CN111581801B - 一种航空器巡航温室效应计算方法 - Google Patents

一种航空器巡航温室效应计算方法 Download PDF

Info

Publication number
CN111581801B
CN111581801B CN202010360755.8A CN202010360755A CN111581801B CN 111581801 B CN111581801 B CN 111581801B CN 202010360755 A CN202010360755 A CN 202010360755A CN 111581801 B CN111581801 B CN 111581801B
Authority
CN
China
Prior art keywords
aircraft
fuel flow
cruising
model
neural network
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010360755.8A
Other languages
English (en)
Other versions
CN111581801A (zh
Inventor
马丽娜
田勇
王倩
万莉莉
孙梦圆
叶博嘉
徐灿
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN202010360755.8A priority Critical patent/CN111581801B/zh
Publication of CN111581801A publication Critical patent/CN111581801A/zh
Application granted granted Critical
Publication of CN111581801B publication Critical patent/CN111581801B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00Computer-aided design [CAD]
    • G06F30/20Design optimisation, verification or simulation
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/045Combinations of networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00Details relating to CAD techniques
    • G06F2111/10Numerical modelling

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Combined Controls Of Internal Combustion Engines (AREA)

Abstract

本发明提出一种航空器巡航温室效应计算方法,所述方法包括:建立航空器巡航燃油流量估算的神经网络ACENN模型;通过所述神经网络ACENN模型计算燃油流量时间序列;将所述燃油流量时间序列代入温室效应计算模型计算得到总温变潜势。本发明可根据航空器航迹信息,定量计算其巡航阶段的温室效应,直观度量航空器运行的环境影响程度,为航空器运行油耗估算和环境影响定量评价提供更科学、更系统的方法和工具。

