시뮬레이션에 기반한 수직형 터미널에서의 컨테이너 위치 결정 정책 최적화

- Optimization of container layout decision policy in the vertical type terminal based on simulation

터미널 운영 시뮬레이션 

터미널 운영 시뮬레이션을 이용한 터미널 운영 정책 최적화 방법을 소개하고자 합니다. 

특히 블록 운영 시뮬레이션을 이용하여 어떻게 컨테이너 장치 위치 결정 정책을 최적화하는지 설명하고, OPUS DigiPort를 통한 최적화 수행 결과를 소개합니다.

터미널 운영 시뮬레이션의 경우 그 목적에 따라서 CHE(Container Handling Equipment)를 통계적인 모델로 구현하기도 하고, 또는 CHE 작동 성능(이동 속도, 가감 속도 등) 및 서로 간의 충돌까지 고려한 일종의 물리 엔진(Physics Engine) 기반 모델을 사용하기도 합니다. 후자의 경우가 현실과 더 가깝기 떄문에 그 신뢰성이 더 높다고 할 수 있고, 실제로 터미널이 운영되는 모습을 눈으로 확인 가능하므로 더 직관적으로 결과를 확인할 수 있습니다. 

터미널 운영 정책은 터미널 운영을 위한 의사 결정 방법입니다. 컨테이너 이송 차량 작업 할당 정책은 컨테이너를 운반할 이송차량을 결정하는 것이고, 컨테이너 장치 위치 결정 정책은 블록으로 들어오는 컨테이너의 위치를 결정하는 것입니다. YC 작업 할당 정책은 YC의 작업 대상 컨테이너를 결정하는 것이고, 이 외에 AGV를 운영하는 터미널이라면 AGV가 어떤 경로로 주행 할 것인지 결정하기도 합니다. 이러한 운영 정책은 그 성능에 따라 터미널 생산성에 큰 영향을 끼치기 때문에 매우 중요합니다.

이러한 운영 정책 중 아래 그림과 같은 수직형 터미널에서의 컨테이너 장치 위치 결정 정책에 대해서 이야기하고자 합니다.

컨테이너 장치 위치 결정 정책

수직형 장치장 블록의 특징은 아래 그림과 같이 수입 컨테이너와 수출 컨테이너의 흐름이 정반대인 것입니다. 수입 컨테이너는 해측(Seaside)에서 들어와 육측(Landside)으로 나가고, 수출 컨테이너는 육측 끝에서 들어와 해측 끝(end loading)으로 나갑니다. 보통 한 블록에 2개의 야드 크레인이 배치되고 컨테이너 흐름이 서로 반대이므로 수평 터미널 보다 크레인 간 간섭 문제를 더 신중히 고려해야 합니다. 물론 이것 외에도 리핸들링(rehandling), 크레인 이동 거리 등의 여러 요소들을 잘 고려하여 컨테이너의 장치 위치를 결정해야 합니다.

컨테이너의 장치 위치를 결정하는 프로세스를 알아보면 컨테이너를 쌓을 스택을 결정 할 때 고려해야 하는 몇 가지 평가요소(critera)들이 있습니다. 예를 들어, 컨테이너가 블록에서 나갈 때 얼마나 이동해야 하는지, 쌓으려는 스택의 높이가 몇 단인지, 40ft 스택이 얼마나 줄어드는지, 리핸들링이 발생하는지와 같은 평가요소가 있습니다. 이를 토대로 컨테이너를 쌓으려는 스택의 점수를 계산할 수 있는데 스택 높이 기준을 예로 들면, 스택의 높이가 높을 수록 리핸들링 확률이 높아지므로 낮은 점수를 부여하고, 이런 방식으로 각 평가요소를 이용하여 후보 스택에 대한 점수를 계산하고 종합적으로 가장 높은 점수를 받는 스택으로 장치 위치를 결정할 수 있습니다.

그런데 터미널 운영자들이 생각하는 평가요소 별 중요도가 다를 수 있으므로, 각 평가요소에 그에 따른 중요도(가중치)를 부여할 수 있습니다. 예를 들어 리핸들링 횟수를 줄이는 것을 중요하게 생각하는 터미널에서는 리핸들링 발생 여부 평가요소에 큰 값의 가중치를 부여할 것입니다. 아래 그림에 이 과정을 도식화 하였습니다.

