CN115238531B - 一种基于多情景的机场环境承载力预测方法 - Google Patents

一种基于多情景的机场环境承载力预测方法 Download PDF

Info

Publication number
CN115238531B
CN115238531B CN202211161752.7A CN202211161752A CN115238531B CN 115238531 B CN115238531 B CN 115238531B CN 202211161752 A CN202211161752 A CN 202211161752A CN 115238531 B CN115238531 B CN 115238531B
Authority
CN
China
Prior art keywords
airport
bearing capacity
environment
development
environmental
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
CN202211161752.7A
Other languages
English (en)
Other versions
CN115238531A (zh
Inventor
万莉莉
叶文婧
张天赐
王湛
田勇
汪许诺
梁满佳
牛科新
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 CN202211161752.7A priority Critical patent/CN115238531B/zh
Publication of CN115238531A publication Critical patent/CN115238531A/zh
Application granted granted Critical
Publication of CN115238531B publication Critical patent/CN115238531B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/10—Noise analysis or noise optimisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于多情景的机场环境承载力预测方法，计算机场运行与环境影响相关的CO2排放量、NOx浓度和噪声等级作为环境指标。基于IPAT环境影响模型，结合机场运行特征，得到机场环境影响因素。将机场碳排放环境承载力、机场大气污染环境承载力和机场噪声环境承载力的预测值代入机场环境承载力多维度预测模型，对不同机场发展情景下机场环境承载力进行预测。本发明解决了机场发展模式发生变化时，机场环境承载力多维度综合预测问题，对于机场绿色低碳发展方向具有指导意义。