Description

一种航空器巡航温室效应计算方法
技术领域
本发明属于航空运输环境影响分析领域,具体涉及一种航空器巡航温室效应计算方法。
背景技术
随着全球经济的快速增长和航空业的迅猛发展,民航运输需求日益增加,由此引发的环境污染问题随之加剧。航空器巡航阶段占飞行总时长的80%,因距离地面高、飞行距离长、存留时间久,造成的温室效应大约比地面等量CO2大2~4倍,因此,巡航阶段产生的温室效应是航空运输环境影响的重要组成。针对航空器高空飞行温室效应计算方法展开研究,有利于定量评价航空运输环境影响,为航空器巡航轨迹绿色绩效提供评价依据,并为后续航空器绿色巡航轨迹规划奠定基础。
目前,国内外学者针对航空器运行环境影响的研究,多集中在气体排放估算研究上,根据国际民航组织建立的飞机起降循环基准排放模型,实现了对航空器运行过程中污染物排放量的计算;温室气体排放主要来源于燃油消耗,在燃油消耗建模方面,研究者们在发动机性能模型的基础上,针对运行的不同阶段建立了相关的燃油消耗计算模型。然而,不同温室气体具有不同的辐射强度和生命周期,仅对气体排放进行计算,无法直观反映其带来的环境影响;且该类研究多集中在航空器起降过程中,而对飞行时间占比较长的巡航阶段关注较少;此外,以发动机性能模型为基础的燃油消耗计算模型,大多依赖于大量的飞行参数,其中绝大多数数据公开程度较低,从公开的雷达记录数据中不能获得,使得燃油消耗估算成为航空器运行环境影响和节能减排效果评估过程中的难点。
因此,现有成果的不足体现在:对飞行时间占比较长的巡航阶段关注较少;评估方法不能直观反映航空器运行环境影响程度;在进行燃油消耗计算时对飞行参数依赖较高,其中绝大多数数据公开程度较低,使得航空器运行环境影响评价较为困难。
发明内容
针对以上不足,本发明提供一种航空器巡航温室效应计算方法,目的是解决现有评估方法不能直观度量航空器运行的环境影响程度的技术问题。
为达到上述目的,本发明采用的技术方案为:
一种航空器巡航温室效应计算方法,所述方法包括:
获取航空器巡航轨迹数据;
建立航空器巡航燃油流量估算的神经网络ACENN模型;
将所述航空器巡航轨迹数据代入神经网络ACENN模型,计算得到总燃油流量;
将所述总燃油流量代入温室效应计算模型计算得到总温变潜势。
进一步的,所述神经网络ACENN模型的公式为:
ACENN=(AC,ENN(i)),
其中,AC为自动分类器,ENN为进化神经网络,i为所在类别。
进一步的,所述进化神经网络的拓扑结构为:
ENN(i)=(X,Z,Y(i),ENi,EWi,1,fi,1,Ebi,1,EWi,2,fi,2,Ebi,2),
X={h,v,d},
Z=TFFR,
Y={O1,O2...OENi},
其中,X为输入层;Z为输出层;Y为隐含层;ENi为进化隐含层神经元数目;EWi,1、fi,1、Ebi,1分别表示输入层到隐含层的进化权重、激活函数和进化阈值;EWi,2、fi,2、Ebi,2分别表示隐含层到输出层的进化权重、激活函数和进化阈值,h为巡航高度,v为巡航速度,d为航向,TFFR为总燃油流量,OENi为隐含层神经元。
进一步的,所述神经网络ACENN模型的建立方法包括:
获取巡航阶段的运行数据形成样本集;
将所述样本集输入至自动分类器中进行分类;
对各个分类下的每组样本数据进行标准化处理;
对标准化处理后的每组样本数据进行训练,得到神经网络ACENN模型。
进一步的,所述运行数据包括巡航高度、巡航速度、航向、左发燃油流量和右发燃油流量;所述样本数据包括:巡航高度、巡航速度、航向和总燃油流量。
进一步的,所述标准化处理公式如下:
其中,R表示样本中同一参数下的所有数据的集合,r表示待归一化的集合R内的单个数据,r′为标准化处理后的r。
进一步的,所述温室效应计算模型为:
其中,ΔT(H)为总温变潜势;H为温室效应度量的时间水平;和APGTPNOx(H)分别为气体CO2和NOX在时间水平H下的绝对脉冲全球温变潜势;/>为CO2的排放指数;S为巡航总时长;TFCR(t)为t时刻的总燃油流量;/>为t时刻的NOX实际排放指数。
进一步的,所述绝对脉冲全球温变潜势的计算公式为:
其中,APGTPX(H)为气体X在时间水平H下的绝对脉冲全球温变潜势;AX为单位质量温室气体浓度改变的辐射强迫;a0为耦合系数、ak为第一系列计算系数、αk为第二系列计算系数、cj为第三系列计算系数、dj为第四系列计算系数,α为NOX寿命长度,e为自然常数。
进一步的,所述NOX实际排放指数的计算公式为:
其中,为NOX的实际排放指数;/>为外界大气相对湿度;pv为饱和蒸气压,为NOX基准排放指数,δ为外界大气压强与标准海平面大气压强的比值;θ为外界大气温度与标准海平面大气温度的比值。
进一步的,所述NOX基准排放指数的计算公式为:
其中,为NOX基准排放指数,p1、p2、p3、p4分别为第一拟合系数、第二拟合系数、第三拟合系数和第四拟合系数,FCR*为基准单发燃油流量,M为巡航马赫数,FCR为实际单发燃油流量。
一种航空器巡航温室效应计算系统,所述系统包括:
获取模块:用于获取航空器巡航轨迹数据;
神经网络ACENN模型建立模块:用于建立航空器巡航燃油流量估算的神经网络ACENN模型;
总燃油流量计算模块:用于将所述航空器巡航轨迹数据代入神经网络ACENN模型,计算得到总燃油流量;
总温变潜势计算模块:用于将所述总燃油流量代入温室效应计算模型计算得到总温变潜势。
一种航空器巡航温室效应计算系统,所述系统包括处理器和存储介质;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行上述所述方法的步骤。
计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述所述方法的步骤。
与现有技术相比,本发明所达到的有益效果是:
本发明根据航空器巡航轨迹数据定量评估其巡航阶段的温室效应,可以直观度量航空器运行的环境影响程度;通过ACENN模型利用航空器巡航轨迹数据,引入进化操作,解决了现有油耗估算模型对飞行参数依赖程度较高的技术问题,具备精确度高、实用性强的优点;本发明为实际应用中的燃油消耗计算和环境影响评价提供了更科学、更系统的模型和方法基础,可用于定量评价航空器巡航轨迹绿色绩效,为航空器绿色巡航轨迹规划工作奠定基础。
附图说明
图1为本发明的总流程图;
图2为本发明提出的航空器巡航燃油流量估算ACENN模型示意图;
图3为本发明设计的ACENN模型训练算法流程图;
图4为本发明提出的NOX排放指数修正方法流程图。
具体实施方式:
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
本发明基于实际运行数据,构建更精确、更实用的巡航燃油流量估算的自分类进化神经网络(Automatically-Classifying Evoluted Neural Network,ACENN)模型,设计了高效、可靠的ACENN模型训练算法流程,提出NOx排放指数修正和巡航温室效应定量计算方法,为航空器运行油耗估算和环境影响定量评价提供一种更科学的模型和方法基础。
如图1所示,一种航空器巡航温室效应计算方法,所述方法包括:
步骤1:建立航空器巡航燃油流量估算的自分类进化神经网络ACENN模型,如图2所示,包括:
步骤1.1:定义航空器巡航过程中的燃油流量估算模型TFFR=ENN(h,v,d),其中,TFFR为总燃油流量,h为航空器巡航高度、v为巡航速度、d为航向。
步骤1.2:构建ACENN模型的自动分类器AC,从气压高度23600英尺起,每隔1000英尺为一类,分别记为CT(1)、CT(2)、CT(3)......
通过自动分类器AC,实现对输入数据进行自动分类的功能。具体的方法是,对于每一组数据,其所属类别为CT(i),其中,Ceiling[]为向上取整运算,记i的最大值为n。
步骤1.3:设计ACENN模型的进化神经网络ENN拓扑结构,对于每类数据CT(i),其对应一个进化神经网络模型ENN(i),ENN(i)是一个三层结构网络,具体是:
ENN(i)=(X,Z,Y(i),ENi,EWi,1,fi,1,Ebi,1,EWi,2,fi,2,Ebi,2),其中,X={h,v,d},为输入层;Z=TFFR,为输出层;Y={O1,O2...OENi},为隐含层,OENi为隐含层神经元;ENi为ENN(i)的进化隐含层神经元数目;EWi,1、fi,1、Ebi,1分别表示ENN(i)中输入层到隐含层的进化权重、激活函数和进化阈值;EWi,2、fi,2、Ebi,2分别表示ENN(i)中隐含层到输出层的进化权重、激活函数和进化阈值。
