FR3136846A1 - Systeme et procede d’optimisation d’efficacite de vol - Google Patents
Systeme et procede d’optimisation d’efficacite de vol Download PDFInfo
- Publication number
- FR3136846A1 FR3136846A1 FR2205974A FR2205974A FR3136846A1 FR 3136846 A1 FR3136846 A1 FR 3136846A1 FR 2205974 A FR2205974 A FR 2205974A FR 2205974 A FR2205974 A FR 2205974A FR 3136846 A1 FR3136846 A1 FR 3136846A1
- Authority
- FR
- France
- Prior art keywords
- aircraft
- flight
- descent
- data
- module
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000010801 machine learning Methods 0.000 claims abstract description 62
- 239000000446 fuel Substances 0.000 claims abstract description 40
- 238000007621 cluster analysis Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 8
- 238000013507 mapping Methods 0.000 claims description 22
- 230000010006 flight Effects 0.000 claims description 21
- 230000007613 environmental effect Effects 0.000 claims description 16
- 238000013459 approach Methods 0.000 claims description 10
- 238000001556 precipitation Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 3
- 230000000875 corresponding effect Effects 0.000 description 43
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 description 1
- 230000003466 anti-cipated effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000007417 hierarchical cluster analysis Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G5/00—Traffic control systems for aircraft, e.g. air-traffic control [ATC]
- G08G5/0017—Arrangements for implementing traffic-related aircraft activities, e.g. arrangements for generating, displaying, acquiring or managing traffic information
- G08G5/0021—Arrangements for implementing traffic-related aircraft activities, e.g. arrangements for generating, displaying, acquiring or managing traffic information located in the aircraft
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/0005—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots with arrangements to save energy
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G5/00—Traffic control systems for aircraft, e.g. air-traffic control [ATC]
- G08G5/003—Flight plan management
- G08G5/0034—Assembly of a flight plan
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G5/00—Traffic control systems for aircraft, e.g. air-traffic control [ATC]
- G08G5/0073—Surveillance aids
- G08G5/0091—Surveillance aids for monitoring atmospheric conditions
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G5/00—Traffic control systems for aircraft, e.g. air-traffic control [ATC]
- G08G5/02—Automatic approach or landing aids, i.e. systems in which flight data of incoming planes are processed to provide landing data
- G08G5/025—Navigation or guidance aids
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Life Sciences & Earth Sciences (AREA)
- Atmospheric Sciences (AREA)
- Traffic Control Systems (AREA)
- Feedback Control In General (AREA)
Abstract
Un procédé et un système d’amélioration de l’efficacité de carburant d’un vol d’aéronef, et un procédé d’entraînement d’un module d’apprentissage automatique pour prédire les trajectoires de vol de descente les plus probables, sont divulgués. Le module d’apprentissage automatique utilise deux étapes d’analyse par grappes et de régression pour analyser les données de vols historiques, de telle sorte que le modèle entraîné peut déterminer la trajectoire de vol la plus probable pour la phase de descente d’un vol futur/en cours. Ceci peut être alors utilisé pour déterminer un début de descente ajusté et le sortir au pilote du vol futur/en cours, ou bien utilisé pour contrôler un système de pilotage automatique associé. Figure pour l’abrégé : Fig. 3
Description
Cette demande concerne un système et un procédé d’amélioration de l’efficacité de vol d’un aéronef, en particulier afin de permettre d’optimiser l’efficacité de carburant d’un aéronef durant la phase de vol de descente.
La illustre un exemple des grandes phases d’un vol d’aéronef. Une fois que les cales des roues ont été retirées d’un aéronef et qu’il est prêt à relâcher son frein de stationnement, l’aéronef peut quitter la porte/le poste pour rouler jusqu’à la piste pour le décollage. Cette première phase I, est typiquement appelée la phase de roulement durant laquelle l’aéronef est au sol, c.-à-d. à une altitude/niveau de vol (FL) correspondant à celui de l’aérodrome d’origine/de départ. Une fois que l’aéronef a décollé du sol il montera progressivement à son altitude de croisière désirée. Cette ascension peut être effectuée en une seule étape continue, ou bien elle peut être effectuée en deux étapes ou plus, comme l’illustre la au sujet de la phase II et de la phase III.
Durant la phase II illustrée sur la , l’aéronef monte du niveau du sol à une altitude de 5.000 pieds (connue comme FL50 – chaque niveau de vol représentant une altitude de 100 pieds) à une première vitesse, et puis l’aéronef monte de FL50 à FL310 (une altitude de 31.000 pieds) à une deuxième vitesse durant la phase III du vol. On se rendra compte que ces altitudes et le nombre d’étapes sont simplement un exemple, de nombreuses autres valeurs quelconques peuvent être sélectionnées en pratique.
À la fin de la phase III, l’aéronef vole en palier et maintient une altitude d’approximativement FL310 pendant la durée de la phase IV, à laquelle on se réfèrera comme la phase de croisière. Au fur et à mesure que l’aéronef commence à s’approcher de l’aérodrome de destination, l’aéronef passera à la phase V, durant laquelle l’aéronef commencera à descendre à une vitesse donnée. Ensuite, l’aéronef passera à une phase VI d’atterrissage, après quoi l’aéronef atterrira sur la piste de l’aérodrome de destination et puis roulera jusqu’à la porte/le poste pertinent à l’aérodrome de destination et appliquera le frein de stationnement.
A la fin de la phase de croisière, l’aéronef quitte son niveau de croisière et commence à descendre, en conséquence, ce point de transition est connu comme le début de la descente (TOD pour Top Of Descent). Le système de gestion de vol embarqué (FMS)/système de guidage et de gestion de vol (FMGS) de l’avionique de l’aéronef calculera typiquement un TOD proposé et une trajectoire de descente constante sur la base du type d’aéronef, du plan de vol qui a été entré dans le FMS, d’une trajectoire de route d’arrivée normalisée en zone terminale (STAR), et parfois d’une vitesse de vent moyenne. La STAR est parfois appelée une route d’arrivée normalisée et elle fournit un jeu de trajectoires normalisées pour relier la partie en route du vol avec la partie d’approche finale aux instruments du vol.
Résumé de l’invention
Résumé de l’invention
L’invention est définie dans les revendications indépendantes auxquelles on est maintenant prié de se reporter. Des caractéristiques avantageuses sont présentées dans les revendications dépendantes.