Description

一种基于多情景的机场环境承载力预测方法
技术领域
本发明涉及一种基于多情景的机场环境承载力预测方法，属于航空飞机智能化管制技术领域。
背景技术
近年来，航空运输业在提供便利与快捷的同时，引发的环境问题也越来越严重。单单对污染进行事后处理已经远远跟不上污染的排放速度，航空增长率和环境改善率之间的差距在不断扩大，对环境的影响日益增加。众多研究表明，机场作为航空运输的重要枢纽，其范围内航空器起降带来的空气污染和噪声污染等会影响机场周边居民的生活质量和健康，有必要从环境角度对污染的源头即航班规模进行管控，因此对机场环境承载力进行预测具有重要意义。
目前，对机场环境承载力的研究在考虑环境对机场容量限制时只包含了噪声污染和空气污染，随着“双碳目标”的提出，机场环境承载力的概念也应当随之更新，增加对机场碳排放的约束，引导机场绿色低碳发展。此外，现有研究中对于机场环境承载力的预测，都是基于现有社会经济环境和机场运行情况，并未考虑到机场发展的多样性，而由于政策和技术水平的变化，机场环境承载力的发展模式有多种可能性。
发明内容
目的：为了克服现有技术中存在的不足，本发明提供一种基于多情景的机场环境承载力预测方法，以解决现有技术中机场环境承载力预测维度不足和发展模式单一的问题。
为解决上述技术问题，本发明采用的技术方案为：
一种基于多情景的机场环境承载力预测方法，包括以下步骤：
计算机场运行与环境影响相关的CO2排放量、NOx浓度和噪声等级作为环境指标。
基于IPAT环境影响模型，结合机场运行特征，得到机场环境影响因素。
根据机场环境影响因素变化率，构建机场发展情景。
根据历史机场环境影响因素值，获取机场环境影响因素预测值。
将机场环境影响因素预测值输入训练好的BP神经网络模型，获取待测年份的CO2排放量、NOx浓度和噪声等级的预测值。
根据待测年份的CO2排放量的预测值，获取机场碳排放环境承载力。
根据待测年份的NOx浓度的预测值，获取机场大气污染环境承载力。
根据待测年份的噪声等级的预测值，获取机场噪声环境承载力。
将机场碳排放环境承载力、机场大气污染环境承载力和机场噪声环境承载力的预测值代入机场环境承载力多维度预测模型，对不同机场发展情景下机场环境承载力进行预测。
作为优选方案，所述CO2排放量，计算公式如下：
Figure DEST_PATH_IMAGE001
式中：E为各类航空器所有起降循环的CO2排放总量；I为航空燃油的CO2排放系数；n i 为i类航空器起降循环总数。
其中，F i 计算公式如下：
Figure 370114DEST_PATH_IMAGE002
式中：F i 为一架i类航空器一个起降循环中消耗的燃油量；j为一个起降循环内的4个运行阶段，分别为起飞、爬升、进近和滑行；R ij 为一架i类航空器的一个发动机在j运行阶段的燃油消耗率；N i 为一架i类航空器配备的发动机数量；T ij 为一架i类航空器在j运行阶段的标准时长。
作为优选方案，所述NOx浓度是机场附近任何受体点(x,y)的污染物NOx浓度
Figure DEST_PATH_IMAGE003
，计算公式如下：
Figure 83992DEST_PATH_IMAGE004
其中，
Figure DEST_PATH_IMAGE005
为污染线源k在受体点(x,y)处的污染物NOx浓度。
Figure 286565DEST_PATH_IMAGE006
其中，
Figure DEST_PATH_IMAGE007
为污染线源k的排放强度，kϵ{起飞、着陆、攀爬、下降、地面运输}；
Figure 212933DEST_PATH_IMAGE008
和
Figure DEST_PATH_IMAGE009
为污染线源k在y方向、z方向的沉降系数；
Figure 824043DEST_PATH_IMAGE010
为污染面源k的长度，V W 为风向，y为受体 点的长度，
Figure 239981DEST_PATH_IMAGE012
为圆周率。
作为优选方案，所述噪声等级以各敏感点噪声级以一天内的计权等效连续感觉噪 声级
Figure DEST_PATH_IMAGE013
表示，计算公式如下：
Figure 91303DEST_PATH_IMAGE014
其中：
Figure DEST_PATH_IMAGE015
为一天内N次飞行次数的有效感觉噪声级的平均值；N 1 为日间飞行架 次；N 2 为晚间飞行架次；N 3 为夜间飞行架次。
作为优选方案，所述基于IPAT环境影响模型，结合机场运行特征，得到机场环境影响因素，包括：
基于IPAT环境影响模型，结合机场运营特征，从人口、富裕程度、技术三个维度选取机场旅客吞吐量、航空器起降架次、城市人均GDP、机场航空性收入和航空器能源消耗量作为机场环境影响因素。
作为优选方案，所述根据机场环境影响因素变化率，构建机场发展情景，包括：
机场旅客吞吐量、航空器起降架次、城市人均GDP、机场航空性收入和航空器能源消耗量变化率与历史数据保持一致，民航业保持以往的模式继续发展的情景作为常规发展情景。
在常规发展情景的基础上，机场旅客吞吐量、航空器起降架次、城市人均GDP、机场航空性收入变化率得到进一步增长的情景作为和谐发展情景。
在和谐发展情景的基础上，机场旅客吞吐量、航空器起降架次、城市人均GDP因素变化率和航空器能源消耗量与和谐发展情景保持一致，机场航空性收入较和谐发展情景得到提升的情景作为绿色发展情景。
作为优选方案，所述根据历史机场环境影响因素值，获取机场环境影响因素预测值，包括：
所述机场环境影响因素预测值，计算公式如下：
Figure 352520DEST_PATH_IMAGE016
式中：
Figure DEST_PATH_IMAGE017
是机场环境影响因素e第t年的预测值，
Figure 818137DEST_PATH_IMAGE018
是机场环境影响因素e第t-1 年的历史值，