步骤2:训练航空器巡航燃油流量估算的自分类进化神经网络ACENN模型,如图3所示,具体的步骤是:
步骤2.1:样本的采集与处理:从飞机实际运行记录数据中,提取巡航阶段的运行数据形成样本集,每组数据包括巡航高度h、巡航速度v、航向d、左发燃油流量FFR1和右发燃油流量FFR2,并根据左发燃油流量FFR1和右发燃油流量FFR2获取总燃油流量TFFR:
TFFR=FFR1+FFR2。
例如,针对收集到的B737-800机型的QAR(快速存取记录器)中的实际飞行记录数据进行清洗和处理,提取巡航阶段的运行数据形成样本集,每组数据包括巡航高度h(单位:英尺)、巡航速度v(单位:千米/时)、航向d(单位:度)、左发燃油流量FFR1(单位:千克/时)和右发燃油流量FFR2(单位:千克/时),并获取总燃油流量TFFR(单位:千克/时):
步骤2.2:将步骤2.1中样本集的每组数据,包括巡航高度h、巡航速度v、航向d和总燃油流量TFFR,输入自动分类器AC中完成分类。
步骤2.3:对各个分类下的每组样本数据进行标准化处理,处理方法为:
其中,R表示样本中同一参数下的所有数据的集合,r表示待归一化的集合R内的单个数据,标准化后r′∈[0,1],r′为标准化处理后的r。
步骤2.4:从第一类数据集CT(1)开始,依次进行训练得到进化神经网络ENN(i)并保存,直至i增长至最大值n,由此形成ACENN模型:
ACENN=(AC,ENN(i))
即:
ACENN=(AC,ENN(1),ENN(2)...ENN(i)...ENN(n-1),ENN(n)),其中i∈[1,n]。
对于第i组分类下的进化神网络ENN(i),获取的方法是:
步骤2.4.1:随机生成ENN(i)的初始权重、初始阈值、隐含层神经元数目的初始种群,对ENN(i)进行初始化,将归一化后的数据输入网络,在学习率为0.01、训练目标为10e-3、最大训练次数为1000、输入层到隐含层的激活函数使用Tansig函数、隐含层到输出层的激活函数使用Purelin函数的条件下对网络进行训练,计算实际输出与期望输出的均方误差,以误差反向传播的学习算法调整神经网络权值,直至满足学习要求;
步骤2.4.2:测试此时的网络误差,作为适应度值;
步骤2.4.3:以轮盘选择、两点交叉、离散变异、精英保留的策略进行进化操作,将种群大小定义为100,变量的二进制位数为16,交叉、变异概率分别为0.85和0.01,代沟为0.9。生成ENN(i)的初始权重、初始阈值和隐含层神经元数目的新种群;
步骤2.4.4:重复上述过程,直至进化代数达到100,满足终止条件,选取网络均方误差最小值对应的个体作为ENN(i)的初始权重、初始阈值和隐含层神经元数目,再次训练获得进化参数EWi,1、EWi,2、Ebi,1、Ebi,2、ENi,进而得到CT(i)类别下的进化神网络ENN(i)。
步骤3:利用ACENN模型计算航空器巡航过程中的燃油流量时间序列,包括:
步骤3.1:收集航空器巡航轨迹数据,以2019年10月7日以B737-800机型执飞成都-北京航段的ZH9164航班为例,从VariFlight飞行轨迹实时跟踪雷达记录中获取该航班的ADS-B数据(包括航班号、应答机编码、时刻、航向、气压高度、地速、经度和纬度),进行单位转换形成输入层数据,包括各个时刻t下的h(t)、v(t)、d(t)。
步骤3.2:将输入层数据输入到ACENN模型中,得到各个时刻的总燃油流量TFFR(t),计算得出各个时刻的单发燃油流量FFR(t):
FFR(t)=TFFR(t)/m,其中,m为发动机个数,B737-800机型的发动机个数为2。
步骤4:计算航空器巡航过程中的温室气体排放量,包括:
步骤4.1:提出一种NOx排放指数进修正方法,具体步骤是:
步骤4.1.1:将实际单发燃油流量FCR,根据巡航条件修正为基准燃油流量FCR*,如附图4所示,修正方法是:
其中,FCR为实际单发燃油流量,FCR*为修正后的基准单发燃油流量;δ为外界大气压强与标准海平面大气压强(1013.2hPa)的比值;θ为外界大气温度与标准海平面大气温度(288K)的比值;e为自然常数;M为巡航马赫数;
步骤4.1.2:根据发动机基本排放数据,对基准单发燃油流量FCR*和NOX基准排放指数进行拟合,得出FCR*与/>间的拟合关系表达式:
