|
Hava trafik yönetiminde öncelikli amaç artan trafiğin akışını mevcut güvenlik seviyesini ihlal etmeden sağlayabilmektir. Mevut sistem anlık trafiği taktiksel müdaheleler ile yönetmek üzerine kuruludur. Ancak, sistemin proaktif olması amaçlanmaktadır. Bu bağlamda verimlilik planlama seviyesindeki doğruluğun artırılması ile sağlanabilecektir. Her bir uçuş planlama esnasında ne kadar doğru hesaplanabilirse, sistem içerisindeki tüm oyuncular için durum o kadar iyi olacaktır. Hava trafik sistemini oluşturan bu oyuncular; seyrüsefer hizmeti veren Devlet Hava Meydanları İşletmesi gibi kuruluşlar, havayolları, havaalanları, hava aracı üreticileri, ve yolculardır. Her kesimin kendi açısından verimlilik tanımı farklıdır. Ortak kriter hava ulaşımına erişimdeki veya hava ulaşımının sağlanmasındaki maliyeti düşürmek olsa da, bunun nasıl yapılacağı ve diğer oyuncuları nasıl etkileyeceği farklılaşmaktadır.
Mevcut hava trafik sistemi operasyonel regülasyonlara dayanmaktadır. Güvenlik açısından birçok bölgede köklü değişiklik yapmak uzun bir süre gerektirmektedir. Örneğin, alternatif enerji kullanan uçak motorları doğal olarak maliyet ve kirlilik iyileştirilmesinde büyük etki yaratacaktır. Başka bir örnek ise tamamen otonom uçuşlar olarak verilebilir. Kalkıştan inişe kadar tüm fazların otopilot tarafından yapıldığı, trafikte çarpışma önleyici ve kaçınma sistemlerinin algoritmalar tarafından yönetildiği bir hava trafik sisteminde aynı anda daha fazla uçuş gerçekleşebilir. Ancak bu tür teknolojilerin halihazırda yeterince kompleks bir sisteme entegrasyonu büyük ölçüde ar-ge çalışmaları, insan kaynağı, bütçe ve zaman gerektirmektedir. Bu tür teknolojiler hava trafik yönetimi sistemi içerisinde bulunan kurumların uzun vadeli planında yer almaktadır. Öte yandan, kısa vadeli olarak ise mevcut sistemde neyin geliştirilebileceği üzerine çalışılmaktadır. Havacılık yavaş işleyen bir endüstri olduğu için mevcut bileşenlerin birçoğu yirmi ila otuz yıllık teknolojilere dayanmaktadır. Bunda doğal olarak bir yolcu uçağının ortalama ömrünün de bu civarda olmasının etkisi vardır. Tüm bunlar düşünüldüğünde, kısa vadeli iyileştirmelerde daha pratik ve mevcut sisteme daha kolay entegre edilebilir teknolojilere yoğunlaşılmaktadır.
Bu tezde rota planlama sürecinde uçağa yüklenen yakıtın doğru hesaplanması teması işlenmiştir. Her havayolu, uçuştan önce o uçuşa dair bir plan oluşturmakla ve bunu ilgili regülatörler ile paylaşmakla yükümlüdür. Bir uçuş planı temel olarak enlem, boylam, irtifa gibi konum bilgileri ile birlikte uçağın hangi coğrafi konumlardan ne zaman geçeceği, hangi hava sahasında ne kadar süre geçireceği, hedef varış noktasına ne zaman varacağı, hangi hızları takip edeceği ve bu rotayı tamamlamak için ne kadar yakıta ihtiyaç duyacağını içermektedir. Uçuş rotasının enlem ve boylam olarak nasıl bir yörünge izleyeceği bölgedeki operasyonel faktörler ile belirlenir. Dikey profilde ise seyir irtifası, tırmanma ve alçalma profilleri ile birlikte uçağın hangi hızlarda uçacağı ise üretici tarafından belirtilmiş performans modeli tarafından hesaplanır. Bir uçuş yörüngesini etkileyen önemli bir diğer faktör ise meteorolojik bilgidir. Hangi bölgelerde şiddetli türbülans, veya tehlikeli hava koşulları beklendiğine göre yatay yörünge ayarlanır. Ancak uçuş süresini etkileyen en kritik meteorolojik nicelik rüzgardır. İrtifa yükseldikçe rüzgar hızı da artmaktadır. Uçuşların seyir fazları da yüksek irtifada bulunmaktadır. Bunun sebebi turbofan motorlarının en verimli olduğu irtifa ve hızlarda uçurma gayesidir. Günümüz yolcu uçaklarının büyük bir çoğunluğu turbofan jet motoru kullanmaktadır. Bu tür uçaklar için en yakıt verimli uçuş profili olabildiğince yüksekten ve olabildiğince hızlı uçmaktır. Rüzgarın tanımının da havanın yere göre bağıl hızı olduğu düşünüldüğünde hava içerisinde seyir halindeki bir uçağın yere göre hızı ise rüzgar hızı ile vektörel toplamıdır. Dolayısıyla rüzgar hızı uçuş süresini etkilemektedir. Uçak performans modelleri ise uçak üreticileri tarafından sağlanan, aerodinamik ve itki kuvvetleri ile birlikte yakıt tüketimi, hız profilleri, manevra zarfı gibi uçak spesifik bilgileri kapsar. Bu tezde özellikle yakıt tüketim modelleri üzerine yoğunlaşılmaktadır.
