This study will help better our understanding of the import-export processes in the U.S. It examines the challenges faced by US exporters and importers, and investigates an innovative solution to tackle these challenges. The dry port concept introduced by transportation geographers is discussed, and an intermodal rail costing model is used in determining whether this concept will prove to be a more sustainable and energy efficient system than what currently exists. / text

Le mémoire présente le problème de la planification tactique des “blocks” pour le transport ferroviaire intermodal, qui a été peu étudié jusqu’à présent. Nous proposons un nouveau modèle de design de réseau en tenant compte de la spécificité du transport intermodal. La recherche se concentre sur le contexte nord-américain et fait suite à une étroite collaboration avec l’une des principales compagnies ferroviaires nord-américaines. Le “blocking” constitue une importante opération de transport ferroviaire de marchandises, par laquelle des wagons d’origines et de destinations potentiellement différentes sont regroupés pour être d´eplacés et manipulés comme une seule unité, ce qui permet des économies d’échelle. La littérature se limite aux travaux traitant le problème classique du blocage des trains, où la demande est exprimée en termes de wagons. A notre connaissance, aucun travail préalable n’a été consacrè à un contexte de transport intermodal, où la demande est exprimée en termes de conteneurs à dèplacer d’un terminal d’origine donné vers un terminal de destination donné, introduisant ainsi un processus de consolidation supplémentaire. Nous proposons un modèle de “blocking” qui prend en compte plusieurs types de conteneurs et wagons, intégrant l’affectation conteneur-wagon. Nous présentons un nouveau modèle de design de réseau à trois couches en temps continu formulé sous la forme d’un programme linéaire mixte en nombres entiers (MILP), dans le but de minimiser le coût total de transport composé par la sélection de blocs, les coûts d’exploitation et la gestion du coût de la demande. Le modèle peut être résolu en utilisant un solveur commercial pour des tailles réalistes. Nous illustrons les performances et l’intérêt de la méthode proposée à travers une étude de cas approfondie d’un important chemin de fer nord-américain. / The thesis presents the tactical block-planning problem for intermodal railroads, which has been little studied so far. We propose a new block service network design model considering the specificity of intermodal rail. The research focuses on the North American context and follows a close collaboration with one of the major North American railroad companies. Blocking constitutes an important rail freight transport operation, by which cars with potentially different origins and destinations are grouped to be moved and handled as a single unit, yielding economies of scale. The literature is limited to works addressing the classical train blocking problem, where demand is given in terms of cars to be blocked among specific OD pairs. To the best of our knowledge, no prior work has been dedicated to an intermodal transportation context, where demand is expressed in terms of containers to be moved from a given origin terminal to a given destination terminal, hence introducing an additional consolidation process. We propose a blocking model that considers several types of containers and railcars, integrating the container-to-car assignment. We present a new continuous-time, three-layer service network design model formulated as a Mixed Integer Linear Program (MILP), with the objective of minimizing the total transportation cost composed by block selection, operation costs, and handling demand cost. The model can be solved using commercial solver for realistic sizes. We illustrate the performance and interest of the proposed method through an extensive case study of a major North American railroad.

No description available.

Les trains qui transportent des conteneurs empilés (en deux niveaux) sont un élément important du reseau de transport nord-americain. Le probleme de chargement des wagons correspond un probleme operationnel d'utilisation rencontre dans les terminaux ferroviaires. Elle consiste optimiser l’affectation des conteneurs des emplacements spécifiques sur les wagons. Ce mémoire est centré sur un article scientifique traitant le chargement optimal publié dans le Journal Européen de Recherche Opérationnelle (Volume 267, Numéro 1, Pages 107-119, 2018). Nous avons formule un modele lineaire en nombres entiers (ILP) et apporte un certain nombre de contributions. Premierement, nous avons proposé une méthodologie générale qui peut traiter des wagons double ou simple empilement avec des «patrons» de chargement arbitraires. Les les patrons tiennent un compte des dépendances de chargement entre les plateformes sur un wagon donne. Deuxiemement, nous avons modéliser les restrictions du centre de gravité (COG), les regles d’empilement et un nombre de restrictions techniques de chargement associees certains types de conteneurs et / ou de marchandises. Les resultats montrent que nous pouvons resoudre des instances de taille realiste dans un d´elai raisonnable en utilisant un solveur ILP commercial et nous illustrons que le fait de ne pas tenir compte de la correspondance conteneurs-wagons ainsi que des restrictions COG peut conduire une surestimation de la capacité disponible. / Double-stack trains are an important component of the railroad transport network for containerized cargo in specific markets such as North America. The load planning problem embodies an operational problem commonly faced in rail terminals by operators. It consists in optimizing the assignment of containers to specific locations on the train. The work in this thesis is centered around a scientific paper on the optimization on load planning problem for double stack-trains, published in the European Journal of Operation Research (Volume 267, Issue 1, Pages 1-398) on 16 May 2018. In the paper, we formulated an ILP model and made a number of contributions. First, we proposed a general methodology that can deal with double- or single-stack railcars with arbitrary loading patterns. The patterns account for loading dependencies between the platforms on a given railcar. Second, we modeled Center of gravity (COG) restrictions, stacking rules and a number of technical loading restrictions associated with certain types of containers and/or goods. Results show that we can solve realistic size instances in reasonable time using a commercial ILP solver and we illustrate that failing to account for containers-to-cars matching as well as COG restrictions may lead to an overestimation of the available train capacity.

The work in this thesis is separated into two parts. The first part deals with the load planning and sequencing problem for double-stack intermodal railcars, an operational problem found at many rail container terminals. In this problem, containers must be assigned to a platform on which the container will be loaded, and the loading order must be determined. These decisions are made with the objective of minimizing the costs associated with handling the containers, as well as minimizing the cost of containers left behind. The deterministic version of the problem can be cast as a shortest path problem on an ordered graph. This problem is challenging to solve because of the large size of the graph. We propose a two-stage heuristic based on the Iterative Deepening A* algorithm to compute solutions to the load planning and sequencing problem within a five-minute time budget. Next, we also illustrate how a Deep Q-learning algorithm can be used to heuristically solve the same problem.The second part of this thesis considers sequential models in deep learning. A recent strategy to circumvent the exploding and vanishing gradient problem in recurrent neural networks (RNNs) is to enforce recurrent weight matrices to be orthogonal or unitary. While this ensures stable dynamics during training, it comes at the cost of reduced expressivity due to the limited variety of orthogonal transformations. We propose a parameterization of RNNs, based on the Schur decomposition, that mitigates the exploding and vanishing gradient problem, while allowing for non-orthogonal recurrent weight matrices in the model. / Le travail de cette thèse est divisé en deux parties. La première partie traite du problème de planification et de séquencement des chargements de conteneurs sur des wagons, un problème opérationnel rencontré dans de nombreux terminaux ferroviaires intermodaux. Dans ce problème, les conteneurs doivent être affectés à une plate-forme sur laquelle un ou deux conteneurs seront chargés et l'ordre de chargement doit être déterminé. Ces décisions sont prises dans le but de minimiser les coûts associés à la manutention des conteneurs, ainsi que de minimiser le coût des conteneurs non chargés. La version déterministe du problème peut être formulé comme un problème de plus court chemin sur un graphe ordonné. Ce problème est difficile à résoudre en raison de la grande taille du graphe. Nous proposons une heuristique en deux étapes basée sur l'algorithme Iterative Deepening A* pour calculer des solutions au problème de planification et de séquencement de la charge dans un budget de cinq minutes. Ensuite, nous illustrons également comment un algorithme d'apprentissage Deep Q peut être utilisé pour résoudre heuristiquement le même problème. La deuxième partie de cette thèse examine les modèles séquentiels en apprentissage profond. Une stratégie récente pour contourner le problème de gradient qui explose et disparaît dans les réseaux de neurones récurrents (RNN) consiste à imposer des matrices de poids récurrentes orthogonales ou unitaires. Bien que cela assure une dynamique stable pendant l'entraînement, cela se fait au prix d'une expressivité réduite en raison de la variété limitée des transformations orthogonales. Nous proposons une paramétrisation des RNN, basée sur la décomposition de Schur, qui atténue les problèmes de gradient, tout en permettant des matrices de poids récurrentes non orthogonales dans le modèle.