خدمات دریایی و بندری

خدمات دریایی و بندری

آینده بنادر ایران: پیاد‌سازی هو‌ش مصنوعی در عملیات درون بندری

نوع مقاله : مقاله پژوهشی

نویسندگان
لطیفه پورمحمدباقر 1
هلیا خالصی 2
1 استادیار دانشکده علوم ریاضی، آمار و رایانه، دانشگاه علامه طباطبائی، تهران، ایران
2 دانشجوی کارشناسی ارشد محاسبات نرم و هوش مصنوعی دانشکده علوم ریاضی، آمار و رایانه، دانشگاه علامه طباطبائی، تهران، ایران
چکیده
هوش مصنوعی (AI) به عنوان یکی از فناوری‍های تحول آفرین قرن حاضر، پتانسیل بی نظیری برای ارتقای کارایی، قابلیت اطمینان و رقابت پذیری بنادر ایران در عرصه تجارت جهانی ارائه می‍دهد. این فناوری با بهره‌گیری از الگوریتم‌های پیشرفته و تحلیل داده‌های کلان، امکان بهینه‍سازی فرآیندهای کلیدی بندری نظیر تخصیص اسکله، مدیریت ناوگان، کاهش هزینه‍های بارگیری و تخلیه، بهینه‌سازی جریان بار و برنامه‌ریزی حمل‌ونقل را فراهم می‍کند. این مقاله با بررسی تجربیات بین‌المللی بنادر هوشمند، به‍ویژه در زمینه پیاده‌سازی فناوری‌های هوش مصنوعی، چارچوبی جامع برای هوشمندسازی بنادر ایران ارائه می‍دهد. هدف اصلی این پژوهش، مدل‍سازی و بهینه‌سازی فرآیندهای عملیاتی بنادر با استفاده از الگوریتم‌های هوش مصنوعی مانند الگوریتم ژنتیک، یادگیری تقویتی و شبکه‌های عصبی عمیق است که می‍توانند زمان انتظار کشتی‍ها، هزینه‌های عملیاتی و اثرات زیست‌محیطی را کاهش دهند. نتایج این مطالعه نشان می‍دهد که پیاده‌سازی هوش مصنوعی نه تنها بهره‌وری بنادر ایران را افزایش می‍دهد، بلکه با تقویت زیرساخت‍های لجستیکی و کاهش هزینه‌ها، جایگاه ایران را به‌عنوان یک هاب ترانزیتی منطقه‌ای و بین‌المللی تقویت می‍کند. این تحول دیجیتال می‌تواند به توسعه پایدار، افزایش رقابت‌پذیری در تجارت جهانی و بهبود تجربه مشتریان در زنجیره تأمین منجر شود.
 
کلیدواژه‌ها
هوش مصنوعی
بنادر هوشمند
تخصیص اسکله
مدیریت ناوگان
بهینه سازی جریان بار
کاهش هزینه‍ های عملیاتی
لجستیک دریایی

عنوان مقاله English

The Future of Iranian Ports: Implementing Artificial Intelligence in Port Operations

نویسندگان English

Latifeh PourMohammadBagher 1
Heliya Khalesi 2
1 Assistant Professor, Department of Mathematics, Statistics and Computer Science, Allameh Tabataba’i University, Tehran, Iran
2 MSc student, Department of Mathematics, Statistics and Computer Science, Allameh Tabataba’i University, Tehran, Iran
چکیده English

The use of artificial intelligence in the ports of the country helps to make the business of the ports more reliable, more advanced and more efficient. It also provides the possibility of serving at the national and international level in the shortest time. For this purpose, our first step is to study how to make ports smarter in other countries from the point of view of making the port's internal environment smarter. In this article, international smart ports are examined by focusing on solutions based on artificial intelligence technologies needed to optimize berth allocation and fleet deployment, reduce loading costs, optimize cargo flow, and plan transportation and loading costs. In addition, this article tries to model some of these processes and make Iran's ports smarter in order to increase efficiency and effectiveness. These technologies can turn Iran into a competitive pole in the global maritime transport architecture. In addition, it will help strengthen foreign trade by improving logistics processes and reducing operating costs.

کلیدواژه‌ها English

Artificial Intelligence
Optimization of Berth Allocation and Fleet Deployment
Optimization of Cargo Flow and Transportation Planning
Reduction of Loading Costs
Loading Costs
  1. Chen, X., Ma, D., & Liu, R. W. (2024). Application of artificial intelligence in maritime transportation. Journal of Marine Science and Engineering, 12(439). https://doi.org/10.3390/jmse12040439
  2. Dalaklis, D., et al. (2023). Research on improving maritime emergency management based on AI. Journal of Maritime Studies.
  3. Feng, Y., Wang, X., Chen, Q., Yang, Z., Wang, J., Li, H., Xia, G., & Liu, Z. (2024). Prediction of the severity of marine accidents using improved machine learning. Transportation Research Part E: Logistics and Transportation Review. https://doi.org/10.1016/j.tre.2024.103817
  4. Gambardella, L. M., & Dorigo, M. (1997). Ant-Q: A reinforcement learning approach to the traveling salesman problem. Journal of Operations Research.
  5. Kovalishin, P., Nikitakos, N., Svilicic, B., Zhang, J., Nikishin, A., Dalaklis, D., Kharitonov, M., & Stefanakou, A.-A. (2023). Using artificial intelligence (AI) methods for effectively responding to climate change at marine ports. Journal of International Maritime Safety, Environmental Affairs, and Shipping, 7(1), 2186589. https://doi.org/10.1080/23748899.2023.2186589
  6. Lee, H., et al. (2012). A neural network for container terminal operation. Proceedings of the International Conference on Maritime Logistics.
  7. Mao, W., & Larsson, S. (2023). Increase shipping efficiency using ship data analytics and AI to assist ship operations. Lighthouse.
  8. Munim, Z. H., Dushenko, M., Jaramillo Jimenez, V., Shakil, M. H., & Imset, M. (2020). Big data and artificial intelligence in the maritime industry: A bibliometric review and future research directions. Maritime Policy and Management, 47(5), 577-597. https://doi.org/10.1080/03088839.2020.1781375
  9. Park, C., & Kim, H. (2003). A scheduling method for berth and quay cranes. Maritime Economics & Logistics.
  10. Storms, K., Sys, C., Vanelslander, T., & Van Deuren, R. (2023). Demurrage and detention: From operational challenges towards solutions. Journal of Shipping and Trade, 8(3). https://doi.org/10.1007/s41072-023-00137-3
  11. Sun, S. (2020). Research on improving maritime emergency management based on AI and VR in Tianjin Port. World Maritime University: The Maritime Commons.
  12. Xiao, G., Wang, Y., Wu, R., Li, J., Cai, Z. (2024). Sustainable maritime transport: A review of intelligent shipping technology and green port construction applications. Journal of Marine Science and Engineering, 12(1728). https://doi.org/10.3390/jmse121728
  13. Zhang, Z., & Zeng, J. (2017). A deep reinforcement learning approach to optimize the vehicle dispatching process in container terminals. Journal of Operations Research.
  14. Zheng, J., & Li, H. (2007). Memetic algorithm for resource-constrained project scheduling. Computers & Operations Research.
  15. Zhou, Z., et al. (2003). Hybrid genetic algorithm for optimizing integrated process planning and scheduling problems. Computers & Industrial Engineering.

  • تاریخ دریافت 26 بهمن 1402
  • تاریخ بازنگری 13 اردیبهشت 1403
  • تاریخ پذیرش 20 اردیبهشت 1403