Análisis de capacidad portuaria : intensidad media diaria de contenedores vs intensidad media anual de contenedores
Bibliographic record
Abstract
Las terminales de contenedores son una parte cada vez más fundamental en la cadena logística. Por lo tanto, es necesario que encajen perfectamente en esta cadena, gestionando de manera adecuada el creciente tráfico marítimo. \nEl incremento del tráfico marítimo no se ha visto ligado a un aumento de la capacidad de las terminales de contenedores. Por ello, las grandes terminales de contenedores del mundo están sufriendo una gran congestión debido a la demanda creciente del tráfico marítimo de contenedores. Terminales como Rotterdam, Hamburgo, Vancouver, Shangai o Hong Kong sufren con frecuencia retrasos en su operación, por lo que cada vez se dedican más esfuerzos a solucionar este problema. \nEn este trabajo se analiza el funcionamiento de una terminal portuaria de contenedores: qué es un contenedor, qué es una terminal de contenedores, qué subsistemas la forman, qué equipos trabajan en ella. También se estudia la congestión portuaria y sus causas, para posteriormente describir las medidas tomadas para luchar contra ella. Las metodologías actuales de cálculo de la capacidad de las terminales de contenedores no tienen en cuenta la variabilidad del tráfico. El objetivo principal es estudiar las distintas metodologías de cálculo de la capacidad de la línea de atraque de una terminal de contenedores y, posteriormente, desarrollar una formulación adaptada a la capacidad diaria, como posible medida ante la congestión que actualmente sufren las terminales portuarias de contenedores. \nUna vez propuesta la formulación, se aplicará a tres puertos de la red española de Puertos del Estado, para finalizar con el estudio de los resultados y conclusiones.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.003 |
| Meta-epidemiology (narrow) | 0.002 | 0.002 |
| Meta-epidemiology (broad) | 0.002 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.002 | 0.000 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.000 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; both teacher heads agree on what is shown here.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".