Selon un premier aspect, la présente divulgation se rapporte à un procédé d’amélioration d’efficacité de carburant du vol d’un aéronef. Le procédé comprend stocker, dans une mémoire de données de plan de vol, un plan de vol pour le vol de l’aéronef, le plan de vol comprenant une route prévue pour le vol de l’aéronef, une piste d’atterrissage prévue à un aérodrome de destination, et une heure et une date d’arrivée prévues à l’aérodrome de destination ; et stocker, dans une mémoire de données météorologiques, des données météorologiques prédites correspondant au voisinage de l’aéroport à l’heure et à la date d’arrivée prévues.
Le procédé comprend en outre recevoir, à un premier module de cartographie de grappes d’un module de prédiction par apprentissage automatique entraîné, la route de vol prévue de l’aéronef, la piste d’atterrissage prévue à un aérodrome de destination, et les données météorologiques prévues correspondant au voisinage de l’aérodrome de destination à l’heure et à la date d’arrivée prévues ; déterminer, par le premier module de cartographie de grappes, sur la base du module de prédiction par apprentissage automatique entraîné, une route d’arrivée prévue et une piste d’atterrissage prévue ; déterminer, par un deuxième module de cartographie de grappes du module de prédiction par apprentissage automatique entraîné, sur la base de la route d’arrivée prévue et de la piste d’atterrissage prévue, une ou plusieurs trajectoires de vol de descente pour le vol de l’aéronef ; filtrer, par un filtre de trajectoires du module de prédiction par apprentissage automatique entraîné, afin d’obtenir les trajectoires de vol de descente les plus probables, classées chacune par une probabilité conditionnelle basée sur un ou plusieurs facteurs environnementaux ; déterminer, par un module de prédiction de distance du module de prédiction par apprentissage automatique entraîné, une distance correspondant à chacune des trajectoires de vol de descente les plus probables ; et sortir, à un pilote, une ou plusieurs trajectoires de vol de descente les plus probables et les distances correspondantes. Le modèle de prédiction par apprentissage automatique entraîné est entraîné sur la base des données de vols historiques de l’aéronef.
De manière avantageuse, le premier aspect de la présente divulgation permet une détermination plus précise de la trajectoire de vol du vol de l’aéronef en question à déterminer de telle sorte que la distance correspondante pour atteindre la destination peut être identifiée et le pilote peut projeter la descente conformément.
Optionnellement, le procédé peut comprendre en outre déterminer un emplacement de début de descente recommandé correspondant à la distance déterminée pour la trajectoire de vol de descente la plus probable sur la base d’un angle de descente désiré et de données de vitesse du vent des données météorologiques prédites. De manière avantageuse, la précision améliorée de la distance de descente à parcourir et le début de descente correspondant permettent à la présente divulgation de réduire des inefficacités de carburant qui peuvent être causées en commençant la descente trop tôt ou trop tard.
Optionnellement, l’emplacement de début de descente recommandé peut être sorti au pilote, ou à un système directeur de vol de l’avionique de l’aéronef pour contrôler un système de pilotage automatique associé sur la base de l’angle de descente désiré.
Optionnellement, la détermination de la route d’arrivée prédite et de la piste d’atterrissage prédite par le premier module de regroupement peut utiliser une classification hiérarchique. Optionnellement, la détermination d’une ou de plusieurs trajectoires de vol de descente pour le vol de l’aéronef par le deuxième module de regroupement peut utiliser une classification basée sur la densité. Ces techniques se sont révélées résulter en une prédiction efficace et précise.
Optionnellement, le module de prédiction par apprentissage automatique entraîné peut être entraîné sur la base des données de vols historiques de l’aéronef correspondant uniquement à l’aéronef et/ou au vol de l’aéronef. En faisant des prédictions concernant la trajectoire de vol de descente d’un aéronef basées sur des vols passés de cet aéronef particulier, les inventeurs ont découvert que la précision de la prédiction peut être améliorée et des données d’efficacité correspondantes (telles que débit/consommation de carburant) peuvent être utilisées.
Optionnellement, l’un ou les plusieurs facteurs environnementaux peuvent comprendre un ou plusieurs d’entre l’heure du jour de l’atterrissage prévu, le jour de la semaine de l’atterrissage prévu, le niveau de précipitations dans le voisinage de l’aérodrome de destination à l’heure d’atterrissage prévue, la distance de visibilité dans le voisinage de l’aérodrome de destination à l’heure d’atterrissage prévue, la vitesse du vent dans le voisinage de l’aérodrome de destination à l’heure d’atterrissage prévue, ou bien la direction du vent dans le voisinage de l’aérodrome de destination à l’heure d’atterrissage prévue.
Selon un deuxième aspect de la présente divulgation, un système d’amélioration de l’efficacité de carburant du vol d’un aéronef est divulgué. Le système comprend une mémoire de données de plan de vol configurée pour stocker un plan de vol pour le vol de l’aéronef, le plan de vol comprenant une route prévue pour le vol de l’aéronef, une piste d’atterrissage prévue à un aérodrome de destination, et une heure et une date d’arrivée prévues à l’aérodrome de destination ; une mémoire de données météorologiques configurée pour stocker des données météorologiques prédites correspondant au voisinage de l’aéroport à l’heure et à la date d’arrivée prévues ; et un module de prédiction par apprentissage automatique entraîné qui a été entraîné sur la base des données de vols historiques de l’aéronef.
Le module de prédiction par apprentissage automatique entraîné comprend un premier module de cartographie de grappes configuré pour recevoir la route prévue pour le vol de l’aéronef, la piste d’atterrissage prévue à un aérodrome de destination, et les données météorologiques prévues correspondant au voisinage de l’aérodrome de destination à l’heure et à la date d’arrivée prévues ; le premier module de cartographie de grappes étant configuré pour déterminer, sur la base du module de prédiction par apprentissage automatique entraîné, une route d’arrivée prédite et une piste d’atterrissage prédite ; un deuxième module de cartographie de grappes étant configuré pour déterminer, sur la base de la route d’arrivée prédite et de la piste d’atterrissage prédite, une ou plusieurs trajectoires de vol de descente pour le vol de l’aéronef ; un filtre de trajectoires étant configuré pour filtrer l’une ou les plusieurs trajectoires de vol de descente pour le vol de l’aéronef afin d’obtenir les trajectoires de vol de descente les plus probables, classées chacune par une probabilité conditionnelle basée sur un ou plusieurs facteurs environnementaux ; et un module de prédiction de distance étant configuré pour déterminer une distance correspondant à chacune des trajectoires de vol de descente les plus probables. Le système comprend en outre une sortie configurée pour sortir, à un pilote, une ou plusieurs trajectoires de vol de descente les plus probables et les distances correspondantes.
De manière avantageuse, le deuxième aspect de la présente divulgation permet au système de déterminer plus précisément la trajectoire de vol du vol de l’aéronef en question de telle sorte que la distance correspondante pour atteindre la destination peut être identifiée et le pilote peut projeter la descente conformément.
