Évaluation des risques de système « Port Sec-Port Maritime » basée sur une hybridation des outils d’aide à la décision multicritère et l’intelligence artificielle

Abstract

Le port maritime est le nœud le plus important de la chaîne logistique globale. En général, avec la croissance de l’économie mondiale, l’intérêt et le besoin des services de transport maritime augmentent considérablement, ce qui soulève des difficultés et des défis pour le port maritime, tels que : le manque d’espace ; congestion aux points d’accès des ports maritimes ; l’augmentation des coûts de transport et l’impact environnemental négatif… Le rôle critique du port maritime dans la chaîne logistique globale confirme l’importance du concept de port sec et ses avantages pour surmonter les difficultés et les défis du port maritime. Ainsi, la compréhension des enjeux de port maritime conduit à reconnaître la nécessité et le fonctionnement du port sec. Le port sec peut améliorer considérablement les performances du port maritime. Par conséquent, les performances du système de port sec port maritime augmentent aussi. Le but de cette étude est de comprendre le concept de port sec et ses avantages et solutions pour le port maritime aujourd’hui, ce qui a été illustré par une Revue Littérature Systématique RLS qui montre l’évolution du concept, les types de port sec, le cycle de vie du port sec, les thèmes de recherche et les méthodes et outils utilisés dans la recherche sur les ports secs. Ensuite, dans cette RLS nous avons traité l’ensemble du système port sec port maritime PSPM (Port maritime, Rail et Port sec) en se concentrant sur les différents facteurs de risque que nous avons pu identifier, les méthodes utilisées pour l’évaluation des risques et l’emplacement de chaque méthode dans chaque processus de gestion des risques de (Project Management Institute) PMI. De plus, cette étude présente un modèle décisionnel multicritères basé sur Delphi et (Analytic Hierarchy Process) AHP, afin d’évaluer les facteurs de risque identifiés, les catégories de risque et les trois grandes parties de notre système étudié. Ce qui montre que les risques de la partie de port maritime auront un impact plus important sur tout le système de port sec port maritime. De plus, nous présentons dans cette étude un Framework basé sur un algorithme d’intelligence artificielle capable d’anticiper la possibilité d’avoir des risques dans notre système étudié, dans ce Framework nous avons utilisé l’un des algorithmes de (Artificial Neuron Network) ANN les plus utilisés et les plus efficaces, le Back-Propagation ANN (BPANN) cet algorithme est plus efficace pour améliorer les taux d’apprentissage et réduire le phénomène de surapprentissage. Nous nous sommes focalisés sur l’optimisation de la structure ou ce qu’on appelle l’optimisation hyper paramétrique, et nous avons utilisé une métaheuristique inspirée de la nature appelée Whale Optimizer Algorithm WOA afin d’optimiser la structure de BPANN, nous avons appelé ce cadre/Framework le WOA-ANN. Enfin, nous avons choisi comme exemple d’application le risque de congestion dans le quai du port maritime en raison de son importance, de son impact dans notre système PSPM et de la disponibilité de données massives nécessaires. Ensuite, nous comparons notre modèle WOA-ANN avec sept algorithmes traditionnels de machine Learning ML, le résultat montre que notre modèle est le plus précis selon plusieurs métriques, ce qui valide l’utilisation de notre modèle.