Standart bir yer tabanlı rota hesaplama algoritması birtakım giriş parametreleri almaktadır. Bu parametreler ile birlikte uçak hareket denklemleri integre edilmekte ve zamana bağlı uçuş rotası hesaplanmaktadır. Bulunan rota uçuş planı olarak gerekli regülatörlere iletilmektedir. Ancak, hesaplanan bu rotaların doğruluğunun giriş parametrelerinin belirsizliğine karşı hassasiyeti bulunmaktadır. Birçok faktör sebebiyle planlanan ve gerçekleşen uçuşlar bir olmamaktadır. Başlıca etken rota üzerinde trafiğe bağlı olarak hava trafik kontrolörlerinin komutlarıdır. Hava sahasının yoğunluğuna bağlı olarak hava trafik kontrolörü uçağı planlanan irtifasından daha aşağıda veya yukarıda uçurmak için komut verebilir. Benzer şekilde planlanandan farklı bir hızda uçmasını isteyebilir. Haliyle planlama aşamasında herhangi bir hız veya irtifa optimizasyonu yapıldı ise bu durum geçerliliğini yitirmektedir. Örneğin, geniş gövdeli yolcu uçakları için en verimli hız 0.83 Mach sürati civarıdır. Ancak okyanus ötesi uçuşlarda, güvenliliğin sağlanması açısından bazı bölgelerde uçaklardan 0.82 Mach süratinde uçması istenebilir. Veyahut planlanan seyir irtifası 39,000 feet iken belirli hava sahalarında bu uçuşun 38,000 feet irtifada devam etmesi istenebilir. Başka bir örnek ise yatay yörüngenin değiştirilmesi olarak verilebilir. Trafik yoğunluğunun azalmasını beklemek üzere uçuşlardan rotalarını uzatmaları isetenebilir, veya açık bir hava sahasında en kısa yoldan gitmeleri komutu verilebilir. Bu tür durumlar gerçekte tüketilen yakıtın planlanandan farklı olmasına sebebiyet verir. Ancak bunlar öngörülemeyen veya modellenemeyen faktörlerdir. Tamamen operasyonel faktörlere dayanmaktadır. Bu tezde ise halihazırda modellenebilen ve uçuş yakıt tüketiminde etkisi olan parametrelerin iyileştirilmesi amaçlanmaktadır.
