Framework di Simulazione e Digital Twin Potenziato dall’Intelligenza Artificiale per Sistemi Logistici Intelligenti: Previsione, Ottimizzazione e Supporto Decisionale

Abstract

Questa tesi sviluppa un sistema di supporto alle decisioni basato sulla simulazione per il terminal container di Genova Pra’. Il lavoro integra simulazione a eventi discreti, analisi di scenari, visualizzazione dei dati e un’architettura concettuale di Digital Twin potenziato dall’intelligenza artificiale per valutare operazioni e pianificazione.

Un modello portuale intermodale di riferimento viene ricostruito e verificato in AnyLogic; successivamente è sviluppato un modello del terminal che comprende arrivi delle navi, assegnazione degli ormeggi e delle gru di banchina, trasporto interno, gestione del piazzale, varchi camion, ripartizione strada–ferrovia, sincronizzazione dei treni e risorse limitate. Il modello è verificato tramite controlli grafici, del codice e di coerenza; non costituisce tuttavia un Digital Twin in tempo reale validato empiricamente.

Sono analizzati sette scenari (S0–S6), ciascuno con 30 repliche indipendenti e un orizzonte di 240 ore, (210 osservazioni). Gli indicatori comprendono tempi di permanenza delle navi, container e TEU completati, utilizzo delle risorse, ripartizione modale e congestione. Power BI supporta l’esplorazione e la comunicazione dei risultati.

Con la domanda di base, l’aumento di gru o mezzi di trasporto interno crea soprattutto capacità di riserva, con effetti limitati sui tempi delle navi e sull’output. Una domanda maggiore aumenta l’utilizzo delle risorse e le attività completate senza congestioni rilevanti nel periodo simulato. Una quota ferroviaria più elevata ritarda il completamento per effetto di sincronizzazione, formazione dei lotti e carico ferroviario. A parità di domanda, S6 riduce l’utilizzo di gru e mezzi rispetto a S4, ma completa meno container entro 240 ore.

Lo studio mostra il valore di simulazione e visualizzazione e offre una base per un futuro Digital Twin con dati in tempo reale, previsione e ottimizzazione.

This thesis develops a simulation-based decision-support framework for intelligent logistics systems, using the Genoa Pra’ container terminal as its application case. It combines discrete-event simulation, scenario analysis, data visualization, and a conceptual AI-enhanced Digital Twin architecture to assess terminal operations and planning options.

A baseline intermodal-port model is reconstructed and verified in AnyLogic, followed by a terminal model covering vessel arrivals, berth and quay-crane allocation, internal transport, yard handling, truck gates, road–rail allocation, train synchronization, and finite resources. Verification includes graphical and code checks, console outputs, and consistency tests. The model supports scenario evaluation but is not a fully empirically validated real-time Digital Twin.

Seven scenarios (S0–S6) are evaluated through 30 independent replications each over a 240-hour horizon (210 observations). Measures include vessel turnaround, completed containers and TEU, resource utilization, modal allocation, and congestion. Power BI is used to explore and communicate the results.

Under baseline demand, added quay-crane or trailer capacity mainly increases spare capacity, with limited effects on vessel turnaround and completed output. Higher demand increases utilization and throughput without significant vessel waiting or yard congestion during the simulated period. A larger rail share introduces completion delays linked to train synchronization, batching, and loading. Comparing S4 and S6 at matched demand, the combined configuration lowers crane and trailer utilization but leaves fewer containers completed by the 240-hour cutoff.

The study demonstrates the value of simulation, replication-based analysis, and visualization for logistics decisions, and outlines a path toward a future AI-enhanced Digital Twin with live data, prediction, and optimization.