Figure DEST_PATH_IMAGE019
是t年的变化率，t为年份。
作为优选方案，所述将机场环境影响因素预测值输入训练好的BP神经网络模型，获取待测年份的CO2排放量、NOx浓度和噪声等级的预测值，包括：
对机场环境影响因素历史数据序列进行归一化处理，获得归一化后的机场环境影响因素历史数据序列，其计算公式如下：
Figure 608238DEST_PATH_IMAGE020
式中，
Figure DEST_PATH_IMAGE021
为历史年份i指标j的原始值，j∈{机场旅客吞吐量，航空器起降架次，城 市人均GDP，机场航空性收入，航空器能源消耗量}，
Figure 926349DEST_PATH_IMAGE022
和
Figure DEST_PATH_IMAGE023
分别为历史年份i一定 时，指标j的最大值和最小值，
Figure 584733DEST_PATH_IMAGE024
是指标值
Figure DEST_PATH_IMAGE025
归一化的结果。
初始化BP神经网络的模型，确定输入层、输出层和隐含层神经元个数；其中，输入层为5层，包括机场旅客吞吐量、航空器起降架次、城市人均GDP、机场航空性收入和航空器能源消耗量；隐含层的节点数为6层；输出层为3层，包括CO2排放量、NOx浓度和噪声等级；将归一化后的机场环境影响因素历史数据序列和对应的CO2排放量、NOx浓度和噪声等级作为训练样本输入BP神经网络进行训练，得到训练好的BP神经网络模型。
将环境影响因素预测值序列输入训练好的BP神经网络模型，获取待测年份的CO2排放量、NOx浓度和噪声等级的预测值。
作为优选方案，根据待测年份的CO2排放量的预测值，获取机场碳排放环境承载力，包括：
若在s模式发展情景下，机场碳排放量CE不能在p年或之前达到峰值，则机场碳排放环境承载力为：
Figure 170435DEST_PATH_IMAGE026
其中，
Figure DEST_PATH_IMAGE027
为s模式发展情景下的机场碳排放环境承载力；
Figure 895552DEST_PATH_IMAGE028
为s模式发展情 景下p年对应的机场空中交通量；
Figure DEST_PATH_IMAGE029
，
Figure 199494DEST_PATH_IMAGE030
表示常规发展模式，
Figure DEST_PATH_IMAGE031
表示和谐发展 模式，
Figure 271356DEST_PATH_IMAGE032
表示绿色发展模式。
若CE在p年或之前达到峰值，则碳排放指标不对机场空中交通量产生约束，机场碳排放环境承载力为：
Figure DEST_PATH_IMAGE033
其中，
Figure 977143DEST_PATH_IMAGE027
为s模式发展情景下的机场碳排放环境承载力，
Figure 407250DEST_PATH_IMAGE034
为无穷大。
根据待测年份的NOx浓度的预测值，获取机场大气污染环境承载力，包括：
在s模式发展情景下，机场大气污染环境承载力计算公式如下：
Figure DEST_PATH_IMAGE035
其中，
Figure 932909DEST_PATH_IMAGE036
为s模式下机场大气污染环境承载力；PC为NOx浓度预测值，
Figure DEST_PATH_IMAGE037
机场NOx浓度预测值序列与机场空中交通量预测值序列关系。
根据待测年份的噪声等级的预测值，获取机场噪声环境承载力，包括：
在s模式发展情景下，机场噪声环境承载力计算公式如下：
Figure 697210DEST_PATH_IMAGE038
其中，
Figure DEST_PATH_IMAGE039
为s模式下机场噪声环境承载力；NL为噪声等级预测值，
Figure 257504DEST_PATH_IMAGE040
机场 噪声等级预测值序列与机场空中交通量预测值序列关系。
作为优选方案，所述将机场碳排放环境承载力、机场大气污染环境承载力和机场噪声环境承载力的预测值代入机场环境承载力多维度预测模型，对不同机场发展情景下机场环境承载力进行预测，包括：
根据机场碳排放环境承载力、机场大气污染环境承载力和机场噪声环境承载力的预测值，求解不同机场发展情景下的机场环境承载力多维度预测模型，得到不同机场发展情景下机场环境承载力的预测值。
所述机场环境承载力多维度预测模型的计算公式如下：
Figure DEST_PATH_IMAGE041
其中，
Figure 91468DEST_PATH_IMAGE042
为s模式发展情景下的机场环境承载力；
Figure DEST_PATH_IMAGE043
为s模式发展情景下 的机场碳排放环境承载力，
Figure 838844DEST_PATH_IMAGE044
为s模式下机场大气污染环境承载力，
Figure DEST_PATH_IMAGE045
为s模式 下机场噪声环境承载力同，
Figure 878606DEST_PATH_IMAGE046
；s 1 表示常规发展模式，s 2 表示和谐发展模式，s 3 表示绿色发展模式。
本发明提供的一种基于多情景的机场环境承载力预测方法，与现有技术相比，本发明所达到的有益效果是：
（1）本发明选取了碳排放量、大气污染物浓度、噪声等级三项环境指标，结合机场空域结构、空中交通流时空分布特性和航空器性能，提取机场环境承载力影响要素序列，充分考虑了机场环境承载力的影响因素，从多种维度综合预测机场环境承载力。
（2）本发明根据绿色机场建设发展需求，构建常规发展、和谐发展和绿色发展三种模式的机场发展情景，综合构建机场环境承载力多元预测模型，从而得到不同发展模式下的机场环境承载力，便于根据机场实际发展情况确定机场空中交通量阈值，对于指导机场绿色发展具有重要意义。
附图说明
图1为本发明方法的流程图。
图2为BP神经网络结构示意图。
图3为碳排放预测值的年份折线图。