Özetle, bu tez uçuş planlamada giriş olarak sağlanan uçuş performans modeli ve rüzgar bilgisi faktörlerini ele almaktadır. Bir önceki paragrafta uçuş performans modellerinin uçak üreticileri tarafından sağlandığı belirtilmişti. Bu modeller test uçuşu verilerinin yoğun mühendislik tecrübesi ile yorumlanması sonucu oluşturulan performans tabloları ve denklemleri kapsamaktadır. Ancak tablo değerleri ve denklem katsayıları uçağın ilk üretilmiş versiyonuna ait test uçuş sonuçları ile oluşturulmuştur. Her ne kadar uçuş dinamikleri aynı olsa da kuyruk numarası bazında uçuş performansları değişiklik göstermektedir. İki uçak birebir aynı yapıda olsa dahi farklı bakım ve uçuş operasyonları sonucunda aynı koşullarda aynı yakıt tüketimini vermeyebilir. Bu durumda ağırlıklı olarak motorların bakım periyodu etkilidir. Model parametrelerinin yanı sıra modellemenin kendisinde hesaba katılmayan faktörler ve belirsizlikler de bulunmaktadır. Bu tür bileşenler, gerçekleşen yakıt tüketiminin planlanandan farklı olmasına sebep olmaktadır. Dolayısıyla uçak üreticisi tarafından sağlanan modelin kuyruk numarası bazında düzeltilmesi ve bir şekilde güncellenmesi gereklidir. Mevcut uygulamalarda yüzdesel performans düşüşü hesaplanmakta ve bu birim yakıt tüketimine lineer bir dönüşüm ile yansıtılmaktadır. Ancak gerçek uçuş verileri yakıt tüketim dinamiklerinin daha kompleks olduğunu göstermektedir. Bu bağlamda nonlineer fonksiyonlar ile uçak performans modellerinin geliştirilmesi gereklidir. Uçuş planlama algoritmalarına rüzgar bilgisi ise meteoroloji merkezlerinden gelmektedir. Rüzgar bilgisi belirli çözünürlükte tüm enlem, boylam ve irtifaları kapsayacak şekilde üretilir. Belirli bir süre boyunca hava gözlem istasyonları, hava balonları, uçak gibi bileşenlerin sensörlerinden veri toplanır. Dünya üzerindeki tüm noktalardan veri toplamak mümkün olmadığından, toplanan bu veri iklim modellerinden geçirilerek global hava tahminleri elde edilir. Bu tahminler Avrupa'da altı saatte bir, Amerika'da ise saatte bir güncellenir. Ancak, her modelde olduğu gibi bu modellerin çıktılarında da belirsizlik ve hata bulunmaktadır. Hava gözleminin yapılabildiği bölgelerde rüzgar hatası genellikle düşük iken, diğer bölgelerde yüksek tahmin hataları gözlemlenebilmektedir.
Bu tezde, uçuş planlama sırasında gerekli yakıtın daha doğru hesaplanabilmesi için uçak performans modeli ve rüzgar bilgisindeki hataları azaltmak amaçlanmaktadır. Bu kapsamda operasyonel uçuş verisi olarak Quick Access Recorder adı verilen, bir uçağın tüm sensörlerinden aldığı saniyelik ölçümleri kaydettiği veritabanı kullanılmıştır. Bu veri havayolları merkezlerinde bulunmaktadır. Her uçak uçuş sonrası topladığı ve kaydettiği bilgileri kablosuz veya kablolu olarak bu merkezlere aktarmaktadır. QAR verisinin operasyonel olarak çeşitli kullanım amaçları bulunmaktadır. Bunlardan başlıcaları uçak performansını gözlemlemek, bileşenlerin durumunu kontrol etmek, anomalileri tespit etmek ve verimliliği artırmaktır. QAR verisinde kaydedilen parametrelerden bu çalışma kapsamında en önemli ikisi birim yakıt tüketimi ve rüzgar hız/yön bilgileridir. QAR içerisinde kaydedilen bu değerler, gerçek değerler olarak nitelendirilmiştir. Aynı parametrelerin uçak performans modelleri ve rüzgar modelleri tarafından hesaplanan versiyonları ise planlanan olarak ele alınmıştır. Her iki nitelik de, yakıt tüketimi ve rüzgar hızı, birtakım parametrelere bağlıdır. Turbofan motorlarda birim zamanda tüketilen yakıt sürat, irtifa, uçak ağırlığı, motor devri, ve gaz kolu seviyelerinin bir fonksiyonudur. Rüzgar hızı daha periyodik özellikler taşımakla birlikte coğrafi konum, yükseklik, ve sıcaklık gibi parametrelere bağlıdır. Bu tez kapsamında, yakıt tüketimi ve rüzgar hızı değerlerine, yine gerek QAR içerisinde direk olarak bulunan, veya QAR içerisindeki parametrelerden türetilebilen nitelikler cinsinden nonlineer fonksiyon üretilmiştir. Bu fonksiyonları oluştururken derin öğrenme tabanlı yapay sinir ağları kullanılmıştır. Yapay sinir ağlarının teorisi yirmi ile otuz yıl öncesine dayanmaktadır. Son birkaç sene içerisinde özellikle büyük veri ile birlikte yüksek işlem kapasiteli sistemlerin geliştirilmesi ile çok katmanlı yapay sinir ağları modelleri geliştirilebilmiştir. Benzer şekilde alandaki matematiksel ilerlemeler, özellikle optimizasyon tarafında yenilikçi çözümler ortaya çıkarmıştır. Bu tez kapsamında da probleme yönelik özel yapay sinir ağları mimarileri geliştirilerek yakıt tüketimi ve rüzgar hızı modelleri oluşturulmuştur.
