Technische Samenvatting: Digital Twin-getrouwheid bij het voorspellen van de servicetijd van schepen voor Roll-on Roll-off shipping

Probleemstelling

De operaties in RoRo-terminals (Roll-on Roll-off) worden gekenmerkt door een hoge variabiliteit vanwege heterogene lading en een sterke afhankelijkheid van menselijke arbeid (trekkerschauffeurs), wat de verwerkingstijden onzeker maakt. Deze onzekerheid bemoeilijkt de voorspelling van de geschatte vertrektijd (ETD) van een schip. Nauwkeurige ETD-voorspelling is cruciaal voor downstream-operaties, met name voor de coördinatie van het gebruik van walstroom en de precieze timing van het voorverwarmen van de scheepsmotor om emissies aan de kade en brandstofkosten te minimaliseren.

Hoewel Digital Twins (DT's) een pad bieden naar real-time besluitvormingsondersteuning, stuit de adoptie ervan in RoRo-terminals op drie barrières:

1. Economisch: Hoge kosten verbonden aan de installatie van IoT-sensoren op elke trekker en elke eenheid lading, naast de infrastructuur die vereist is voor real-time gegevensverwerking.
2. Computationeel: Het planningsprobleem is computationeel onhandelbaar (intractable) om in real-time naar optimaliteit op te lossen, vooral onder dynamische, stochastische omstandigheden.
3. Menselijk: De afhankelijkheid van menselijke operators introduceert gedragsmatige variabiliteit die data alleen niet perfect kan voorspellen.

Als gevolg hiervan staan terminaloperators voor een afweging tussen de getrouwheid (nauwkeurigheid en gegevensgranulariteit) die vereist is voor effectieve besluitvorming en de kosten voor het ontwikkelen en onderhouden van een systeem met een hoge getrouwheid. Deze studie onderzoekt de minimale vereiste getrouwheid voor een DT om betekenisvolle operationele beslissingen te bieden in de RoRo-stuwadoperaties.

Methodologie

De studie stelt een "pragmatische" Digital Twin-architectuur voor, gebaseerd op discrete-event simulatie (DES) en regelgebaseerde heuristieken (RBH's). Het systeem modelleert een RoRo-terminal met behulp van real-world data van de haven van Kiel, Duitsland.

Systeemarchitectuur

Het framework bestaat uit twee interagerende componenten:

• Analog Twin (AT): Een stochastische, discrete-event simulatie die de fysieke terminal representeert (de grondwaarheid). Het simuleert bewegingen van trekkers, ladingafhandeling en precedentiebeperkingen.
• Digital Twin (DT): Een gesimuleerde agent die een "simulatie-in-simulatie" uitvoert. Het ontvangt statusupdates van de AT, plant operaties en voorspelt uitkomsten.

Kernmodules

1. Planningsmodule: De DT genereert haalbare operatiesequenties met behulp van RBH's (bijv. rijgewijze of diagonale lossen/laden). Het wijst lading toe aan trekkers via een round-robin benadering om de werklast te balanceren. Om rekening te houden met onzekerheid, voert de DT $n=51$ stochastische simulaties uit per schema, waarbij verwerkingstijden en reistijden worden gevarieerd via Monte Carlo-methoden. Het optimale schema wordt geselecteerd op basis van een gewogen doelfunctie die zowel de gemiddelde maaktpan als het gemiddelde van de slechtste gevallen (top 5%) maaktpans minimaliseert.
2. Voorspellings- & Beslissingsmodule: De DT voorspelt de ETD door de distributie van gesimuleerde maaktpans te analyseren. Het bepaalt de optimale tijd om de motoren van het schip in te schakelen (getriggerd 15 minuten vóór vertrek) met behulp van een $k$-kwantiel proxy. De timing van de volgende planningsiteratie wordt beheerst door een $p$-van-$q$-regel, die de wachttijd dynamisch aanpast op basis van de resterende procesduur.

Experimenteel Ontwerp

De studie degradeert systematisch de getrouwheid van de DT om de robuustheid te testen in verschillende scenario's:

• Validiteitsreductie: Het introduceren van systematische fouten in verwachte verwerkingstijden (over- of onderschatting), het manipuleren van het aangenomen niveau van willekeur (variantie) en het wijzigen van de proceslogica (het toestaan dat trekkers geblokkeerde operaties overslaan).
• Granulariteitsreductie: Het vervangen van real-time updates door periodieke snapshots (elke 25 minuten) en het analyseren van de impact van vertraagde herplanning.
• Structurele Verstoringen: Het simuleren van defecten aan trekkers op verschillende stadia van het proces (80 en 95 minuten) om het herstelvermogen te testen.

