Ports are actively pursuing greater operational efficiency to handle the increasing global flow of goods, while simultaneously improving the energy efficiency of their operations to comply with new environmental regulations. As a result, innovation-leading ports have begun to recognize the potential of digital twins to monitor, coordinate, and optimize port processes, enabling energy savings and reductions in both costs and CO2 emissions. Although digital twins have gained significant momentum in other domains, such as smart manufacturing and aerospace, their adoption in ports remains challenging. This can be explained by the multi-stakeholder nature of ports and the high complexity of their interconnected processes, requiring decision-making across organizational boundaries.

Grounded in the port context, this thesis examines what constitutes a digital twin, proposes a framework to assess the maturity of existing port digital twins, and develops modeling and explainable AI-enabled decision support components for port and maritime operations. These components span seaside, quay, yard, and gate processes and can serve as building blocks of future port digital twin implementations. The thesis consists of six papers:

Paper 1 provides an in-depth literature review of digital twins across multiple domains and transfers insights from these to the port domain. The paper outlines how digital twins can enhance operational efficiency and support energy savings in ports. It also identifies the characteristics and design requirements that a port-specific digital twin must fulfill. Based on these findings, the paper proposes a tailored definition of a digital twin for the port domain.

Paper 2 discusses how digital twins’ maturity can be assessed within six maturity levels and presents milestones for their implementation. Notably, Interoperability is identified as the highest maturity level,as the numerous stakeholders and their respective digital twins must work together to reach a coordinated system of systems performance. Using this assessment demonstrates that only a few innovation-leading ports have developed sophisticated digital twinning solutions so far.

Paper 3 focuses on container retrieval, balancing two competing objectives: minimizing yard crane moves and adhering to tight truck scheduling. This reflects the conflicting perspectives of different stakeholders in the port context. The provided optimization model and heuristic algorithm demonstrate that addressing both problems simultaneously may result in reduced efficiency of the individual objectives. However, from a systems perspective, this approach leads to higher overall port efficiency.

Paper 4 examines quay cranes at the system level by developing an explainable AI framework to predict whether a quay crane will experience a breakdown during vessel operations. Using monitoring data, operational data, and weather observations, the study identifies how operational intensity, hoist-related warning patterns, and environmental conditions jointly influence the likelihood of a breakdown. This system-level predictive capability enhances situational awareness and enables early identification of disruptions.

Paper 5 builds on Paper 4 by focusing on the prediction of individual critical error events. Rather than assessing the overall likelihood of a breakdown, the model identifies which error type is likely to occur next and estimates its timing. Using eXtreme Gradient Boosting with lagged error sequences, operational data, and weather conditions, the study offers component-level insights that complement the systemlevel prediction in Paper 4 and support more targeted maintenance interventions.

Paper 6 expands the perspective beyond ports by analyzing fuel consumption in inland ferry operations using GPS-derived trip legs and journeys enriched with environmental data. Combining unsupervised clustering to uncover operational patterns with supervised learning and SHAP-based explainability, the study identifies operational speed as the dominant driver of fuel consumption and links consumption patterns to individual captains’ driving behavior. This contributes to maritime decision-making by enabling targeted interventions such as eco-driving strategies.

Together, these six papers contribute a conceptual grounding of port digital twins, provide a tool for their assessment, and provide modeling components to aid in port and maritime decision-making.

Hamnar strävar aktivt efter ökad operativ effektivitet för att hantera det ökande globala varuflödet, samtidigt som de strävar efter att förbättra energieffektiviteten. Som ett resultat har ledande hamnar börjat se potentialen hos digitala tvillingar för att skapa överblick samt koordinera och optimera processer i hamnen. Målet med användningen av digitala tvillingar är energibesparingar samt minskning av kostnader och CO2-utsläpp. Medan digitala tvillingar har använts inom andra områden såsom tillverknings-, flyg- och rymdindustrin, har införandet i hamnar varit jämförelsevist långsamt. Detta kan förklaras, bland annat, av hamnens många olika involverade aktörer och den höga komplexiteten i de ofta sammanlänkade hamnprocesserna.