Optionnellement, le module de prédiction par apprentissage automatique entraîné est configuré en outre pour recommander un emplacement de début de descente correspondant à la distance déterminée pour la trajectoire de vol de descente la plus probable sur la base d’un angle de descente désiré et de données de vitesse du vent des données météorologiques prédites. De manière avantageuse, la précision améliorée de la distance de descente à parcourir et le début de descente correspondant permettent à la présente invention de réduire des inefficacités de carburant qui peuvent être causées en commençant la descente trop tôt ou trop tard.
Optionnellement, la sortie est configurée en outre pour sortir, au pilot, l’emplacement de début de descente recommandé. Optionnellement la sortie est configurée en outre pour sortir, à un système directeur de vol de l’avionique de l’aéronef, l’emplacement de début de descente recommandé et l’angle de descente désiré afin de contrôler un système de pilotage automatique associé.
Optionnellement, le premier module de regroupement peut être configuré pour utiliser une classification hiérarchique pour déterminer la route d’arrivée prédite et la piste d’atterrissage prédite. Optionnellement, le deuxième module de regroupement peut être utilisé pour utiliser une classification basée sur la densité pour déterminer l’une ou les plusieurs trajectoires de vol de descente pour le vol de l’aéronef. Ces techniques se sont révélées résulter en une prédiction efficace et précise.
Optionnellement, le module de prédiction par apprentissage automatique entraîné peut être entraîné sur la base des données de vols historiques de l’aéronef correspondant uniquement à l’aéronef et/ou au vol de l’aéronef. En faisant des prédictions concernant la trajectoire de vol de descente d’un aéronef basées sur des vols passés de cet aéronef particulier, les inventeurs ont découvert que la précision de la prédiction peut être améliorée et des données d’efficacité correspondantes (telles que débit/consommation de carburant) peuvent être utilisées.
Optionnellement, l’un ou les plusieurs facteurs environnementaux peuvent comprendre un ou plusieurs d’entre l’heure du jour de l’atterrissage prévu, le jour de la semaine de l’atterrissage prévu, le niveau de précipitations dans le voisinage de l’aérodrome de destination à l’heure d’atterrissage prévue, la distance de visibilité dans le voisinage de l’aérodrome de destination à l’heure d’atterrissage prévue, la vitesse du vent dans le voisinage de l’aérodrome de destination à l’heure d’atterrissage prévue, ou bien la direction du vent dans le voisinage de l’aérodrome de destination à l’heure d’atterrissage prévue.
Selon un troisième aspect de la présente divulgation, un procédé d’entraînement d’un module d’apprentissage automatique destiné à prédire les trajectoires de vol de descente les plus probables est divulgué. Le procédé comprend recevoir une indication d’une route projetée pour une pluralité de vols historiques de l’aéronef ; recevoir, pour chaque vol historique de l’aéronef, des données de vol enregistrées de l’aéronef, les données de vol enregistrées comprenant les données de position de l’aéronef et les données de cap de l’aéronef, les données de position formant une trajectoire pour chaque vol de l’aéronef parmi la pluralité de vols historiques de l’aéronef ; et recevoir un indication du relèvement magnétique de chaque piste parmi une pluralité de pistes à un aérodrome de destination.
Le procédé comprend en outre déterminer, pour chaque vol historique de l’aéronef, quelle piste a été utilisée pour l’atterrissage parmi la pluralité de pistes à l’aérodrome de destination, et qu’elle était la direction d’approche à cette piste, sur la base des données de position de l’aéronef et/ou des données de cap de l’aéronef ; effectuer une première analyse par grappes, à un premier module de regroupement du module d’apprentissage automatique, configuré pour regrouper des trajectoires ayant la même piste d’atterrissage et la même direction d’approche déterminées dans une pluralités de grappes, effectuer, pour chacune de la pluralité de grappes, une deuxième analyse par grappes, à un deuxième module de regroupement du module d’apprentissage automatique, configuré pour regrouper des trajectoires sur la base de la distance entre des trajectoires respectives afin de déterminer un jeu consolidé de trajectoires ; et déterminer, pour chaque jeu consolidé de trajectoires, à un module de régression, une probabilité conditionnelle basée sur un ou plusieurs facteurs environnementaux.
Optionnellement, le module d’apprentissage automatique peut être entraîné sur la base des données de vols historiques d’aéronef correspondant à un seul aéronef.
Optionnellement, la première analyse par grappes et la deuxième analyse par grappes peuvent être basées sur un ou plusieurs algorithmes géospatiaux. Optionnellement, la première analyse par grappes peut être basée sur une classification hiérarchique. Optionnellement, la deuxième analyse par grappes peut être basée sur une classification basée sur la densité.
Optionnellement, l’un ou les plusieurs facteurs environnementaux peuvent comprendre l’un ou plusieurs d’entre l’heure du jour de l’atterrissage prévu, le jour de la semaine de l’atterrissage prévu, le niveau de précipitations dans le voisinage de l’aérodrome de destination à l’heure d’atterrissage prévue, la distance de visibilité dans le voisinage de l’aérodrome de destination à l’heure d’atterrissage prévue, la vitesse du vent dans le voisinage de l’aérodrome de destination à l’heure d’atterrissage prévue ou bien la direction du vent dans le voisinage de l’aérodrome de destination à l’heure d’atterrissage prévue.
Selon un quatrième aspect de la présente divulgation un procédé de prédiction des paramètres optimaux d’une phase de descente d’un aéronef est divulgué. Le procédé comprend entraîner un module d’apprentissage automatique en : recevant, pour chacun d’une pluralité de vols historiques d’un aéronef, les données enregistrées de vol de l’aéronef, les données de vol enregistrées comprenant les données de consommation en carburant de l’aéronef, les données de vitesse verticale de l’aéronef, les données de vitesse indiquée de l’aéronef, les données de vitesse du vent basées sur l’altitude, les données de température ambiante basées sur l’altitude ; divisant une altitude de descente en une pluralité de sous-sections d’altitude ; déterminant, pour chaque sous-section d’altitude de chacun de la pluralité de vols historiques de l’aéronef, le temps pris et la quantité de consommation en carburant pour la descente de l’aéronef à travers la sous-section d’altitude sur la base des données de vol enregistrées ; et en associant chaque sous-section d’altitude de chacun de la pluralité de vols historiques de l’aéronef à la vitesse du vent, la température ambiante et la vitesse indiquée de l’aéronef ou vitesse Mach enregistrées.
Le procédé comprend en outre, pour une descente future d’aéronef ayant des données de plan de vol spécifiées et une altitude prédite basée sur des données météorologiques, avancer pas à pas par itérations à travers les vitesses de descente pour chaque sous-section d’altitude et faire une prédiction du temps global pris et du carburant consommé pour chaque descente ; et comparer les prédictions et sélectionner le scénario de descente ayant la consommation en carburant la plus basse dans une plage de temps désirée.
Optionnellement, le module d’apprentissage automatique est entraîné sur la base uniquement de données de vols historiques d’un aéronef correspondant à un aéronef particulier, avec des prédictions subséquentes pour l’aéronef particulier. Optionnellement, les données de plan de vol comprennent le niveau de croisière du vol, le poids prévu au décollage et la date et l’heure d’arrivée prévues.
Nous décrirons maintenant des réalisations de l’invention, à titre d’exemple seulement, et en nous référant aux dessins ci-joints, sur lesquels :
la est une illustration des grandes phase d’un vol d’un aéronef ;
la est une illustration d’un système d’entraînement d’un modèle d’apprentissage automatique pour prédire la trajectoire de descente d’un aéronef selon un premier aspect de la présente divulgation ; et
la est une illustration d’un système de prédiction de trajectoire de descente d’un aéronef en utilisant un modèle d’apprentissage automatique entraîné selon le premier aspect de la présente divulgation.
La trajectoire de descente calculée par un FMS d’aéronef comprend un début de descente (TOD) ; toutefois, les inventeurs se sont rendu compte que l’utilisation du TOD résulte typiquement en une utilisation inefficace de carburant puisque la trajectoire de descente réelle parcourue ne correspond souvent pas à celle supposée par le système de gestion de vol (FMS) basée sur le plan de vol et la route d’arrivée normalisée en zone terminale (STAR). Ceci peut être dû à un guidage alternatif émis par le Contrôle de la Circulation Aérienne (ATC), par ex. guidage RADAR réglant une série de caps pour guider l’aéronef vers la piste désirée avec la séparation appropriée entre aéronefs. La conséquence en est que le TOD calculé par le FMS aura été calculé sur la base d’une distance au sol parcourue en vol qui est différente de la distance au sol réelle parcourue en vol par l’aéronef pendant la descente.
Par exemple, l’ATC peut donner à l’aéronef l’instruction de prendre un raccourci sur une partie d’une STAR pendant la descente. Si le FMS a calculé le TOD sur la base de la distance publiée de la STAR et d’un angle de descente typique de 3 degrés, mais que la route réellement parcourue en vol par l’aéronef entre les points de départ et de fin de la STAR était plus courte, l’aéronef atteindrait alors la fin de la STAR à une trop haute altitude. Dans un exemple, si le raccourci ordonné par l’ATC réduit de 24 milles nautiques la distance parcourue en vol (par comparaison à la distance de la STAR publiée), l’aéronef serait alors à FL72 (24 x 3 ; 7.200 pieds) trop haut à la fin de la STAR. Ceci signifierait que l’aéronef aurait besoin de dévier de son angle de descente typique, par exemple, en appliquant les aérofreins pour augmenter la traînée de l’aéronef, réduisant ainsi la portance et augmentant la vitesse de descente. De telles manœuvres résultent en une perte d’énergie qui aurait autrement pu être utilisée pour faire une descente en plané et résultent donc en une plus grande consommation de carburant pour la descente que le niveau prévu ou optimal de consommation en carburant.
Alternativement, l’ATC peut demander à l’aéronef de prolonger la trajectoire de vol de la STAR. Ceci signifierait que la descente calculée par le FMS ferait que l’aéronef descende à l’altitude finale de la phase de descente avant d’atteindre la fin de la STAR. Donc, une fois ceci anticipé, l’aéronef aurait besoin de réduire l’angle de descente durant la phase de descente ce qui exige une augmentation de poussée et exige par conséquent une augmentation correspondante en consommation de carburant pour la descente.
Les inventeurs se sont rendu compte de ceci, en analysant les données de vols historiques, l’apprentissage automatique peut être utilisé pour former un modèle prédictif afin de prédire la trajectoire de descente et d’approche (que nous appellerons simplement ci-après la trajectoire de descente) qui sera vraisemblablement utilisée par un aéronef particulier volant entre une paire d’origine et de destination connues. Cette trajectoire de descente prédite peut alors être utilisée pour déterminer un TOD révisé pour la descente de l’aéronef et ce TOD actualisé peut être sorti au pilote de l’aéronef (par exemple via un composant directeur de vol) et optionnellement utilisé pour contrôler le pilote automatique si engagé.
Ces données de vol de vols historiques peuvent être enregistrées dans des systèmes existants dans l’avionique de l’aéronef, tels que des enregistreurs à accès rapide (QAR) ou des enregistreurs numériques de données de vol (DFDR), auxquels on se réfère familièrement ensemble comme aux ‘boîtes noires’. Les données de vol qui sont typiquement enregistrées comprennent des données qui peuvent porter un timbre horaire, par exemple :
- la position de l’aéronef (latitude, longitude, altitude) ;
- vitesse indiquée (IAS), en utilisant un tube de Pitot par exemple ;
- vitesse au sol, en utilisant un capteur GPS par exemple,
- débit de carburant/consommation instantané et/ou moyen ;
- un enregistrement/une identification de l’aéronef ;
- le poids de l’aéronef ;
- niveau de poussée moteur instantané et/ou moyen ;
- cap de l’aéronef ;
- les conditions météorologiques rencontrées, etc.
- la position de l’aéronef (latitude, longitude, altitude) ;
- vitesse indiquée (IAS), en utilisant un tube de Pitot par exemple ;
- vitesse au sol, en utilisant un capteur GPS par exemple,
- débit de carburant/consommation instantané et/ou moyen ;
- un enregistrement/une identification de l’aéronef ;
- le poids de l’aéronef ;
- niveau de poussée moteur instantané et/ou moyen ;
- cap de l’aéronef ;
- les conditions météorologiques rencontrées, etc.
Dans certains exemples, ces données de vol peuvent être échantillonnées à une cadence d’une fois par seconde et peuvent être déjà accédées et enregistrées par des compagnies aériennes et d’autres exploitants aériens afin de surveiller des événements de sécurité potentiels.
La est une illustration d’un système d’entraînement d’un modèle d’apprentissage automatique pour prédire la trajectoire de descente d’un aéronef conformément au premier aspect de la présente divulgation. Le système comprend une base de données de plans de vol 4, une base de données d’aérodrome 6, une base de données de données de vol QAR 8 et un module d’apprentissage automatique 20. La base de données de données de vol QAR 8 peut être configurée pour obtenir et stocker des données de vol pour un ou plusieurs aéronefs identifiés. Ceci peut comprendre toutes les données de vol disponibles pour un aéronef donné, ou alternativement une partie seulement des données de vol disponibles.
La base de données d’aérodrome 6 comprend des informations de pistes 12 pour un aérodrome donné, comprenant l’orientation de chaque piste possible (souvent appelé un QFU et exprimé comme un relèvement magnétique). La base de données de données de vol QAR 8 comprend le cap instantané effectif de l’aéronef à chaque point enregistré de chaque descente enregistrée. En analysant les orientations de pistes possibles pour l’aéroport en question à partir des informations de pistes 12, et du cap effectif 14 de l’aéronef durant la descente, la piste particulière sur laquelle l’aéronef a atterri peut être déterminée, ce qui peut être appelé le QFU effectif 16 (les pistes d’aérodrome sont typiquement identifiées par leur relèvement magnétique). De manière avantageuse, ce QFU effectif peut être mis en corrélation, dans une première étape de regroupement par un premier module de regroupement 22 du module d’apprentissage automatique 20, avec la route projetée 10 de la base de données de plans de vol 4 pour regrouper la trajectoire de vol définie par les données de vol QAR pour le vol particulier de l’aéronef en question avec d’autres trajectoires qui ont la même piste d’atterrissage ainsi que le même secteur d’arrivée (c.-à-d. direction d’arrivée, qui peut être dérivée d’une analyse des données enregistrées d’emplacement récent de l’aéronef). Par exemple, ceci peut utiliser des techniques d’analyse par grappes hiérarchiques afin de réduire le nombre de trajectoires en un sous-ensemble de trajectoires qui peut être entré dans un deuxième module de regroupement 24.
En regroupant de cette manière, les données brutes des trajectoires de vols passés enregistrées peuvent être filtrées pour regrouper ensemble des trajectoires qui résultent en un atterrissage sur la même piste (même QFU), avec une approche à cette piste amorcée d’une direction commune (appelée ci-dessus comme le secteur d’arrivée). Ainsi, la première étape de regroupement réduit le grand nombre de trajectoires provenant des données brutes de vol QAR à un nombre de groupes de trajectoires, chaque groupe ayant un nombre réduit de trajectoires de vol à traiter par le deuxième module de regroupement 24.
Le groupe de trajectoires ayant la même piste d’atterrissage et le même secteur d’arrivée sortis par le premier module de regroupement 22 est alors entré dans le deuxième module de regroupement 24 du module d’apprentissage automatique 20 pour traitement ultérieur en utilisant un algorithme géospatial pour identifier des modèles dans le groupe. Par exemple, ceci peut être réalisé en utilisant des techniques de regroupement spatial basées sur la densité qui conviennent pour séparer des trajectoires 2D en des groupes de trajectoires représentatives. Dans un exemple, ceci peut être effectué en utilisant un regroupement spatial d’applications basé sur la densité en présence de bruit (DBSCAN). Dans un autre exemple, ceci peut être effectué en utilisant un regroupement dit Symmetrised Segment-Path Distance (SSDP).
Finalement, un module de régression 26 du module d’apprentissage automatique 20 est utilisé pour analyser des facteurs extérieurs et identifier les probabilités conditionnelles de chaque modèle de descente et de trajectoire d’arrivée identifié par le deuxième module de regroupement 24, puis en reliant ceux-ci à la distance parcourue en vol de ces trajectoires. Ces probabilités peuvent être ajustées dynamiquement sur la base de facteurs extérieurs ou environnementaux tels que l’heure du jour, le jour de la semaine ou des événements météorologiques à l’aéroport (par ex. brouillard ou tempête) afin d’améliorer la précision des prédictions résultantes faites pour un jeu correspondant de facteurs extérieurs.
De cette manière, l’entraînement du module d’apprentissage automatique 20 projette et regroupe les trajectoires de vols afin d’apprendre le comportement de l’aéronef durant la descente. Étant donné que les données de vol QAR comprennent aussi les données de consommation de carburant, ces comportements de descente peuvent être reliés aussi à la performance/efficacité de l’aéronef durant la descente.
Dans un exemple, le traitement ci-dessus et l’apprentissage automatique sont effectués individuellement pour chaque aéronef particulier, c.-à-d. numéro de queue, de telle sorte que les prédictions de trajectoire et les efficacités en carburant correspondantes, sont faites spécifiquement pour l’aéronef particulier envisagé.
De cette manière, le module d’apprentissage automatique entraîné 20 peut former un module de prédiction 36 pour fournir des prédictions en utilisant le modèle et les données d’apprentissage automatique sur un vol projeté ou actif/en cours. La est une illustration d’un système de prédiction de trajectoire de descente d’un aéronef utilisant un modèle d’apprentissage automatique entraîné selon le premier aspect de la présente divulgation. Comme on peut le voir sur la , la base de données de plans de vol 4 stocke aussi des données de plan de vol concernant chaque vol courant ou futur, tout particulièrement les données de plans de vol peuvent comprendre une route projetée 10 et une orientation de piste d’atterrissage projetée (QFU) 32 pour chaque vol courant ou futur connu. Cette route projetée 10 et les données de QFU 32 projetée peuvent être entrées dans un premier module de cartographie de grappes 38 du module de prédiction 36 avec des données opérationnelles supplémentaires, telles que les prédictions météorologiques pour la piste d’atterrissage projetée (météo QFU 35) qui peuvent être stockées dans une base de données de données météorologiques 34. Ces données météorologiques QFU 35 peuvent comprendre des prédictions de vent et de température dans la région de la piste d’atterrissage projetée/aérodrome de destination.
La sortie du premier module de cartographie de grappes 38 peut être une prédiction actualisée de la route d’arrivée prévue et d’une piste d’atterrissage prévue. Ces données peuvent alors être entrées dans un deuxième module de cartographie de grappes 40 du module de prédiction 36. La sortie du deuxième module de cartographie de grappes 40 est une liste des trajectoires de vol de descente les plus probables telles que classées par les probabilités conditionnelles examinées ci-dessus. Cette liste peut être filtrée par un module filtre de trajectoires 42 pour déterminer les n prédictions de trajectoires les plus probables de la liste sortie par le deuxième module de cartographie de grappes 40. Par exemple, n peut être réglé à ‘3’, de telle sorte que les trois trajectoires les plus vraisemblables sont sorties par le module filtre de trajectoires 42. Ensuite, la distance parcourue en vol/au sol correspondant à chacune de ces prédictions de trajectoires les plus probables peut être calculée par un module de prédiction de distance à parcourir 44 du module de prédiction 36 en utilisant des techniques standard.
