Simulation von Binnenland Container Terminals II
Im Zuge von SimConT I stellte sich vermehrt heraus, dass sich die Bedürfnisse von Containerterminalbetreibern verstärkt in Richtung Lösungen für taktische und operative Fragestellungen entwickeln. Als Beispiele hierfür können Reihenfolgeplanung für Be- oder Entladevorgänge oder Zuordnungsprobleme für Gleise, Equipment und Lagerflächen genannt werden. Die Optimierung von Strategien und Abläufen in bestehenden Containerterminals, vor allem in Hinblick auf potenzielle kurz- bzw. mittelfristige Änderungen im operativen Betrieb steht hierbei im Vordergrund. SimConT II ist die Weiterführung des im Rahmen von SimConT I entwickelten Simulationsmodells (siehe Abbildung). Die Erweiterung der Prozesse um taktische und operative Abläufe sowie die Einbindung von Betriebsstrategien für Reihenfolgeplanung und Zuordnungsprobleme nehmen dabei eine zentrale Rolle ein.
Die Komplexität der Abläufe in BCT und die damit verbundene hohe Anzahl an möglichen Betriebsstrategien, sowie die große Anzahl an möglichen Terminal Konfigurationen führen zu einer großen Anzahl an Kombinationsmöglichkeiten. Zusätzlich muss die Analyse der Zusammenhänge zwischen Strategien und Systemstatus in regelmäßigen Abständen wiederholt werden, um Aktualität und Vollständigkeit zu gewährleisten. Die Ergebnisse von SimConT I zeigen bereits, dass die Zusammenhänge in den Abläufen von BCT selten linearen Funktionen folgen und dass die Optimierung des gesamten Prozesses durch die große Anzahl an Prozessparametern erschwert wird.
Basierend auf diesen Erkenntnissen wird in SimConT II eine selbst lernende Komponente, sogenannte Künstliche Neuronale Netze, in die Simulation integriert, wodurch eine Abstraktion der Kausalitätsregeln und die damit verbundene Formulierung von Zusammenhangsfunktionen hinfällig wird. Selbst lernende Systeme können, nach entsprechender Lernphase, Muster in Entscheidungsdaten erkennen, ohne die zugrunde liegenden Entscheidungsregeln explizit zu benötigen. Die hierfür notwendigen Lerndaten können durch die Simulation in beliebiger Vielfalt erzeugt werden. Selbst lernende Systeme sind somit in der Lage, ihr Verhalten nur aus den Trainingsinformationen zu lernen, und eignen sich somit besonders für Aufgaben, in denen zwar eine Korrelation erwartet wird, aber die entsprechenden Gesetzmäßigkeiten nicht bekannt sind. Dabei gilt, je größer die Anzahl der Trainingsbeispiele ist, desto besser kann das System die gewonnenen Erfahrung auf andere Fälle anwenden.