其中,p1、p2、p3、p4分别为第一拟合系数、第二拟合系数、第三拟合系数和第四拟合系数。
通过拟合关系,能够获取单发燃油流量FCR*对应的NOX基准排放指数
步骤4.1.3:将NOX基准排放指数转换回实际巡航条件下的实际排放指数转换方法是:
其中,为NOX的实际排放指数,表示在实际巡航条件下消耗1kg航空燃油产生的NOX量;/>为外界大气相对湿度;pv为饱和蒸气压,计算方法是:
其中,T为外界大气温度。
根据步骤4.4.1-4.4.3,结合气象数据,可以由t时刻的单发燃油流量FFR(t),获取t时刻的NOX实际排放指数
步骤4.1.4:从美国怀俄明州立大学发布的高空探空气象数据中,获取该航班航路周围探测站点的气象数据(包括大气压强、温度、相对湿度等),以此为样本点,使用空间插值法获得各个航段不同高度层的气象数据,插值的方法为:
其中,Z为待插点的值;Zu为第u个样本点的实测数据;lu为第u个样本点距离待插点的距离。
根据上述方法,结合步骤3.2中获得的单发燃油流量FFR(t),获取每个时刻的NOX实际排放指数
步骤4.2:计算NOx的排放量,计算方法为:
其中,/>为NOx排放量;S为巡航总时长。
步骤4.3:计算CO2的排放量,计算方法为:
其中,/>为CO2排放量;TFCR(t)为t时刻的总燃油流量;为CO2的排放指数,表示消耗1kg航空燃油产生的CO2量,在航空燃油种类不变的条件下,/>保持恒定,无需修正,对于B737-800飞机选装的CFM56-7B26发动机,CO2排放指数为3.155。
步骤5:定量计算航空器巡航过程产生的温室效应,包括:
步骤5.1:计算温室气体的绝对脉冲全球温变潜势,计算公式如下:
其中,H为温室效应度量的时间水平;APGTPX(H)为气体X(CO2或NOX)在时间水平H下的绝对脉冲全球温变潜势;AX为单位质量温室气体浓度改变的辐射强迫;a0为耦合系数、ak为第一系列计算系数、αk为第二系列计算系数、cj为第三系列计算系数、dj为第四系列计算系数,α为NOX寿命长度,e为自然常数。
步骤5.2:计算航空器巡航阶段产生的CO2和NOX造成的综合温变影响,计算方法是:
其中,ΔT(H)为总温变潜势,表示单航空器巡航过程中的温室气体排放在时间水平H下造成的全球平均地表温度的变化。
根据步骤4.2和4.3,将温室气体排放量代入,可得航空器巡航阶段温室效应计算模型:
根据此模型,将步骤3.2中获取的总燃油流量时间序列代入,可定量计算ZH9164航班巡航阶段在不同时间水平H下造成的综合全球温变影响。
一种航空器巡航温室效应计算系统,所述系统包括:
获取模块:用于获取航空器巡航轨迹数据;
神经网络ACENN模型建立模块:用于建立航空器巡航燃油流量估算的神经网络ACENN模型;
总燃油流量计算模块:用于将所述航空器巡航轨迹数据代入神经网络ACENN模型,计算得到总燃油流量;
总温变潜势计算模块:用于将所述总燃油流量代入温室效应计算模型计算得到总温变潜势。
一种航空器巡航温室效应计算系统,所述系统包括处理器和存储介质;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行上述所述方法的步骤。
计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述所述方法的步骤。
本发明通过建立自动分类器,基于巡航高度层对燃油流量进行分类建模,更能符合航空器实际运行的特点;本发明设计的ACENN模型训练算法流程,利用实际运行数据,引入进化操作,得出的自分类进化神经网络,解决了现有油耗估算模型对飞行参数依赖程度较高的技术问题,具备精确度高、实用性强的优点;本发明所述的基于ACENN模型和NOx排放指数修正方法的航空器巡航温室效应定量计算方法和系统,可根据航空器航迹信息,定量计算其巡航阶段的温室效应,直观度量航空器运行的环境影响程度,为航空器运行油耗估算和环境影响定量评价提供更科学、更系统的方法和工具。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上仅为本发明的实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均包含在申请待批的本发明的权利要求范围之内。