Tezin büyük bir kısmı uçak performans modeli üzerine yoğunlaşmaktadır. Rüzgar modeli güncellemesi, tezin son bölümlerinde yer almaktadır. Ağırlıklı olarak uçak performans modellerinin nasıl geliştirildiği, mevcut modellerin neyi eksik yaptığı, ve derin öğrenme tabanlı yapay sinir ağları ile bunların nasıl geliştirileceği işlenmiştir. Uçak üreticileri tarafından geliştirilen performans modellerini temsilen Base of Aircraft Data (BADA) uçak performans veri tabanı kullanılmıştır. Analizlerde gerçek uçuş verileri ile kıyaslama yapılmış, bunlara bağlı olarak hangi parametrelerin model girişi olarak kullanılacağına karar verilmiştir. Gerçek uçuş verisi ile kıyaslama temelde iki farklılık olduğunu göstermektedir: a) basitleştirilmiş dinamikler b) parametrik hatalar. Buna bağlı olarak uygun yapay sinir ağları mimarileri geliştirilmiştir. Tezin bir kısmında ise makine öğrenmesi tabanlı sistemlerin açıklanabilirliğini ve genelleştirilebilirliğini artırmak için fizik tabanlı yönlendirmelerin, fizik kurallarının, modellere nasıl entegre edilebileceği üzerine odaklanılmıştır. Çünkü makine öğrenmesi algoritmaları, öğrenmede kullanılan verinin kapsamı ile sınırlıdır. Bu modellerin hiç görmediği bölgelerde yaptıkları hesaplamalar tutarlı ve anlamlı olmayabilir. Uçuş yakıt tüketimi için de bu geçerlidir. Uçuş verisi operasyonel rejimleri içerdiği için tüm manevra zarfını kapsamaz. Dolayısıyla modeli geliştirmek için hiç bilmediği alanlarda en azından nasıl bir çıktı vereceği sisteme entegre edilebilir. Sonuç olarak, tez kapsamında üretilen yakıt tüketim modelleri tırmanma, seyir ve alçalma uçuş modlarının hepsi için yüzde bir altında hata ile kestirim yapabilmiştir. Fizik tabanlı öğrenme metodolojileri ile de modellerin veride bulunmayan uçuş rejimleri için tutarlı sonuçlar üretebilmesi sağlanmıştır. Rüzgar modeli tarafında ise, rüzgar belirsizliği varyansın düşürülmesi şeklinde azaltılmıştır. Son olarak, geliştirilen bu modeller uçuş planlama şeması içerisine yerleştirilmiş, gerçek uçuş planları bu modeller ile tekrar üretilmiş, ve toplam yakıt tüketimi farkına bakılmıştır. Sonuçlar yüzde üçe kadar yakıt tasarrufu olabileceğini göstermektedir. Bu, uçağı kalkış sırasında gereksiz yakıt taşımaktan kurtarmak anlamına gelir. Dahası, uçaklar bu fazla yakıtı taşımadığı için de birim yakıt tüketimini azaltacaklardır. Geniş gövde uçakların uçuş planlarında yapılan analiz iki tona kadar yakıt tasarrufu göstermektedir. Ortalama olarak, geniş gövdeli bir uçak uzun menzil bir uçuşta toplam ağırlığının üçte biri kadar yakıt taşımaktadır. Bu, taşınmayan iki ton için yaklaşık altı yüz kilogram tasarruf edileceğini de gösterir. Bunun üzerinden hesap yapıldığında, geniş filoya sahip bir havayolu yılda milyonlarca lira kazanç sağlayabilir.