Deze scenario's werden vergeleken met twee benchmarks:

1. Eerste ETD: Een statisch plan gemaakt vóór het begin van de stuwadoperaties zonder herplanning.
2. 16 Ladingseenheden Over: Een regelgebaseerde heuristiek die het voorverwarmen van de motor triggert wanneer er nog 16 ladingeenheden over zijn.

Belangrijkste Resultaten

De computationele studie, gebaseerd op 100 gegenereerde instanties, leverde de volgende bevindingen op:

• Baseline Prestaties: De DT presteerde aanzienlijk beter dan statische planning. De gemiddelde absolute fout (MAE) in de voorverwarmingstijd was 56 seconden voor de DT, vergeleken met 5 minuten 13 seconden voor de First ETD-benchmark en 2 minuten 8 seconden voor de "16 Ladingeenheden" regel. De DT verminderde ook de gemiddelde Vessel Service Time (VST) met ongeveer 4 minuten door iteratieve herplanning.
• Robuustheid tegen Validiteitsfouten: De DT bleef robuust, zelfs wanneer aannames over verwerkingstijden systematisch onjuist waren (bijv. aannemen dat tijden 150% of 70% van de werkelijke tijden waren). Hoewel fouten toenamen, compenseerde het iteratieve herplanningsmechanisme voor de meeste afwijkingen, waardoor de impact beperkt bleef tot de laatste fase van het proces.
• Robuustheid tegen Granulariteitsverlies: Wanneer de DT via snapshots werd bijgewerkt in plaats van real-time, verslechterde de prestatie licht (MAE steeg naar ~1:20 min), maar bleef superieur aan de benchmarks. Het systeem interpoleerde ontbrekende data effectief, hoewel frequente aannames de reikwijdte van de herplanning beperkten.
• Beheer van Verstoringen: Bij een defect aan een trekker paste de DT zich succesvol aan door de resterende taken toe te wijzen aan de overgebleven trekkers. De MAE nam slechts marginaal toe (met seconden) vergeleken met de baseline, terwijl benchmarks niet konden adapteren, wat resulteerde in fouten van meer dan 10 minuten.
• Gecombineerde Stress-test: Zelfs bij het combineren van defecten aan trekkers met snapshot-updates, behield de DT een MAE (1:25 min) die lager was dan de benchmarks die onder ideale omstandigheden opereerden.

Betekenis en Bijdragen

Het artikel betoogt dat de drempel voor de adoptie van Digital Twins in RoRo-terminals lager is dan vaak wordt aangenomen. De belangrijkste bijdragen zijn:

1. Pragmatische Architectuur: De studie toont aan dat een eenvoudige, regelgebaseerde DT gecombineerd met stochastische simulatie aanzienlijke waarde kan bieden zonder massale investeringen in infrastructuur of complexe optimalisatiealgoritmen.
2. Fidelity Trade-off Analyse: Het levert empirisch bewijs dat een hoge getrouwheid (real-time, perfecte data) niet strikt noodzakelijk is voor effectieve besluitvorming. Een systeem met verminderde validiteit en granulariteit presteert nog steeds beter dan statische planning en eenvoudige heuristieken.
3. Veerkracht: De voorgestelde DT-architectuur blijkt veerkrachtig tegen structurele verstoringen (defecten aan trekkers) en datalatentie, wat het geschikt maakt voor de dynamische en onzekere omgeving van RoRo-operaties.

Beperkingen en Toekomstig Werk

De auteur erkent enkele beperkingen:

• Het model gaat ervan uit dat alle lading door trekkers wordt afgehandeld, waarbij driver-gehandelde eenheden (vrachtwagens) worden uitgesloten.
• Stuwage- en yardplannen worden als statisch behandeld, terwijl de werkelijke operaties dynamische herordening (reshuffling) inhouden.
• Menselijk gedrag wordt gemodelleerd als compliant, waarbij "algoritme-aversie" wordt genegeerd.
• De studie vergelijkt niet met geavanceerde optimalisatiemethoden zoals reinforcement learning.

Toekomstig onderzoek wordt gesuggereerd om te focussen op adaptieve DT's die parameters zelf kalibreren met behulp van historische data om systematische fouten te corrigeren, en om de interactie tussen de DT en menselijke operators te verkennen. Daarnaast wordt een hybride aanpak voorgesteld die regelgebaseerde heuristieken combineert met snelheid voor geavanceerde optimalisatie tijdens de latere stadia van het proces.