Claims (3)

1.一种航空器巡航温室效应计算方法,其特征在于,所述方法包括:
获取航空器巡航轨迹数据;
建立航空器巡航燃油流量估算的神经网络ACENN模型;
将所述航空器巡航轨迹数据代入神经网络ACENN模型,计算得到总燃油流量;
将所述总燃油流量代入温室效应计算模型计算得到总温变潜势;
所述神经网络ACENN模型的公式为:
ACENN=(AC,ENN(i)),
其中,AC为自动分类器,ENN为进化神经网络,i为所在类别;
所述进化神经网络的拓扑结构为:
ENN(i)=(X,Z,Y(i),ENi,EWi,1,fi,1,Ebi,1,EWi,2,fi,2,Ebi,2),
X={h,v,d},
Z=TFFR,
Y={O1,O2...OENi},
其中,X为输入层;Z为输出层;Y为隐含层;ENi为进化隐含层神经元数目;EWi,1、fi,1、Ebi,1分别表示输入层到隐含层的进化权重、激活函数和进化阈值;EWi,2、fi,2、Ebi,2分别表示隐含层到输出层的进化权重、激活函数和进化阈值,h为巡航高度,v为巡航速度,d为航向,TFFR为总燃油流量,OENi为隐含层神经元;
所述神经网络ACENN模型的建立方法包括:
获取巡航阶段的运行数据形成样本集;
将所述样本集输入至自动分类器中进行分类;
对各个分类下的每组样本数据进行标准化处理;
对标准化处理后的每组样本数据进行训练,得到神经网络ACENN模型;
所述温室效应计算模型为:
其中,△T(H)为总温变潜势;H为温室效应度量的时间水平;和APGTPNOx(H)分别为气体CO2和NOX在时间水平H下的绝对脉冲全球温变潜势;/>为CO2的排放指数;S为巡航总时长;TFCR(t)为t时刻的总燃油流量;/>为t时刻的NOX实际排放指数;
所述绝对脉冲全球温变潜势的计算公式为:
其中,APGTPX(H)为气体X在时间水平H下的绝对脉冲全球温变潜势;AX为单位质量温室气体浓度改变的辐射强迫;a0为耦合系数、ak为第一系列计算系数、αk为第二系列计算系数、cj为第三系列计算系数、dj为第四系列计算系数,α为NOX寿命长度,e为自然常数;
所述NOX实际排放指数的计算公式为:
其中,为NOX的实际排放指数;/>为外界大气相对湿度;pv为饱和蒸气压,/>为NOX基准排放指数,δ为外界大气压强与标准海平面大气压强的比值;θ为外界大气温度与标准海平面大气温度的比值;
所述NOX基准排放指数的计算公式为:
其中,为NOX基准排放指数,p1、p2、p3、p4分别为第一拟合系数、第二拟合系数、第三拟合系数和第四拟合系数,FCR*为基准单发燃油流量,M为巡航马赫数,FCR为实际单发燃油流量。
2.根据权利要求1所述的一种航空器巡航温室效应计算方法,其特征在于,所述运行数据包括巡航高度、巡航速度、航向、左发燃油流量和右发燃油流量;所述样本数据包括:巡航高度、巡航速度、航向和总燃油流量。
3.根据权利要求1所述的一种航空器巡航温室效应计算方法,其特征在于,所述标准化处理公式如下:
其中,R表示样本中同一参数下的所有数据的集合,r表示待归一化的集合R内的单个数据,r′为标准化处理后的r。
CN202010360755.8A 2020-04-29 2020-04-29 一种航空器巡航温室效应计算方法 Active CN111581801B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010360755.8A CN111581801B (zh) 2020-04-29 2020-04-29 一种航空器巡航温室效应计算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010360755.8A CN111581801B (zh) 2020-04-29 2020-04-29 一种航空器巡航温室效应计算方法