具体实施方式
下面结合具体实施例对本发明作更进一步的说明。
如图1所示，一种基于多情景的机场环境承载力预测方法，包括以下步骤：
选取机场运行与环境影响密切相关的碳排放量、NOx浓度和噪声等级三个参数作为环境指标，使用ICAO碳排放计算模型、AERMOD大气扩散模型、噪声分析模型分别对环境指标进行计算。
基于IPAT环境影响模型，结合机场运行特征，得到机场环境影响因素。机场环境影响因素为机场旅客吞吐量、航空器起降架次、城市人均GDP、机场航空性收入、航空器能源消耗量。
根据机场发展需求和对历史运行数据的统计分析，构建常规发展、和谐发展和绿色发展三种模式的机场发展情景，设置不同机场发展情景下的机场环境影响要素预测值序列，将其代入BP神经网络模型中得到对应的三项环境指标预测值序列。
根据“碳达峰”目标确定机场碳排放环境承载力，通过线性回归模型、多项式回归模型确定机场空中交通量与NOx浓度、噪声等级的关联关系后，根据环境质量标准限制确定机场大气污染环境承载力、机场噪声环境承载力，建立机场环境承载力多维度预测模型，对不同发展情景下进行机场环境承载力预测。
进一步的，所述CO2排放量通过ICAO碳排放计算模型进行计算，计算公式如下：
Figure 699932DEST_PATH_IMAGE001
式中：E为各类航空器所有起降循环的CO2排放总量（kg）；I为航空燃油的CO2排放系数（kg/kg CO2）；n i 为i类航空器起降循环总数。
其中，耗油量F i 计算公式为：
Figure 970376DEST_PATH_IMAGE002
式中：F i 为一架i类航空器一个起降循环中消耗的燃油量（kg）；j为一个起降循环内的4个运行阶段，分别为起飞、爬升、进近和滑行；R ij 为一架i类航空器的一个发动机在j运行阶段的燃油消耗率（kg▪s-1）；N i 为一架i类航空器配备的发动机数量；T ij 为一架i类航空器在j运行阶段的标准时长。（s）。
进一步的，所述NOx浓度通过AERMOD大气扩散模型计算，计算过程包括如下步骤：
步骤1：所述NOx排放量计算公式如下：
Figure DEST_PATH_IMAGE047
式中：SS为NOx的排放量；EG i 为机型i的发动机数量；FF i 型i单个发动机燃油效率；EI i 型i的NOx的排放指数，可通过ICAO数据库获得；t i 为i型的飞行时间。
步骤2：所述NOx浓度是各污染源浓度的总和。机场附近任何受体点(x,y)的污染物 浓度
Figure 470628DEST_PATH_IMAGE003
可以表示为：
Figure 360086DEST_PATH_IMAGE004
其中，
Figure 659087DEST_PATH_IMAGE005
为污染线源k在受体点(x,y)处的污染物NOx浓度。
所述航空器LTO循环中的起飞、爬升和进近阶段产生的NOx浓度通过污染线源扩散模式进行计算：
由飞机形成的污染线源k产生的污染物浓度
Figure 366012DEST_PATH_IMAGE005
可表示为：
Figure 760084DEST_PATH_IMAGE048
Figure DEST_PATH_IMAGE049
其中，
Figure 46709DEST_PATH_IMAGE007
为污染线源k的NOx排放强度g/(ms) ，kϵ{起飞、着陆、攀爬、下降、地面运 输}；V W 为风向；y k 为污染线源k与原点的距离；
Figure 436102DEST_PATH_IMAGE008
和
Figure 189294DEST_PATH_IMAGE009
为y方向、z方向的沉降系数；z为 受体点的高度；H k 为污染线源的平均高度k；
Figure 696761DEST_PATH_IMAGE050
为污染线源k长度的一半，y为受体点的长度。
所述航空器LTO循环中的滑行阶段产生的NOx扩散模式为面源扩散，通过将面源扩 散模式转化为点原扩散模型进行计算：
Figure 193602DEST_PATH_IMAGE006
其中，
Figure 703081DEST_PATH_IMAGE010
为污染面源k的长度，
Figure 486229DEST_PATH_IMAGE007
为污染线源k的排放强度，y为受体点的长度。
进一步的，所述机场噪声分析模型如下：
所述噪声等级以各敏感点噪声级以一天内的计权等效连续感觉噪声级
Figure 854893DEST_PATH_IMAGE013
表 示，计算公式如下：
Figure 483321DEST_PATH_IMAGE014
式中：
Figure 877000DEST_PATH_IMAGE015
为N次飞行次数（一天内）的有效感觉噪声级（EPNL）的平均值；N 1 为日间 飞行架次；N 2 为晚间飞行架次；N 3 为夜间飞行架次，取全年范围内的均值；其中：
Figure DEST_PATH_IMAGE051
式中：
Figure 34311DEST_PATH_IMAGE052
为飞机在航迹j上第i次飞行任务对某观测点造成的单次噪声事件的有 效感觉噪声级，一般通过由NPD曲线拟合进行计算：
Figure DEST_PATH_IMAGE053
式中：A，B，C为拟合所得的某种飞机的NPD曲线的系数；D为飞机到观测点的支线距离。
进一步的，所述IPAT模型，将环境影响视为人口、富裕程度、技术的函数，公式表达为:I(环境影响，Environmental Impact)=P(人口，Population) ×A(富裕水平，Affluence)×T(技术，Technology)。
基于IPAT环境影响模型，结合机场运营特征，从人口、富裕程度、技术三个维度选取机场环境影响因素，分别为：机场旅客吞吐量、航空器起降架次、城市人均GDP、机场航空性收入、航空器能源消耗量。
进一步的，所述机场发展情景包括：
所述常规发展情景指民航业保持以往的模式继续发展的发展情景，该情景中假设各环境影响因素变化率与历史数据保持一致；
所述和谐发展情景是指在常规发展情景的基础上，没有采取新的减排措施和节能技术,机场旅客吞吐量、航空器起降架次、城市人均GDP、机场航空性收入得到进一步增长，机场通过采取减排措施、运用节能技术、改进能源结构，使得能源消耗量降低。
所述绿色发展情景是指在和谐发展情景的基础上，加强节能减排程度的情景。该情景中假设机场旅客吞吐量、航空器起降架次、城市人均GDP因素变化率和航空器能源消耗量与和谐发展情景保持一致，机场航空性收入较和谐发展情景得到提升，以促进节能减排的投资；加大了减排措施力度，能源结构、节能技术得到了进一步优化。
进一步的，所述机场环境影响因素预测值序列计算方法为：
Figure 218168DEST_PATH_IMAGE016
式中：
Figure 915866DEST_PATH_IMAGE017
是机场环境影响因素e第t年的预测值，
Figure 275303DEST_PATH_IMAGE018
是机场环境影响因素e第t-1 年的历史值，
Figure 167298DEST_PATH_IMAGE019
是t年的变化率，t为年份。
进一步的，所述BP神经网络模型进行预测包括如下步骤：
步骤一，对机场环境影响因素历史数据序列进行归一化处理，公式为：
Figure 244975DEST_PATH_IMAGE020
式中，
Figure 746364DEST_PATH_IMAGE021
为历史年份i指标j的原始值，j∈{机场旅客吞吐量，航空器起降架次，城 市人均GDP，机场航空性收入，航空器能源消耗量}，
Figure 350520DEST_PATH_IMAGE022
和
Figure 787318DEST_PATH_IMAGE023
分别为历史年份i一定 时，指标j的最大值和最小值，
Figure 476925DEST_PATH_IMAGE024
是指标值
Figure 391792DEST_PATH_IMAGE025
归一化的结果。
如图2所示，步骤二，初始化BP神经网络的模型，确定输入层、输出层和隐含层神经元个数。其中，输入层为5层，即机场环境影响因素，包括机场旅客吞吐量、航空器起降架次、城市人均GDP、机场航空性收入、航空器能源消耗量；隐含层的节点数为6层；输出层为3层，即机场环境指标，包括碳排放量、NOx浓度、噪声等级。将机场环境影响因素历史数据序列归一化的结果和对应的CO2排放量、NOx浓度和噪声等级作为训练样本输入BP神经网络进行训练，得到训练好的BP神经网络模型。
步骤三，将环境影响因素预测值序列输入训练好的BP神经网络模型，获取所述待测年份的三项环境指标值。
进一步的，利用多项式回归模型拟合机场NOx浓度预测值序列与机场空中交通量预测值序列关系，公式如下：
Figure 348990DEST_PATH_IMAGE054
式中：
Figure DEST_PATH_IMAGE055
为s发展模式下某机场NOx浓度与机场空中交通量关系，x为机场空中 交通量，
Figure 550164DEST_PATH_IMAGE029
；
Figure 602434DEST_PATH_IMAGE056
，
Figure DEST_PATH_IMAGE057
，
Figure 337303DEST_PATH_IMAGE058
为s发展模式下通过多项式回归拟合得到的系数；
Figure 791418DEST_PATH_IMAGE030
表 示常规发展模式，
Figure 694652DEST_PATH_IMAGE031
表示和谐发展模式，
Figure 968638DEST_PATH_IMAGE032
表示绿色发展模式。
利用线性回归模型拟合机场噪声等级预测值序列与机场空中交通量预测值序列关系，公式如下：
Figure DEST_PATH_IMAGE059
式中：
Figure 84362DEST_PATH_IMAGE060
为s发展模式下某机场噪声等级与机场空中交通量关系，
Figure 517617DEST_PATH_IMAGE029
；
Figure DEST_PATH_IMAGE061
，
Figure 293550DEST_PATH_IMAGE062
为s发展模式下通过线性回归拟合得到的系数。
Figure 179466DEST_PATH_IMAGE030
表示常规发展模 式，
Figure 239826DEST_PATH_IMAGE031
表示和谐发展模式，
Figure 527588DEST_PATH_IMAGE032
表示绿色发展模式。
所述机场碳排放环境承载力的分析应当分两种情况，若在s模式发展情景下，机场碳排放量CE不能在p年或之前达到峰值，则机场碳排放环境承载力为：
Figure 647991DEST_PATH_IMAGE026
其中，
Figure 286783DEST_PATH_IMAGE027
为s模式发展情景下的机场碳排放环境承载力；
Figure 150833DEST_PATH_IMAGE028
为
Figure 794567DEST_PATH_IMAGE064
模式发展情 景下p年对应的机场空中交通量；
Figure 351450DEST_PATH_IMAGE029
，
Figure 946379DEST_PATH_IMAGE030
表示常规发展模式，
Figure 738755DEST_PATH_IMAGE031
表示和谐发展 模式，
Figure 610896DEST_PATH_IMAGE032
表示绿色发展模式。
若CE在p年或之前达到峰值，则碳排放指标不对机场空中交通量产生约束，机场碳排放环境承载力为：
Figure 463314DEST_PATH_IMAGE033
其中，
Figure 686485DEST_PATH_IMAGE027
为s模式发展情景下的机场碳排放环境承载力，