Därför fokuserar denna avhandling, med utgångspunkt i hamnkontexten, vad som utgör en digital tvilling, presenterar egenskaper för olika mognadsnivåer hos befintliga digitala tvillingar, och introducerar modellerings- och beslutsstödskomponenter baserade på förklarbar AI för hamn- och maritima operationer. Dessa komponenter omfattar kustnära processer, kajoperationer, yard-processer och gate-funktioner, och kan fungera som byggstenar i framtida digitala tvillingar för hamnar. Avhandlingen består av sex artiklar:

Artikel 1 bygger på en omfattande litteraturöversikt, inom vilken digitala tvillingar för olika områden studeras ingående för att överföra insikter från dessa till hamndomänen. Detta resulterar i en presentation av vad som utgör en hamns digitala tvilling och de krav som en hamns digitala tvilling måste uppfylla, tillsammans med en diskussion om hur digitala tvillingar i hamnar kan bidra till energibesparingar.

Artikel 2 presenterar ett ramverk för hur mognaden hos digitala tvillingar kan bedömas baserat på sex mognadsnivåer och presenterar milstolpar för deras implementering. Noterbart är att interoperabilitet identifieras som den högsta mognadsnivån, eftersom de många intressenterna och deras respektive digitala tvillingar måste koordineras för att nå en fungerande system-av-systemnivå. Genom att använda denna bedömning visar det sig att endast några få innovationsledande hamnar hittills har utvecklat sofistikerade digitala tvillinglösningar.

Artikel 3 fokuserar på containerupphämtning med hänsyn till två konkurrerande mål: att minimera energikrävande kranrörelser och att hålla planerade tider för lastbilar. Detta speglar de potentiellt motstridiga perspektiven hos olika intressenter i hamnkontexten. Den utvecklade optimeringsmodellen och algoritmen visar att gemensam hantering av båda dessa mål kan leda till minskad effektivitet för de respektive individuella målen, men ökad effektivitet från ett systemperspektiv för hamnen som helhet.

Artikel 4 studerar kajkranar på systemnivå genom att utveckla ett förklarbart AI-ramverk för att förutsäga om en kajkran kommer att drabbas av ett driftstopp under ett fartygsanlöp. Genom att använda övervakningsdata från kranarna, operativa data från terminalen och meteorologiska observationer identifierar studien hur operativ belastning, hoist-relaterade varningar och väderförhållanden gemensamt påverkar sannolikheten för driftstopp. Modellen förbättrar situationsmedvetenheten och möjliggör tidigare identifiering av störningar.

Artikel 5 bygger vidare på Artikel 4 genom att fokusera på prediktion av enskilda kritiska felhändelser. I stället för att uppskatta sannolikheten för ett övergripande driftstopp förutser modellen vilken feltyp som sannolikt inträffar härnäst och när detta sker. Med hjälp av eXtreme Gradient Boosting i kombination med sekvenser av tidigare fel, aktuella operativa data och väderförhållanden tillhandahåller studien komponentnivåinsikter som kompletterar systemnivåanalysen i Artikel 4 och möjliggör mer riktade och tidskritiska underhållsåtgärder.

Artikel 6 breddar avhandlingens fokus till maritima operationer genom att analysera bränsleförbrukning i färjetrafik baserat på GPS- data och kompletterande miljödata. Genom att kombinera oövervakad klustring för att identifiera återkommande operativa mönster med övervakade prediktionsmodeller och SHAP-baserad förklarbarhet visar studien att fartygshastighet är den dominerande faktorn bakom bränsleförbrukning. Analysen kopplar också bränsleförbrukningsmönster till individuella befälhavares beteenden och möjliggör riktade åtgärder, såsom eco-driving.

Tillsammans bidrar dessa sex artiklar med en konceptuell grund för digitala tvillingar i hamnar, ett verktyg för att bedöma mognaden hos befintliga lösningar samt ett antal modelleringskomponenter som kan stödja datadrivet och förklarbart beslutsfattande i både hamn- och maritima verksamheter.