用于能源和成本抵御能力的可持续供应链中的人工智能：一种动态生命周期评估（LCA）/总拥有成本（TCO）方法在多模式运输中的应用 托马斯·诺伊曼（Tomasz Neumann）与帕维尔·维尔比茨基（Pawe? Wierzbicki）

《Energies》：Artificial Intelligence for Energy and Cost Resilience in Sustainable Supply Chains: A Dynamic LCA/TCO Approach to Multimodal Transport Tomasz Neumann and Pawe? Wierzbicki

　　

摘要

多模式运输系统的脱碳需要采用能够同时考虑环境影响和动态运营条件下的经济性能的评估方法。传统的生命周期评估（LCA）和生命周期成本分析（LCC，包括总拥有成本TCO）被广泛用于此目的；然而，这些方法往往依赖于静态假设和平均数据，从而限制了它们捕捉现实世界变化的能力。本研究提出了一种基于人工智能的LCA-LCC/TCO框架，用于综合评估脱碳的多模式门到港运输系统。人工智能被直接应用于生命周期清单和成本清单阶段，以生成特定情景下的能源消耗、温室气体排放和运营成本估算。该框架通过一个多模式门到港运输链的案例研究进行了验证，该运输链包括道路预运输、铁路运输和港口码头作业。分析了三种方案：传统方案、部分脱碳方案和完全脱碳方案。结果表明，与基准方案相比，部分脱碳可使温室气体排放减少60%以上，同时实现最低的总拥有成本。完全脱碳虽然能将排放量降低95%以上，但在当前假设下成本略高。敏感性分析验证了在不同能源价格、碳定价和电力碳强度条件下，相对方案排序的稳健性。所提出的框架为物流运营商、港口管理机构和政策制定者提供了一个结构化的决策支持工具，帮助他们寻找具有成本效益的低排放多模式运输系统路径。