Utilizing Autonomous Vehicles to Reduce Truck Turn Time in Ports with Application for Port of Montréal
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Port congestion, particularly excessive truck turn time (TTT), disrupts supply chains, increases costs, and contributes to environmental impacts. This study evaluates the potential of integrating autonomous vehicles (AVs) into port operations to reduce TTT, using the Port of Montreal’s Viau Terminal as a case study. A discrete event simulation (DES) with agent-based logic was developed to model landside processes, including gate, yard, and staging operations, while differentiating between human-driven vehicles (HDVs) and AVs. Four scenarios were tested: Baseline indicating current operations, Truck Appointment System (TAS), partial AV integration (35% AVs) with shared resources, and AVs with dedicated staging areas and cranes. Model inputs were informed by port publicly available data and validated against observed TTT metrics. Results show that TAS reduced average TTT from 88.2 to 78.37 min; partial AV integration lowered it further to 55.91 min, with AVs averaging 45.33 min; dedicated AV infrastructure yielded the lowest AV TTT (32.86 min) but slightly increased overall TTT due to HDV delays. Findings suggest that combining AV adoption with demand management and targeted infrastructure investments can substantially improve efficiency. The study offers quantitative evidence and strategic recommendations to support port authorities in planning for automation while ensuring balanced resource allocation.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle