Zoeken
Zoeken kan via de modus 'eenvoudig zoeken' (één veld) of uitgebreid via 'geavanceerd zoeken' (meerdere velden). Zo kan je bv. zoeken op een combinatie van een auteursnaam (auteur), een jaartal (jaar) en een documenttype.
Boekenmand
Nuttige resultaten kan je aanvinken en toevoegen aan een mandje. De inhoud hiervan kan je exporteren of afdrukken (naar bv. PDF).
RSS
Op de hoogte blijven van nieuw toegevoegde publicaties binnen uw interessegebied? Dit kan door een RSS-feed (?) te maken van jouw zoekopdracht.
| [ meld een fout in dit record ] | mandje (0): toevoegen | toon |
 |
| A quay crane productivity predictive model for building accurate quay crane schedules Chargui, K.; Zouadi, T.; El Fallahi, A.; Reghioui, M.; Aouam, T. (2021). A quay crane productivity predictive model for building accurate quay crane schedules. Supply Chain Forum: An International Journal 22(2): 136-156. https://dx.doi.org/10.1080/16258312.2020.1831889
In: Supply Chain Forum: An International Journal. Taylor & Francis: France. ISSN 1625-8312; e-ISSN 1624-6039
|  |
| Beschikbaar in | Auteurs |
| Author keywords |
|
| Auteurs | Top | |
|
|
| Abstract |
The efficient management of maritime logistics operations improves the performance of global supply chains. An important issue in container terminal operations is the scheduling of quay cranes (QCs), which is affected by the productivity rate of QCs. This productivity rate depends on the type of tasks to be completed by QCs on any given vessel. In this paper, we propose an artificial neural network (ANN) model with a variable neighbourhood search (VNS) as a training algorithm to build a productivity rate predictive model. This model considers several predictors depending on the type of containers in the vessel and the expected equipment downtime. We also study how QC scheduling is impacted by the productivity rate of QCs. The proposed predictive model and a moving average model are used to estimate the productivity rate, which is then taken as input to the QC scheduling optimisation model. Results show that when the proposed predictive model is used, QC schedules are closer to those generated using real data obtained from our container terminal partner. |
| Top | Auteurs |