Figure 249928DEST_PATH_IMAGE034
为无穷大。
所述NOx是机场大气污染物中的最关键污染种类，以NOx作为机场大气污染物代表，计算机场大气污染环境承载力。
进一步的，所述根据环境质量标准，确定NOx大气浓度阈值，给出机场大气污染环境承载力预测方法指：
Figure DEST_PATH_IMAGE065
其中，
Figure 835630DEST_PATH_IMAGE066
为s模式下机场大气污染环境承载力；PC为NOx浓度预测值，
Figure DEST_PATH_IMAGE067
= 100μg/m3，为NOx大气浓度标准限值。
Figure 327792DEST_PATH_IMAGE068
机场NOx浓度预测值序列与机场空中交通量预测 值序列关系。
进一步的，所述根据噪声等级标准，确定噪声阈值，给出机场噪声环境承载力预测方法指：
Figure 631734DEST_PATH_IMAGE038
其中，
Figure 641278DEST_PATH_IMAGE039
为s模式下机场噪声环境承载力；NL为噪声等级预测值，
Figure DEST_PATH_IMAGE069
=70dB， 为机场周边噪声标准限值。
Figure 582952DEST_PATH_IMAGE040
机场噪声等级预测值序列与机场空中交通量预测值序列 关系。
进一步的，所述机场环境承载力多维度预测方法包括：
结合碳排放、大气污染浓度和噪声三个维度的机场环境承载力评价方法，建立机场环境承载力多维度综合预测模型：
Figure 511593DEST_PATH_IMAGE041
其中，
Figure 709357DEST_PATH_IMAGE042
为s模式发展情景下的机场环境承载力；
Figure 381646DEST_PATH_IMAGE046
；s 1 表示常规 发展模式，s 2 表示和谐发展模式，s 3 表示绿色发展模式。
实施例：
本发明设计的方法在实际的应用过程中，可以参考如下具体实施例：
如表1所示为某机场2010-2021年的环境指标和环境影响因素数据。
表1 某机场2010-2021年的环境指标和环境影响因素数据
Figure 348465DEST_PATH_IMAGE070
根据此机场各项环境影响因素历年变化趋势，结合民航业未来发展规划和目标，如“十四五”民用航空发展规划、“碳达峰碳中和”目标、四型机场建设目标等，设置常规发展情景、和谐发展情景、绿色发展情景三种发展情景下的因素变化率，以2021年为基准年，从而得到2022-2035年不同发展情景对应机场环境影响因素的预测值序列；不同的机场发展情景下的因素变化率设置如表2所示。
表2 不同发展情景下的因素变化率
Figure DEST_PATH_IMAGE071
将不同发展情景下的机场环境影响因素的预测值序列代入所述BP神经网络预测模型，得到三项环境影响指标的未来预测值。其中碳排放预测值情况如图3所示。
所述常规发展情景下机场环境承载力的计算包括如下步骤：
步骤1：在本实施例中，机场碳排放环境承载力碳达峰目标年份n=2030，碳排放未能在2030年及之前达峰，则所述常规发展情景下的机场碳排放环境承载力为：
Figure 297877DEST_PATH_IMAGE072
步骤2：通过线性回归模型拟合得到机场NOx浓度与机场空中交通量关系如下：
Figure DEST_PATH_IMAGE073
则所述常规发展情景下的机场大气环境承载力1233（架次/日）。
步骤3：通过多项式回归模型拟合得到机场噪声等级与机场空中交通量关系如下：
Figure 576412DEST_PATH_IMAGE074
则所述常规发展情景下的机场噪声环境承载力为770（架次/日）。
步骤4：则所述常规发展情景下的机场环境承载力结果如下：
Figure DEST_PATH_IMAGE075
所述和谐发展情景下机场环境承载力的计算包括如下步骤：
步骤1：在本实施例中，机场碳排放环境承载力碳达峰目标年份n=2030，碳排放未能在2030年及之前达峰，则所述和谐发展情景下的机场碳排放环境承载力为：
Figure 255655DEST_PATH_IMAGE076
步骤2：通过线性回归模型拟合得到机场NOx浓度与机场空中交通量关系如下：
Figure DEST_PATH_IMAGE077
则所述和谐发展情景下的机场噪声环境承载力为1308（架次/日）。
步骤3：通过多项式回归模型拟合得到机场噪声等级与机场空中交通量关系如下：
Figure 404876DEST_PATH_IMAGE078
则所述和谐发展情景下的机场大气环境承载力为821（架次/日）。
步骤4：则所述和谐发展情景下的机场环境承载力结果如下：
Figure DEST_PATH_IMAGE079
Figure 911206DEST_PATH_IMAGE080
所述绿色发展情景下机场环境承载力的计算包括如下步骤：
步骤1：在本实施例中，机场碳排放环境承载力碳达峰目标年份n=2030，碳排放量在2030年之前达峰，则所述绿色发展情景下的机场碳排放环境承载力为：
Figure DEST_PATH_IMAGE081
步骤2：通过线性回归模型拟合得到机场NOx浓度与机场空中交通量关系如下：
Figure 145879DEST_PATH_IMAGE082
则所述绿色发展情景下的机场大气环境承载力为1359（架次/日）。
步骤3：通过多项式回归模型拟合得到机场噪声等级与机场空中交通量关系如下：
Figure DEST_PATH_IMAGE083
则所述绿色发展情景下的机场噪声环境承载力为903（架次/日）。
步骤4：则所述绿色发展情景下的机场环境承载力结果如下：
Figure 628813DEST_PATH_IMAGE084
上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (7)

1.一种基于多情景的机场环境承载力预测方法，其特征在于，包括以下步骤：
计算机场运行与环境影响相关的CO2排放量、NOx浓度和噪声等级作为环境指标；
基于IPAT环境影响模型，结合机场运行特征，得到机场环境影响因素；
根据机场环境影响因素变化率，构建机场发展情景；
根据历史机场环境影响因素值，获取机场环境影响因素预测值；
将机场环境影响因素预测值输入训练好的BP神经网络模型，获取待测年份的CO2排放量、NOx浓度和噪声等级的预测值；
根据待测年份的CO2排放量的预测值，获取机场碳排放环境承载力；
根据待测年份的NOx浓度的预测值，获取机场大气污染环境承载力；
根据待测年份的噪声等级的预测值，获取机场噪声环境承载力；
将机场碳排放环境承载力、机场大气污染环境承载力和机场噪声环境承载力的预测值代入机场环境承载力多维度预测模型，对不同机场发展情景下机场环境承载力进行预测；
所述基于IPAT环境影响模型，结合机场运行特征，得到机场环境影响因素，包括：
基于IPAT环境影响模型，结合机场运营特征，从人口、富裕程度、技术三个维度选取机场旅客吞吐量、航空器起降架次、城市人均GDP、机场航空性收入和航空器能源消耗量作为机场环境影响因素；
根据待测年份的CO2排放量的预测值，获取机场碳排放环境承载力，包括：
若在s模式发展情景下，机场碳排放量CE不能在p年或之前达到峰值，则机场碳排放环境承载力为：
Figure DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE004
为s模式发展情景下的机场碳排放环境承载力；
Figure DEST_PATH_IMAGE006
为s模式发展情景下p 年对应的机场空中交通量；
Figure DEST_PATH_IMAGE008
，
Figure DEST_PATH_IMAGE010
表示常规发展模式，
Figure DEST_PATH_IMAGE012
表示和谐发展模式，
Figure DEST_PATH_IMAGE014
表示绿色发展模式；
若CE在p年或之前达到峰值，则碳排放指标不对机场空中交通量产生约束，机场碳排放环境承载力为：
Figure DEST_PATH_IMAGE016
其中，
Figure DEST_PATH_IMAGE004A
为s模式发展情景下的机场碳排放环境承载力，
Figure DEST_PATH_IMAGE018
为无穷大；
根据待测年份的NOx浓度的预测值，获取机场大气污染环境承载力，包括：
在s模式发展情景下，机场大气污染环境承载力计算公式如下：
Figure DEST_PATH_IMAGE020
其中，
Figure DEST_PATH_IMAGE022
为s模式下机场大气污染环境承载力；PC为NOx浓度预测值，
Figure DEST_PATH_IMAGE024
机场 NOx浓度预测值序列与机场空中交通量预测值序列关系；
根据待测年份的噪声等级的预测值，获取机场噪声环境承载力，包括：
在s模式发展情景下，机场噪声环境承载力计算公式如下：
Figure DEST_PATH_IMAGE026
其中，
Figure DEST_PATH_IMAGE028
为s模式下机场噪声环境承载力；NL为噪声等级预测值，
Figure DEST_PATH_IMAGE030
机场噪声 等级预测值序列与机场空中交通量预测值序列关系；
所述将机场碳排放环境承载力、机场大气污染环境承载力和机场噪声环境承载力的预测值代入机场环境承载力多维度预测模型，对不同机场发展情景下机场环境承载力进行预测，包括：
根据机场碳排放环境承载力、机场大气污染环境承载力和机场噪声环境承载力的预测值，求解不同机场发展情景下的机场环境承载力多维度预测模型，得到不同机场发展情景下机场环境承载力的预测值；
所述机场环境承载力多维度预测模型的计算公式如下：
Figure DEST_PATH_IMAGE032
其中，
Figure DEST_PATH_IMAGE034
为s模式发展情景下的机场环境承载力；
Figure DEST_PATH_IMAGE036
为s模式发展情景下的机 场碳排放环境承载力，
Figure DEST_PATH_IMAGE038
为s模式下机场大气污染环境承载力，
Figure DEST_PATH_IMAGE040
为s模式下机 场噪声环境承载力同，
Figure DEST_PATH_IMAGE042
；s 1 表示常规发展模式，s 2 表示和谐发展模式，s 3 表示 绿色发展模式。
2.根据权利要求1所述的一种基于多情景的机场环境承载力预测方法，其特征在于：所述CO2排放量，计算公式如下：
Figure DEST_PATH_IMAGE044
式中：E为各类航空器所有起降循环的CO2排放总量；I为航空燃油的CO2排放系数；n i 为i类航空器起降循环总数；
其中，F i 计算公式如下：
Figure DEST_PATH_IMAGE046
式中：F i 为一架i类航空器一个起降循环中消耗的燃油量；j为一个起降循环内的4个运行阶段，分别为起飞、爬升、进近和滑行；R ij 为一架i类航空器的一个发动机在j运行阶段的燃油消耗率；N i 为一架i类航空器配备的发动机数量；T ij 为一架i类航空器在j运行阶段的标准时长。
3.根据权利要求1所述的一种基于多情景的机场环境承载力预测方法，其特征在于：所 述NOx浓度是机场附近任何受体点(x,y)的污染物NOx浓度
Figure DEST_PATH_IMAGE048
，计算公式如下：
Figure DEST_PATH_IMAGE050
其中，
Figure DEST_PATH_IMAGE052
为污染线源k在受体点(x,y)处的污染物NOx浓度；
Figure DEST_PATH_IMAGE054
其中，
Figure DEST_PATH_IMAGE056
为污染线源k的排放强度，kϵ{起飞、着陆、攀爬、下降、地面运输}；
Figure DEST_PATH_IMAGE058
和
Figure DEST_PATH_IMAGE060
为污染线源k在y方向、z方向的沉降系数；
Figure DEST_PATH_IMAGE062
为污染面源k的长度，V W 为风向，y为受体点 的长度，
Figure DEST_PATH_IMAGE064
为圆周率。
4.根据权利要求1所述的一种基于多情景的机场环境承载力预测方法，其特征在于：所 述噪声等级以各敏感点噪声级以一天内的计权等效连续感觉噪声级
Figure DEST_PATH_IMAGE066
表示，计算公式 如下：
Figure DEST_PATH_IMAGE068
其中：
Figure DEST_PATH_IMAGE070
为一天内N次飞行次数的有效感觉噪声级的平均值；N 1 为日间飞行架次；N 2 为晚间飞行架次；N 3 为夜间飞行架次。
5.根据权利要求1所述的一种基于多情景的机场环境承载力预测方法，其特征在于：所述根据机场环境影响因素变化率，构建机场发展情景，包括：
机场旅客吞吐量、航空器起降架次、城市人均GDP、机场航空性收入和航空器能源消耗量变化率与历史数据保持一致，民航业保持以往的模式继续发展的情景作为常规发展情景；
在常规发展情景的基础上，机场旅客吞吐量、航空器起降架次、城市人均GDP、机场航空性收入变化率得到进一步增长的情景作为和谐发展情景；
在和谐发展情景的基础上，机场旅客吞吐量、航空器起降架次、城市人均GDP因素变化率和航空器能源消耗量与和谐发展情景保持一致，机场航空性收入较和谐发展情景得到提升的情景作为绿色发展情景。
6.根据权利要求1所述的一种基于多情景的机场环境承载力预测方法，其特征在于：所述根据历史机场环境影响因素值，获取机场环境影响因素预测值，包括：
所述机场环境影响因素预测值，计算公式如下：
Figure DEST_PATH_IMAGE072
式中：
Figure DEST_PATH_IMAGE074
是机场环境影响因素e第t年的预测值，
Figure DEST_PATH_IMAGE076
是机场环境影响因素e第t-1年的 历史值，
Figure DEST_PATH_IMAGE078
是t年的变化率，t为年份。
7.根据权利要求1所述的一种基于多情景的机场环境承载力预测方法，其特征在于：所述将机场环境影响因素预测值输入训练好的BP神经网络模型，获取待测年份的CO2排放量、NOx浓度和噪声等级的预测值，包括：
对机场环境影响因素历史数据序列进行归一化处理，获得归一化后的机场环境影响因素历史数据序列，其计算公式如下：
Figure DEST_PATH_IMAGE080
式中，
Figure DEST_PATH_IMAGE082
为历史年份i指标j的原始值，j∈{机场旅客吞吐量，航空器起降架次，城市人 均GDP，机场航空性收入，航空器能源消耗量}，
Figure DEST_PATH_IMAGE084
和
Figure DEST_PATH_IMAGE086
分别为历史年份i一定时，指 标j的最大值和最小值，
Figure DEST_PATH_IMAGE088
是指标值
Figure DEST_PATH_IMAGE090
归一化的结果；
初始化BP神经网络的模型，确定输入层、输出层和隐含层神经元个数；其中，输入层为5层，包括机场旅客吞吐量、航空器起降架次、城市人均GDP、机场航空性收入和航空器能源消耗量；隐含层的节点数为6层；输出层为3层，包括CO2排放量、NOx浓度和噪声等级；将归一化后的机场环境影响因素历史数据序列和对应的CO2排放量、NOx浓度和噪声等级作为训练样本输入BP神经网络进行训练，得到训练好的BP神经网络模型；
将环境影响因素预测值序列输入训练好的BP神经网络模型，获取待测年份的CO2排放量、NOx浓度和噪声等级的预测值。
CN202211161752.7A 2022-09-23 2022-09-23 一种基于多情景的机场环境承载力预测方法 Active CN115238531B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211161752.7A CN115238531B (zh) 2022-09-23 2022-09-23 一种基于多情景的机场环境承载力预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211161752.7A CN115238531B (zh) 2022-09-23 2022-09-23 一种基于多情景的机场环境承载力预测方法