Publications (2)

Publication Number Publication Date
CN111581801A CN111581801A (zh) 2020-08-25
CN111581801B true CN111581801B (zh) 2024-05-24

Family

ID=72115154

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010360755.8A Active CN111581801B (zh) 2020-04-29 2020-04-29 一种航空器巡航温室效应计算方法

Country Status (1)

Country Link
CN (1) CN111581801B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109738035A (zh) * 2019-01-21 2019-05-10 南京航空航天大学 基于ads-b航迹数据的航空器油耗计算方法
CN110276479A (zh) * 2019-05-31 2019-09-24 南京航空航天大学 飞机质量变化的巡航阶段燃油消耗预测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109738035A (zh) * 2019-01-21 2019-05-10 南京航空航天大学 基于ads-b航迹数据的航空器油耗计算方法
CN110276479A (zh) * 2019-05-31 2019-09-24 南京航空航天大学 飞机质量变化的巡航阶段燃油消耗预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于降低温室效应的航空器运行策略;王中凤燕等;《环境保护科学》;第第42卷卷(第第4期期);第126-132页 *
高空飞行的环境影响研究进展;王中凤燕等;《环境保护科学》;第第43卷卷(第第3期期);第100-105页 *

Also Published As

Publication number Publication date
CN111581801A (zh) 2020-08-25

Similar Documents

Publication Publication Date Title
CN110782093B (zh) 融合ssae深度特征学习和lstm的pm2.5小时浓度预测方法及系统
CN106920007B (zh) 基于二阶自组织模糊神经网络的pm2.5智能预测方法
CN111814956B (zh) 一种基于多维度二次特征提取的多任务学习的空气质量预测方法
CN112966853B (zh) 基于时空残差混合模型的城市路网短时交通流预测方法
CN108107911A (zh) 一种太阳能飞机自主寻优航迹规划方法
CN110020712B (zh) 一种基于聚类的优化粒子群bp网络预测方法和系统
CN110766200A (zh) 一种基于K-means均值聚类的风电机组发电功率预测方法
CN110633790B (zh) 基于卷积神经网络的飞机油箱剩余油量测量方法和系统
CN108428017A (zh) 基于核极限学习机分位数回归的风电功率区间预测方法
CN115564114A (zh) 一种基于图神经网络的空域碳排放短期预测方法及系统
CN116204779B (zh) 一种判断储能盐穴运行状态的方法、系统及可读存储介质
CN109615147A (zh) 一种未来72小时大气污染预报预警方法
CN114322199A (zh) 基于数字孪生的通风系统自主优化运行调控平台及方法
CN113987912A (zh) 一种基于地理信息的污染物在线监测系统
CN115034126A (zh) 一种通过灰狼算法优化lstm神经网络模型的方法与系统
CN104835073A (zh) 基于直觉模糊熵权的无人飞行器控制系统运行绩效评价方法
CN115481658A (zh) 一种针对航空发动机故障预测的脉冲回声状态网络模型
CN110988263B (zh) 一种基于改进的Stacking模型的车辆尾气浓度估计方法
CN116187822A (zh) 一种基于模型预测的污染物网格化监测与评估方法
Xu et al. Analysis and prediction of vehicle exhaust emission using ann
CN111581801B (zh) 一种航空器巡航温室效应计算方法
CN110598914B (zh) 一种多因素影响下矿井灾害气体浓度区间预测方法及系统
CN117370766A (zh) 一种基于深度学习的卫星任务规划方案评估方法
CN117634678A (zh) 基于实际运行场景的低碳园区碳排放预测方法
CN111126827A (zh) 一种基于bp人工神经网络的投入产出核算模型构建方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant