предположили, что алгоритм может сам распределять грузовики по парковочным местам, опираясь на данные, полученные из имитационной модели.
Таким образом ИИ прогнозировал бы, куда лучше всего направить грузовик с учетом планируемых с ним погрузочно-разгрузочных операций. Усовершенствования в этой области помогли бы увеличить пропускную способность терминала, минимизировать время обработки грузов и сбалансировать погрузочно-разгрузочные операции в целом.
Оптимизация работы терминала и порта с помощю имитационного моделирования
Операции в терминале тесно взаимосвязаны, и изменения в одной области могут привести к нестыковкам в системе управления терминалом. Те, в свою очередь, влекут за собой снижение пропускной способности терминала. Поэтому инженеры расширили цифрового двойника, добавив в него модель парковочной зоны. Так они могли отслеживать влияние процессов на парковке на производительность всей системы.
Из исторических данных модели искусственный интеллект получил доступ к информации о том, какие стратегии применялись для направления грузовиков на парковочные места ранее. Когда фаза обучения закончилась, модель подключили к актуальным данным о поставках, и ИИ решал, куда направлять прибывающие грузовики.
В имитационной модели была также доступна визуализация, которая помогала лучше разобраться в работе терминала и проверять корректность отображения моделью реальной системы.
Результат
Инженеры создали систему поддержки принятия решений, которая помогла разработать надежную стратегию эвакуации в чрезвычайных ситуациях и повысить безопасность терминала. Система может быстро просчитывать маршруты эвакуации в безопасные зоны при возникновении аварий и передавать эти маршруты на внутренние средства оповещения, которые, в свою очередь, направляют уведомления сотрудникам на местах.
Данный проект также показал, что возможности ИИ в сочетании с имитационным моделированием улучшат общую пропускную способность терминала на 20%. Обученные ИИ-алгоритмы могут использовать сводные исторические данные модели, чтобы усовершенствовать стратегии назначения парковочных мест для грузовиков и представить пользователю варианты по оптимизации пропускной способности терминала.
Когда инженеры рассмотрели принятые алгоритмами решения, то оказалось, что они были похожи на решения, принимаемые менеджерами. Это доказывало, что в будущем процесс принятия решений по погрузке и отгрузке контейнеров может быть реализован с помощью искусственного интеллекта. Работа алгоритмов также может быть распространена на другие этапы обработки грузов, чтобы повысить эффективность их выполнения.
Презентация проекта от Роберто Реветриа, специалиста по имитационному моделированию в компании MEVB
