A Machine Learning-Enhanced Tri-Objective Stowage Optimization Framework for Low-Carbon Finished Steel Maritime Supply Chains

Unofficial AI-generated summary based on the public title and abstract. Not an official translation.

🔬研究者:Offers a novel tri-objective optimization with DNN surrogate for ship stowage; useful for logistics optimization and AI applications in decarbonization.

🏢実務担当者:Steel logistics managers can apply this method to reduce fuel costs and carbon emissions; integrates regulatory compliance (CII, FuelEU).

🏛政策担当者:Provides evidence that AI optimization can significantly reduce maritime emissions; could inform regulatory incentives for green shipping.

下流鋼鉄物流の脱炭素化は、持続可能なサプライチェーン管理において未だ十分に研究されていない。本研究は、船舶配船計画問題（SSPP）に対する機械学習強化型の三目的最適化フレームワークを提案する。本フレームワークは、コイル、プレート、インゴット、チューブ、セクションを含む異種の完成鋼材製品を扱う。本モデルは、載貨重量利用率を最大化すると同時に、新規の適応重み付きモーメントバランス（AWMB）指標を最小化する。また、トリムおよびヒール抵抗ペナルティを通じて、航海ごとの炭素排出量を最小化する。空間から逐次への離散化戦略により、NP困難な配置問題を扱いやすい順列最適化へ変換する。深層ニューラルネットワーク（DNN）サロゲートは、わずか1.52%のハイパーボリューム低下で3.57倍の高速化を達成する。適応オペレータを備えた改良NSGA-IIIアルゴリズムにより、パレートフロンティアの探索を保証する。組み込まれた段階的モーメント検証は、積み込みおよび荷降ろし中の動的安定性を保証する。中国の鉄鋼企業からの実データで検証された本フレームワークは、99.88%の載貨重量利用率を達成し、横方向および縦方向の不均衡をそれぞれ48.27%および90.54%削減し、航海ごとのCO2排出量を95.5%削減する。SOLAS制約、載貨線制限、およびCII/FuelEU目標は、組み込まれた安定性および容量制約を通じて対応される。船隊規模での展開には、複数航路および気象依存の検証が引き続き必要である。

AI 翻訳（deepseek-v4-flash）。 正確を期す場合は下の原文を参照してください。

Decarbonizing downstream steel logistics remains underexplored in sustainable supply chain management. This study proposes a machine learning-enhanced tri-objective optimization framework for the ship stowage planning problem (SSPP). The framework handles heterogeneous finished steel products, including coils, plates, ingots, tubes, and sections. The model simultaneously maximizes deadweight utilization and minimizes a novel Adaptive Weighted Moment Balance (AWMB) index. It also minimizes voyage carbon emissions through a trim-and-heel resistance penalty. A spatial-to-sequential discretization strategy transforms the NP-hard placement problem into a tractable permutation optimization. A deep neural network (DNN) surrogate achieves a 3.57-fold speedup with only 1.52% hypervolume degradation. An improved NSGA-III algorithm with adaptive operators ensures Pareto front exploration. Embedded step-wise moment verification guarantees dynamic stability throughout loading and unloading. Validated on real data from a Chinese steel enterprise, the framework achieves 99.88% deadweight utilization, reduces transverse and longitudinal imbalance by 48.27% and 90.54%, and cuts CO2 emissions by 95.5% per voyage. SOLAS constraints, load line limits, and CII/FuelEU targets are addressed through embedded stability and capacity constraints. Multi-route and weather-dependent validation remains necessary before fleet-scale deployment.

• semanticscholar https://doi.org/10.3390/pr14081233first seen 2026-06-29 06:20:02 · last seen 2026-08-11 05:07:07