Publications (2)

Publication Number Publication Date
CN115238531A CN115238531A (zh) 2022-10-25
CN115238531B true CN115238531B (zh) 2022-12-30

Family

ID=83667237

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211161752.7A Active CN115238531B (zh) 2022-09-23 2022-09-23 一种基于多情景的机场环境承载力预测方法

Country Status (1)

Country Link
CN (1) CN115238531B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106951599A (zh) * 2017-02-27 2017-07-14 南京航空航天大学 一种飞机凝结尾生成对全球地表温度影响的评估方法
CN111914217A (zh) * 2020-07-31 2020-11-10 南京航空航天大学 一种机场环境承载力评价与预测方法
CN112115571A (zh) * 2020-09-22 2020-12-22 南京航空航天大学 基于绿色航空模型的中枢辐射式航线网络优化设计方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106355268A (zh) * 2016-08-22 2017-01-25 中交天津港航勘察设计研究院有限公司 一种基于环境承载力的城市产业结构优化方法
CN113807556B (zh) * 2020-06-15 2024-06-14 青岛海信网络科技股份有限公司 一种旅游指标预测方法、装置、设备及介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106951599A (zh) * 2017-02-27 2017-07-14 南京航空航天大学 一种飞机凝结尾生成对全球地表温度影响的评估方法
CN111914217A (zh) * 2020-07-31 2020-11-10 南京航空航天大学 一种机场环境承载力评价与预测方法
CN112115571A (zh) * 2020-09-22 2020-12-22 南京航空航天大学 基于绿色航空模型的中枢辐射式航线网络优化设计方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
A System Dynamics Prediction Model of Airport Environmental Carrying Capacity: Airport Development Mode Planning and Case Study;Qiuping Peng等;《Aerospace》;20210830;2-19 *
Evaluation of Airport Environmental Carrying Capacity: A Case Study in Guangzhou Baiyun International Airport, China;Lili Wan等;《Discrete Dynamics in Nature and Society》;20211231;1-12 *
基于LMDI法的江苏省机场碳排放因素指数分解;徐晨等;《航空计算技术》;20180525(第03期);90-94 *
基于指标体系法的环境承载力评估研究综述;彭秋萍等;《航空计算技术》;20200725(第04期);134-138 *
基于污染物排放的机场环境承载力与容量研究;王湛等;《环境保护科学》;20181020(第05期);92-98 *
航空排放对大气环境影响研究现状综述;赵志奇等;《环境科学与技术》;20180315(第03期);193-199 *

Also Published As

Publication number Publication date
CN115238531A (zh) 2022-10-25

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
Lee Can we accelerate the improvement of energy efficiency in aircraft systems?
Singh et al. AHP-Entropy based priority assessment of factors to reduce aviation fuel consumption
Torija et al. Aircraft classification for efficient modelling of environmental noise impact of aviation
Turgut et al. Investigating actual landing and takeoff operations for time-in-mode, fuel and emissions parameters on domestic routes in Turkey
CN111914217A (zh) 一种机场环境承载力评价与预测方法
Chen et al. Planning aircraft taxiing trajectories via a multi-ojective immune optimisation
CN106023655A (zh) 一种扇区空中交通拥堵状态监测方法
CN107016880B (zh) 一种基于模拟退火算法的连续下降进近油耗优化方法
CN110991684A (zh) 垂直航道优化
CN115829081B (zh) 一种基于支持向量回归模型的城市交通碳排放预测方法
Han et al. Source emission and attribution of a large airport in Central China
Le Fablec et al. Using Neural Networks to Predict Aircraft Trajectories.
CN112115571A (zh) 基于绿色航空模型的中枢辐射式航线网络优化设计方法
CN110502790A (zh) 飞行程序综合评价方法及计算机存储介质
Ekici et al. Fuel-saving and emission accounting: An airliner case study for green engine selection
CN115238531B (zh) 一种基于多情景的机场环境承载力预测方法
Behere A Reduced Order Modeling Methodology for the Parametric Estimation and Optimization of Aviation Noise
Yang et al. Spatial–Temporal Clustering and Optimization of Aircraft Descent and Approach Trajectories
Tian et al. A new air quality prediction framework for airports developed with a hybrid supervised learning method
Gao et al. Which aircraft has a better fuel efficiency?–a case study in china
US9217811B1 (en) Lightning damage index
Tian et al. Environmental Impact Analysis of Hub‐and‐Spoke Network Operation
CN109146290B (zh) 一种针对大气环境影响的机场停机位优先级分析方法及系统
Jiaxue et al. A method of aircraft fuel consumption performance evaluation based on RELAX signal separation

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