정책이란 결국 장치 할 후보 스택(x )을 입력 받고 그에 대한 점수를 출력하는 함수(s(x))이며 점수는 다수의 평가요소(Ci )들의 가중합(평가요소 별 가중치 wi)으로 계산할 수 있습니다. 그리고 후보 스택 중 가장 높은 점수를 받는 스택(x*)을 장치 위치로 결정합니다. 그런데 여기서 가중치 wi 값의 조합에 따라 장치 할 스택의 선호도가 변하기 때문에 실질적으로는 가중치 조합 자체가 정책이라고 할 수 있습니다. 

그렇다면 정책 최적화란 무엇일까요?  최적의 성능을 내는 가중치 조합을 찾는 것입니다.  ‘최적의 성능’ 이 곧 정책 최적화 목적입니다.

예를 들어, 블록의 컨테이너 서비스 시간 최소화를 목적으로 최적화 된 정책은 다른 정책 대비 서비스 시간을 가장 많이 줄일 수 있을 것입니다. 마찬가지로 리핸들링 횟수 최소화를 목적으로 최적화된 정책은 다른 정책 대비 리핸들링 횟수를 가장 잘 줄일 수 있을 것입니다.

그런데 최적화 정책을 찾는 일은 매우 어렵습니다. 보통 평가요소에 부여하는 가중치가 실수이기 때문에 사실상 거의 무한한 경우의 가중치 조합이 존재하기 때문입니다. 이렇게 탐색 공간이 매우 큰 경우에 많이 사용하는 인공지능 기법 중 하나로 유전자 알고리즘(GA, Genetic Algorithm)이 있습니다.

OPUS DigiPort를 통한 장치 위치 결정 정책 최적화

싸이버로지텍의 OPUS DigiPort를 통해 장치 위치 결정 정책을 최적화하고 어떠한 결과가 나오는지 알아보도록 하겠습니다.

최적화 알고리즘으로 GA를 사용하였고, 염색체(후보 정책) 평가를 하기 위해 아래 그림과 같은 간단한 블록 시뮬레이터를 사용하였습니다. 이 시뮬레이터는 블록 1개만을 대상으로 시뮬레이션하며 야드 크레인 간 충돌 및 가감속 스펙이 모두 고려된 에뮬레이션이 적용되었습니다.

GA를 이용한 최적화 프로세스를 도식화한 그림은 아래와 같습니다.

최적화 목표는 “해측 크레인 서비스 지연 시간 최소화” 입니다. 즉, 후보 정책에 대한 평가 값은 그 후보 정책으로 블록 운영 시뮬레이션을 한 결과에서 해측 크레인 서비스 지연 시간으로 계산됩니다. 시뮬레이션 파라미터는 아래와 같습니다.

     1. 시뮬레이션 기간: 174시간 (초기화 168시간, 평가 6시간)
     2. 블록 크기: bay 46, row 8, tier 5 (20ft 컨테이너 기준) 

     3. 블록 작업 시나리오

         - 환적 비율 50%

         - 20/40ft 컨테이너 비율 각각 50%

         - 시간 당 해측 컨테이너 서비스 개수 13.0개, 시간 당 육측 컨테이너 서비스 개수 7.3개

         - 컨테이너 평균 dwell time 3일

         - 평균 블록 점유율 약 56%

시뮬레이션은 블록이 완전히 비어있는 상태부터 시작하기 때문에 처음 168시간(7일) 동안의 운영결과는 평가에서 제외하였습니다. 그 후 약 5,000번의 시뮬레이션 평가를 진행한 결과 아래와 같은 최적화 양상을 확인할 수 있었습니다.

최적화 초반에 급격한 성능 향상을 보인 후에 천천히 성능이 향상되는 모습을 확인할 수 있습니다. 그렇다면 최적화 과정 중에 탐색된 정책들이 어떻게 컨테이너를 쌓는지 확인해 보겠습니다. 위 그래프에서 빨간 동그라미를 친 시점의 정책들이 컨테이너를 쌓은 모습입니다.

좌측이 해측, 우측이 육측이며,  5단 스택은 빨간색, 1단 스택은 초록색으로 표시하였습니다. 초반에 탐색된 정책 A는 TP 근처에 (Transfer Point) 컨테이너를 쌓는 것을 선호하였습니다. 환적 비율이 50%여서 육측보다 해측에 5단 스택이 많이 분포되어 있는 것을 확인 할 수 있습니다. 이 정책의 서비스 지연시간은 무려 1,120초 입니다. (상단 첫번쨰 표) 해측 TP에서의 이송차량 평균 대기시간이 거의 20분에 도달했습니다. 이런 상태의 블록은 양하/선적 컨테이너 모두 지연시간 측면에서 불리하기 때문입니다. 스택 단수가 높아 선적 컨테이너를 꺼낼 때 리핸들링이 더 잘 발생하기도 하고, 양하 컨테이너를 쌓을 때는 해측 부근에 단수가 높은 스택이 많아 크레인이 더 멀리까지 이동해야 하기 때문입니다.

가장 최적화된 정책 E의 모습을 살펴보겠습니다. 정책 A와는 반대로 해측 영역의 스택을 비교적 낮은 단수로 유지하려는 모습을 볼 수 있습니다. 이런 모습을 유지하려면 양하 컨테이너를 쌓을 때 크레인이 더 멀리 이동해야 하지만 작업이 몰려 급할 때는 가까이에 쌓을 수도 있습니다. 선적 컨테이너를 꺼낼 때도 리핸들링이 비교적 덜 발생합니다. 이 정책의 서비스 지연시간은 129초, 약 2분입니다. 정책 A에 비해 무려 1/10로 지연시간을 줄였습니다.

이번에는 스택 단수 기준이 아닌, 스택을 구성하는 컨테이너의 선적/수입 속성을 기준으로 살펴보겠습니다.

육측으로 나가는 수입 컨테이너는 빨간색, 해측으로 나가는 선적 컨테이너는 초록색으로 표시하였습니다. 그 외에 색은 두 속성의 컨테이너가 섞여있는 스택입니다. 정책 A의 경우 말도 안되게 컨테이너를 쌓았습니다. 육측으로 나가는 컨테이너를 해측 가까이에, 반대로 해측으로 나가는 컨테이너는 육측 가까이에 쌓았습니다. 이러면 크레인간 간섭 때문에 서비스 지연시간이 커질 수 밖에 없습니다.

다행히 정책 B부터는 컨테이너가 나가는 방향을 어느정도 고려한 모습입니다. 정책 E의 경우 해측 영역에 거의 완벽히 해측으로 나가는 컨테이너만을 쌓은 모습을 확인할 수 있습니다.

지금까지 시뮬레이션을 활용한 터미널 운영 정책 최적화 방법을 알아보았습니다. 물론 이 방법을 바로 현장에 적용하는 것은 어렵습니다. 현장에 적용하기 위해서는 몇 가지 조건이 충족되어야 합니다. 첫째, 실시간 제약을 만족해야 합니다. 현장에서 장치 위치를 요청했을 때, 그 위치를 결정하기 까지 소요되는 시간이 현장 운영에 제약이 없을 정도로 짧아야 합니다. 그리고 둘째, 최적화 시 사용되는 시뮬레이션의 신뢰성이 보장되어야 된다는 것입니다. 최적화 정책의 성능이 아무리 뛰어나도, 그 성능을 측정하는 시뮬레이터의 신뢰성이 떨어진다면 아무런 소용이 없습니다. 마지막으로 터미널 운영 상황에 따라 정책을 갱신하는 방법이 필요합니다. 터미널 운영 상황이 변하면 최적의 정책 또한 달라집니다. 현실에서는 터미널 상황이 연속적으로 변화하기 때문에 이에 맞춰 최적화 정책을 갱신하는 것이 필요합니다.

<이미지 출처>

1. Kim, T.; Yang, Y.; Bae, A.; Ryu, K.R. Optimization of Dispatching Strategies for Stacking Cranes including Remarshaling Jobs. J. Navig. Port Res. 2014, 38, 155–162.

2. Kim, T.; Kim, J.; Ryu, K.R. Deriving Situation-Adaptive Strategy for Stacking Containers in an Automated Container Terminal. In Proceedings of the 2013 International Conference on Logistics and Maritime Systems, Singapore, 12-24 September 2013.

글쓴이: 김태광 (터미널 비즈니스 컨설턴트, 싸이버로지텍) 

이 글의 저작권은 글쓴이 및 싸이버로지텍에 있음으로 무단 복제 및 사용을 금지합니다. 

Copyright,2023, All rights reserved