Abstract
In de hedendaagse logistiek toont het spoorvervoer steeds meer concurrentievermogen bij het verbinden van diepzeehavens met het achterland. De haven van Antwerpen-Brugge – de tweede grootste haven van Europa – probeert bijvoorbeeld de goederenoverslag via deze modaliteit te verdubbelen tot 15% tegen 2030. Het vermogen om grote volumes en verschillende soorten vracht te vervoeren, samen met een hoge betrouwbaarheid en duurzaamheid zijn waardoor treinen voordeliger worden dan traditionele vrachtwagens.
De recente bloei van het goederenvervoer per spoor heeft echter een grotere druk gelegd op zowel de binnenvaart- als de diepzeehaveninfrastructuur. In feite functioneren veel spoorknooppunten in de zeehavens nog steeds niet optimaal, omdat ze er niet in slagen het gebruik van hun hulpbronnen te maximaliseren. Terwijl sommige bundels regelmatig overbelast raken, blijven andere maandenlang zelden gebruikt. Bepaalde lange sporen zijn gedurende uren geblokkeerd om enkele wagons te parkeren, waardoor er tekorten ontstaan wanneer lange wagons onderhoud vereisen. Het reserveringsslot voor treinpaden blijft vast voor alle verplaatsingstaken van wagons (bijvoorbeeld 8 uur), wat resulteert in problemen bij de toewijzing van middelen. Deze tekortkomingen komen voort uit het feit dat de planning van de spoormiddelen wordt uitgevoerd op basis van wie het eerst komt, het eerst maalt, willekeurig wordt opgehaald en handmatig wordt uitgevoerd, zonder inzicht te hebben in de wagonstromen in de nabije toekomst. Als gevolg hiervan worden sommige havens, zelfs als ze over grootschalige spoorinfrastructuur beschikken, nog steeds geconfronteerd met onwaardige tekorten of ernstige vertragingen, waardoor de totale transportkosten uiteindelijk nog verder stijgen. In het licht hiervan zal de optimalisatie van de toewijzing van middelen op basis van de voorspelling van de komende vrachtstroom het beheer van de spoorweginfrastructuur bevorderen, en daarmee de algehele efficiëntie van de spoorwegexploitatie.
Dit PhD-voorstel onderzoekt een breed scala aan Machine Learning-modellen om de end-to-end zichtbaarheid van de wagenreis naar de diepzeehaven te verbeteren. Deze modellen voorspellen het volledige traject van wagons, vanaf de momenten dat de langeafstandstreinen nog uren voor aankomst zijn. De meest cruciale fasen zijn onder meer: aankomsttijd op het hoofdknooppunt, dienstvertraging en diensttijd op het rangeerterrein, treinpad om wagon naar bundel te verplaatsen, openbaar spoor en tijdslot om elke wagon te parkeren, bundeling van woningen (zoals elektrische – diesellocomotief ploegendienst, waarvoor de locomotief en de toewijzing van de rijpaden noodzakelijk zijn) en terminaldiensten (laden/lossen). De volgende stap zal zijn dat de inzichten die uit deze voorspellende indicatoren worden geleerd, zullen fungeren als output van de optimalisatiefase, om de planning van spoorlijnen, treinpaden, rangeerterreinen en terminalslots voor te stellen, waardoor toekomstige tekorten worden vermeden, de inactieve tijd wordt beperkt en de bediende capaciteit wordt gemaximaliseerd. vrachtvolume. Verschillende optimalisatiemethoden (traditioneel versus combinatorisch neuraal, enkelvoudig versus meervoudig objectief) zullen worden gebenchmarkt voor een betere nauwkeurigheid – afweging van computationele complexiteit.
Het doctoraatswerk zal gekoppeld worden aan regionale (Vlaanderen), nationale (België) of Europese onderzoeksprojecten, om de voorgestelde oplossingen te valideren op basis van een reële use case met grootschalige data. Bovendien creëert het synergieën op de solide achtergrond van IDLab-imec, die werden getoond via eerdere projecten, waaronder datagestuurde modellen, simulatie- en optimalisatieaspecten, om hun bijdrage in het logistieke domein uit te breiden.
Onderzoeker(s)
Onderzoeksgroep(en)
Project type(s)