Los fallos en cascada en la red de transporte multimodal pueden causar enormes pérdidas económicas y repercusiones sociales, lo que ha atraído gradualmente la atención del público. Teniendo en cuenta el efecto de acoplamiento de los nodos en la red de transporte multimodal y la mayor complejidad del proceso de fallo en cascada, se proponen los conceptos de grado de correlación de nodos y grado de cooperación de nodos para caracterizar las características de la red, y se introduce un modelo logit para calcular la carga inicial de los nodos. En el caso de ignorar la interrupción de la red, se proponen dos métodos de redistribución de la carga: asignación local y asignación global-local. Tomando como ejemplo la red de transporte multimodal de la región china de Sichuan-Tíbet, se cuantifica el efecto de fallo en cascada de dicha red mediante un análisis de sensibilidad. Los resultados muestran que cuando la carga de la red de transporte multimodal en la región de Sichuan-Tíbet supera la capacidad máxima pero no excede el 150%∼170% de la capacidad de la red, ésta puede seguir funcionando con normalidad. Además, los nodos de la red de transporte multimodal deben tener un espacio escalable de 0,3∼0,5. En el método de control de fallos en cascada, la redistribución de la carga basada en la asignación global-local puede minimizar el impacto de la sobrecarga de los nodos.
Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.
Artículo:
Retos y oportunidades de la educación frente al TLC
Artículo:
Enfoque eficiente para la gestión y coordinación de la cadena de suministro de ciclo cerrado
Artículo:
Aprendizaje reforzado integrado de gemelos digitales en la cadena de suministro y la logística
Artículo:
Análisis de riesgos y optimización de rutas de transporte de mercancías peligrosas basado en el conjunto de rutas empíricas
Artículo:
Método de evaluación y predicción del estado del tráfico de la red de autopistas basado en aprendizaje profundo