|
|
High fidelity aircraft performance models are essential for the precise estimations of 4D trajectories and fuel consumption. A correct fuel flow model is critical for flight planning purposes, especially in calculating the fuel load required for a trip. Airlines use manufacturers' performance models to calculate fuel consumption for flight planning rather this be at the integrated operations center or at the cockpit level. As such, within the scope of Air Traffic Management (ATM), for problems such as trajectory planning/estimation for separation assurance and capacity and demand balancing, performance models such as the Base of Aircraft Data (BADA) by Eurocontrol are utilized. These baseline models are structured around polynomial approximations of Original Equipment Manufacturer (OEM) performance tables within generic aircraft models. However, flight data strongly suggest that the aircraft tend to deviate from these baseline models as they age and as, are exposed to maintenance, and are operated in diverse regions. Current ground-based flight planning systems utilize aircraft type-specific performance tables to determine fuel flows for given flight conditions and parameters such as altitude, mass, and speed. A performance factor corrects these tables as the aircraft ages. Despite this update, planned fuel consumption may indeed not overlap with the actual one. In addition to the aircraft performance model, wind uncertainty affects fuel consumption by its impact on ground speed. Because ground speed changes trip time, it determines how much fuel is to be consumed for a travel distance.
This thesis focuses on the flight planning at the ground level and propose a data-driven machine learning approach to develop a data-driven aircraft digital-twin model using the most fundamental and airborne recorded flight trajectory and flight parameters data set. In particular, this thesis considers on two distinct problems: uncertainties in aircraft performance models and uncertainties in the wind. In this sense, this thesis proposes methodologies to improve baseline models for fuel flow, and wind estimations via operational data. In particular, this study has investigated introducing neural network architectures to estimate tail-number specific updates to the aircraft baseline fuel flow model through deep learning for climb, cruise, and descent phases of flight. For training our neural network models, this study has utilized a QAR data set from 30 different tail-numbers with more than 2 million flight segments in total from a fleet of a wide-body aircraft operated by a major European flag carrier airline. The proposed architecture is designed to retain the compatibility to the flight planning applications by using the same features that the baseline aircraft models do for computing flight trajectory and the fuel flow. Throughout an extensive feature engineering, the thesis reveals the parameters with a significant impact on fuel flow. The analysis shows that the discrepancy between the modeled and the actual fuel flows stems from a) parametric biases in fuel flows and b) operational variations in the actual implementation of the flight modes. As such, the estimation errors in throttle and the corresponding thrust and excess thrust levels, play a key role in error dynamics. This fact is utilized to further refine the neural network architecture into a novel cascaded structure, which embeds estimation of critic engine related parameters that are not available within baseline models for flight planning. Furthermore, the study has implemented a physics-guided deep neural network framework to improve data-driven models' consistency in flight regimes that are not covered by data. In particular, we guide the neural network with the equations that represent fuel flow dynamics. In addition to the empirical error, we embed this physical knowledge as several extra loss terms. In wind uncertainty part, historical Global Forecast System (GFS) predictions are utilized as baseline estimations. Wind measurements in QAR footprints are considered as ground-truth. State-of-the-art deep learning algorithms are deployed to map baseline estimations for fuel flow and wind to their ground truths.
A comparison of the models with real flight data shows that precise estimation of fuel flow with mean absolute errors lower than %0.7 can be achieved at all the flight modes. We further tested these models on different tail numbered aircraft to show the generalization capability of the algorithm. Results on the wind side also show that we can achieve a considerable reduction in wind uncertainty both from a mean error and variance sense. Finally, our fuel flow models are compared with the Airline ground-based planning fuel flow models on the actual flight plans generated by the ground-based system. Total trip fuel comparisons show discrepancies up to %3.5 total fuel loading weight, which will result in potential fuel savings by decreasing the fuel load during take-off for flights with unnecessary excess fuel load. An example of a specific tail-number suggests that for typical operation of 200 long-haul flights per day, yearly savings on the order of 17 million USD can be achieved at current jet fuel prices. This "tail-number specific" performance modeling approach is projected to open considerable frontiers, including further reduction of fuel load safety margins and in-flight update of performance models through machine learning methods. |