Optionnellement, des entrées supplémentaires peuvent être injectées dans le modèle prédictif, y compris le secteur prévu d’arrivée (direction) à l’aérodrome, le poids de l’aéronef, etc.
La prédiction de la trajectoire ou des trajectoires de descente les plus probables et les distances parcourues en vol/au sol correspondantes peut alors être présentée au pilote de l’aéronef de telle sorte qu’il peut en ternir compte plus effectivement lors d’une commande quelconque déclenchée par le pilote durant la descente.
On se rendra compte que le premier module de cartographie de grappes 38 et le deuxième module de cartographie de grappes 40 du module de prédiction 36 peuvent être configurés de la même manière que le premier module de regroupement 22 et le deuxième module de regroupement 24 respectifs du module d’apprentissage automatique 20.
Selon un aspect supplémentaire de la présente divulgation, cette distance au sol prédite de la descente peut être utilisée pour travailler à rebours, en utilisant une vitesse constante de descente, par ex. un angle de descente/alignement de descente de trois degrés, pour déterminer un TOD recommandé correspondant à la trajectoire de descente prédite. Etant donné que la trajectoire de descente prédite est prévue différer de celle calculée par le FMS, il s’ensuit que le TOD associé sera aussi prévu différer. Ce TOD recommandé peut être présenté au pilote pour un vol manuel efficace, ou bien alternativement utilisé pour faire qu’un pilote automatique engagé commence automatiquement la phase de descente au moment approprié.
Selon un autre aspect supplémentaire de la présente invention, les inventeurs se sont rendu compte que l’utilisation d’une vitesse indiquée constante (IAS) pendant toute la phase de descente ne donne pas la meilleure performance de plané pendant la descente puisque la traînée ressentie pendant la descente divergera du minimum. A ce sujet, il est noté que le rapport optimal de portance à traînée est basé sur la vitesse vraie (TAS), qui change avec l’altitude. Donc, la TAS diminuera et la traînée augmentera durant la descente si l’aéronef est maintenu à une IAS constante, signifiant ainsi que le rapport optimal de portance à traînée pour une descente au ralenti ne peut pas être maintenu, ce qui résulte à son tour en une consommation de carburant plus élevée pour la descente.
Les inventeurs se sont rendu compte que la consommation en carburant de l’aéronef peut être optimisée en variant l’IAS durant la descente, conformément à un schéma identifié en entrant les paramètres associés à la performance des données de vol QAR 8, y compris la performance en consommation de carburant et vitesse verticale de vols passés de cet aéronef particulier (c.-à-d. numéro de queue) dans un modèle d’apprentissage automatique supplémentaire. De cette manière, la descente peut être divisée en un nombre de sous-sections, couvrant chacune une plage d’altitude, et les données de vol QAR 8 peuvent être utilisées pour déterminer le temps pris et la quantité de consommation de carburant pour cette altitude dans chacun des vols passés faits par l’aéronef. En reliant ceci à l’IAS, à la vitesse du vent et à la température à travers cette sous-section d’altitude pour ces vols, un nombre de modèles de performance peuvent être construits et utilisés pour déterminer le débit de carburant et la vitesse verticale pour des IAS, vitesses de vent, température etc. différentes à travers l’altitude changeante. Cet apprentissage de vitesse verticale peut être transformé en un angle de descente pour une descente au ralenti qui tient compte des vitesses de vent prédites pour cette sous-section d’altitude.
Le modèle entraîné peut alors être utilisé pour déterminer des estimations de la durée de temps pris et de la quantité de carburant consommé pour une descente ayant un nombre de caractéristiques différentes. En modifiant par itérations ces caractéristiques et en faisant une prédiction pour chacune, un jeu optimal de caractéristiques qui donnera la consommation de carburant minimale tout en répondant à une contrainte de temps désirée pour le trajet peut être identifié.
Par exemple, la descente peut être divisée en trois sous-sections différentes. Dans une première sous-section la vitesse de l’aéronef peut être réglée à une vitesse Mach de croisière donnée jusqu’à ce qu’un niveau de vol de conjonction soit atteint, moment auquel l’aéronef passera du mode Mach au mode IAS (par ex. le relevé de vitesse sur les instruments de l’aéronef passera d’unités Mach à une IAS en nœuds) et la vitesse peut être réglée à une vitesse IAS1 pour cette deuxième sous-section. La vitesse peut alors être changée à une vitesse IAS2 pour la troisième sous-section de la descente. En entrant le Mach de croisière, le niveau de vol de conjonction, la IAS1, la IAS2, les données météorologiques et les données de plan de vol pour le vol en question dans le modèle entraîné, une prédiction de la durée de temps que la descente prendra et de la quantité de carburant qui sera consommée pendant la descente peut être faite. Alors en itérant le Mach de croisière, le niveau de vol de conjonction, la IAS1 et la IAS2 à des valeurs différentes, un jeu de scénarios possibles peut être identifié et associé à un temps de descente et à une consommation de carburant correspondants prédits. Finalement le scénario optimal peut être sélectionné pour entrée dans le système directeur de vol de l’aéronef de telle sorte que ceci peut être affiché au pilote ou utilisé pour contrôler un pilote automatique actif durant la descente.
Les données météorologiques peuvent comprendre des données de vitesse du vent qui comprennent des prédictions pour la vitesse du vent à des altitudes différentes à un intervalle de tous les 1.000 pieds. Des données de température peuvent être incluses aussi dans ces données météorologiques. Les données de plan de vol peuvent comprendre des caractéristiques telles que le numéro de queue de l’aéronef, le niveau de croisière initial projeté, le poids projeté au décollage, l’heure de départ projetée, etc.
Cette optimisation permet ainsi à un modèle entraîné pour l’aéronef de tenir compte du poids de l’aéronef ainsi que de la vitesse du vent et de la température à des altitudes différentes le long de la descente (puisque la vitesse du vent et la température changent toutes les deux avec le niveau de vol) et de déterminer des vitesses optimales de l’aéronef pour chaque sous-section d’altitude afin de fournir un angle de descente et une consommation de carburant optimum pour la descente. Les vitesses optimales de l’aéronef peuvent être combinées à la distance au sol de la trajectoire de descente prédite afin de déterminer une prédiction de TOP actualisé à entrer dans le directeur de vol de l’aéronef.
Dans une réalisation ces calculs peuvent être faits sur un ordinateur au sol avec les résultats prédits étant alors transmis à l’avionique de l’aéronef ou à un dispositif utilisé par le pilote à bord de l’aéronef. Alternativement, certains des calculs ou tous les calculs peuvent être faits dans l’avionique de l’aéronef.
Des réalisations de la présente divulgation peuvent être décrites en se référant aux clauses numérotées suivantes avec des caractéristiques préférées présentées dans les clauses dépendantes :
Clause 1. Procédé d’amélioration de l’efficacité en carburant de vol d’un aéronef, le procédé comprenant :
stocker, dans une mémoire de données de plan de vol, un plan de vol pour le vol de l’aéronef, le plan de vol comprenant une route prévue pour le vol de l’aéronef, une piste d’atterrissage prévue à un aérodrome de destination et une heure et une date d’arrivée prévues à l’aérodrome de destination ;
stocker, dans une mémoire de données météorologiques, des données météorologiques prédites correspondant au voisinage de l’aéroport à l’heure et à la date d’arrivée prévues ;
recevoir, à un premier module de cartographie de grappes d’un module de prédiction par apprentissage automatique entraîné, la route prévue pour le vol de l’aéronef, la piste d’atterrissage prévue à un aérodrome de destination, et les données météorologiques correspondant au voisinage de l’aérodrome de destination à l’heure et à la date d’arrivée prévues ;
déterminer, par le premier module de cartographie de grappes, sur la base de l’apprentissage automatique entraîné du module de prédiction, une route d’arrivée prédite et une piste d’atterrissage prédite ;
déterminer, par un deuxième module de cartographie de grappes du module de prédiction par apprentissage automatique entraîné, sur la base de la route d’arrivée prédite et de la piste d’atterrissage prédite, une ou plusieurs trajectoires de vol de descente pour le vol de l’aéronef ;
filtrer, par un filtre de trajectoires du module de prédiction par apprentissage automatique entraîné, pour obtenir les trajectoires de vol de descente les plus probables, classées chacune par une probabilité conditionnelle basée sur un ou plusieurs facteurs environnementaux ;
déterminer, par un module de prédiction de distance du module de prédiction par apprentissage automatique entraîné, une distance correspondant à chacune des trajectoires de vol de descente les plus probables ; et
sortir, à un pilote, l’une ou les plusieurs trajectoires de vol de descente les plus probables et les distances correspondantes ;
dans lequel le modèle de prédiction par apprentissage automatique entraîné est entraîné sur la base des données de vols historiques de l’aéronef.
stocker, dans une mémoire de données de plan de vol, un plan de vol pour le vol de l’aéronef, le plan de vol comprenant une route prévue pour le vol de l’aéronef, une piste d’atterrissage prévue à un aérodrome de destination et une heure et une date d’arrivée prévues à l’aérodrome de destination ;
stocker, dans une mémoire de données météorologiques, des données météorologiques prédites correspondant au voisinage de l’aéroport à l’heure et à la date d’arrivée prévues ;
recevoir, à un premier module de cartographie de grappes d’un module de prédiction par apprentissage automatique entraîné, la route prévue pour le vol de l’aéronef, la piste d’atterrissage prévue à un aérodrome de destination, et les données météorologiques correspondant au voisinage de l’aérodrome de destination à l’heure et à la date d’arrivée prévues ;
déterminer, par le premier module de cartographie de grappes, sur la base de l’apprentissage automatique entraîné du module de prédiction, une route d’arrivée prédite et une piste d’atterrissage prédite ;
déterminer, par un deuxième module de cartographie de grappes du module de prédiction par apprentissage automatique entraîné, sur la base de la route d’arrivée prédite et de la piste d’atterrissage prédite, une ou plusieurs trajectoires de vol de descente pour le vol de l’aéronef ;
filtrer, par un filtre de trajectoires du module de prédiction par apprentissage automatique entraîné, pour obtenir les trajectoires de vol de descente les plus probables, classées chacune par une probabilité conditionnelle basée sur un ou plusieurs facteurs environnementaux ;
déterminer, par un module de prédiction de distance du module de prédiction par apprentissage automatique entraîné, une distance correspondant à chacune des trajectoires de vol de descente les plus probables ; et
sortir, à un pilote, l’une ou les plusieurs trajectoires de vol de descente les plus probables et les distances correspondantes ;
dans lequel le modèle de prédiction par apprentissage automatique entraîné est entraîné sur la base des données de vols historiques de l’aéronef.
Clause 2. Le procédé selon la clause 1, comprenant en outre déterminer un emplacement de début de descente recommandé correspondant à la distance déterminée pour la trajectoire de vol de descente la plus probable sur la base d’un angle de descente désiré et de données de vitesse du vent des données météorologiques prédites.
Clause 3. Le procédé selon la clause 2, comprenant en outre sortir, au pilote, l’emplacement de début de descente recommandé.
Clause 4. Le procédé selon la clause 2, comprenant en outre sortir, à un système directeur de vol de l’avionique de l’aéronef, l’emplacement de début de descente recommandé et l’angle de descente désiré pour contrôler un système de pilotage automatique associé.
Clause 5. Le procédé selon l’une quelconque des clauses précédentes, dans lequel la détermination de la route d’arrivée prédite et de la piste d’atterrissage prédite par le premier module de regroupement utilise une classification hiérarchique.
Clause 6. Le procédé selon l’une quelconque des clauses précédentes, dans lequel la détermination d’une ou de plusieurs trajectoires de vol de descente pour le vol de l’aéronef par le deuxième module de regroupement utilise une classification basée sur la densité.
Clause 7. Le procédé selon l’une quelconque des clauses précédentes, où le module de prédiction par apprentissage automatique entraîné est entraîné sur la base des données de vols historiques de l’aéronef correspondant uniquement à l’aéronef et/ou au vol de l’aéronef.
Clause 8. Le procédé selon l’une quelconque des clauses précédentes, dans lequel l’un ou les plusieurs facteurs environnementaux comprennent un ou plusieurs d’entre l’heure du jour de l’atterrissage prévu, le jour de la semaine de l’atterrissage prévu, le niveau de précipitation dans le voisinage de l’aérodrome de destination à l’heure d’atterrissage prévue, la distance de visibilité dans le voisinage de l’aérodrome de destination à l’heure d’atterrissage prévue, la vitesse du vent dans le voisinage de l’aérodrome de destination à l’heure d’atterrissage prévue ou la direction du vent dans le voisinage de l’aérodrome de destination à l’heure d’atterrissage prévue.
Clause 9. Système d’amélioration de l’efficacité en carburant d’un vol d’aéronef, le système comprenant :
une mémoire de données de plan de vol configurée pour stocker un plan de vol pour le vol de l’aéronef, le plan de vol comprenant une route prévue pour le vol de l’aéronef, une piste d’atterrissage prévue à un aérodrome de destination, et une heure et une date d’arrivée prévues à l’aérodrome de destination ;
une mémoire de données météorologiques pour stocker des données météorologiques prédites correspondant au voisinage de l’aéroport à l’heure et à la date d’arrivée prévues ;
un module de prédiction par apprentissage automatique entraîné qui a été entraîné sur la base des données de vols historiques de l’aéronef, le module de prédiction par apprentissage automatique entraîné comprenant :
un premier module de cartographie de grappes configuré pour recevoir la route prévue pour le vol de l’aéronef, la piste d’atterrissage prévue à un aérodrome de destination et les données météorologiques prédites correspondant au voisinage de l’aérodrome de destination à l’heure et à la date d’arrivée prévues ; le premier module de cartographie de grappes étant configuré pour déterminer, sur la base de l’apprentissage automatique entraîné du module de prédiction, une route d’arrivée prédite et une piste d’atterrissage prédite ;
un deuxième module de cartographie de grappes configuré pour déterminer, sur la base de la route d’arrivée prédite et de la piste d’atterrissage prédite, une ou plusieurs trajectoires de vol de descente pour le vol de l’aéronef ;
un filtre de trajectoires configuré pour filtrer l’une ou les plusieurs trajectoires de vol de descente pour le vol de l’aéronef afin d’obtenir les trajectoires de vol de descente les plus probables, classées chacune par une probabilité conditionnelle basée sur un ou plusieurs facteurs environnementaux ; et
un module de prédiction de distance configuré pour déterminer une distance correspondant à chacune des trajectoires de vol de descente les plus probables ; et
une sortie configurée pour sortir, à un pilote, l’une ou plusieurs des trajectoires de vol de descente les plus probables et les distances correspondantes.
une mémoire de données de plan de vol configurée pour stocker un plan de vol pour le vol de l’aéronef, le plan de vol comprenant une route prévue pour le vol de l’aéronef, une piste d’atterrissage prévue à un aérodrome de destination, et une heure et une date d’arrivée prévues à l’aérodrome de destination ;
une mémoire de données météorologiques pour stocker des données météorologiques prédites correspondant au voisinage de l’aéroport à l’heure et à la date d’arrivée prévues ;
un module de prédiction par apprentissage automatique entraîné qui a été entraîné sur la base des données de vols historiques de l’aéronef, le module de prédiction par apprentissage automatique entraîné comprenant :
un premier module de cartographie de grappes configuré pour recevoir la route prévue pour le vol de l’aéronef, la piste d’atterrissage prévue à un aérodrome de destination et les données météorologiques prédites correspondant au voisinage de l’aérodrome de destination à l’heure et à la date d’arrivée prévues ; le premier module de cartographie de grappes étant configuré pour déterminer, sur la base de l’apprentissage automatique entraîné du module de prédiction, une route d’arrivée prédite et une piste d’atterrissage prédite ;
un deuxième module de cartographie de grappes configuré pour déterminer, sur la base de la route d’arrivée prédite et de la piste d’atterrissage prédite, une ou plusieurs trajectoires de vol de descente pour le vol de l’aéronef ;
un filtre de trajectoires configuré pour filtrer l’une ou les plusieurs trajectoires de vol de descente pour le vol de l’aéronef afin d’obtenir les trajectoires de vol de descente les plus probables, classées chacune par une probabilité conditionnelle basée sur un ou plusieurs facteurs environnementaux ; et
un module de prédiction de distance configuré pour déterminer une distance correspondant à chacune des trajectoires de vol de descente les plus probables ; et
une sortie configurée pour sortir, à un pilote, l’une ou plusieurs des trajectoires de vol de descente les plus probables et les distances correspondantes.
Clause 10. Le système selon la clause 9, dans lequel le module de prédiction par apprentissage automatique entraîné est configuré en outre pour recommander un emplacement de début de descente correspondant à la distance déterminée pour la trajectoire de vol de descente la plus probable sur la base d’un angle de descente désiré et de données de vitesse du vent des données météorologiques prédites.
Clause 11. Le système selon la clause 10, dans lequel la sortie est configurée en outre pour sortir, au pilote, l’emplacement de début de descente recommandé.
Clause 12. Le système selon la clause 10, dans lequel la sortie est configurée en outre pour sortir, à un système directeur de vol de l’avionique de l’aéronef, l’emplacement de début de descente recommandé et l’angle de descente désiré pour contrôler un système de pilotage automatique associé.
Clause 13. Le système selon l’une quelconque des clauses 9 à 12, dans lequel le premier module de regroupement est configuré pour utiliser une classification hiérarchique pour déterminer la route d’arrivée prédite et la piste d’atterrissage prédite.
Clause 14. Le système selon l’une quelconque des clauses 9 à 13, dans lequel le deuxième module de regroupement est configuré pour utiliser une classification basée sur la densité afin de déterminer l’une ou les plusieurs trajectoires de vol de descente pour le vol de l’aéronef.
Clause 15. Le système selon l’une quelconque des clauses 9 à 14, dans lequel le module de prédiction par apprentissage automatique entraîné est entraîné sur la base des données de vols historiques de l’aéronef correspondant uniquement à l’aéronef et/ou au vol de l’aéronef.
Clause 16. Le système selon l’une quelconque des clauses 9 à 15, dans lequel l’un ou les plusieurs facteurs environnementaux comprennent un ou plusieurs d’entre l’heure du jour de l’atterrissage prévu, le jour de la semaine de l’atterrissage prévu, le niveau de précipitations dans le voisinage de l’aérodrome de destination à l’heure d’atterrissage prévue, la distance de visibilité dans le voisinage de l’aérodrome de destination à l’heure d’atterrissage prévue, la vitesse du vent dans le voisinage de l’aérodrome de destination à l’heure d’atterrissage prévue ou la direction du vent dans le voisinage de l’aérodrome de destination à l’heure d’atterrissage prévue.
Clause 17. Procédé d’entraînement d’un module d’apprentissage automatique pour prédire les trajectoires de vol de descente les plus probables, le procédé comprenant :
recevoir une indication d’une route projetée pour une pluralité de vols historiques d’un aéronef ;
recevoir, pour chaque vol historique de l’aéronef, des données de vol enregistrées de l’aéronef, les données de vol enregistrées comprenant des données de position de l’aéronef et des données de cap de l’aéronef, les données de position formant une trajectoire pour chaque vol de l’aéronef parmi la pluralité de vols historiques de l’aéronef ;
recevoir une indication du relèvement magnétique de chaque piste parmi une pluralité de pistes à un aérodrome de destination ;
déterminer, pour chaque vol historique de l’aéronef, quelle piste a été utilisée pour l’atterrissage parmi la pluralité de pistes à l’aérodrome de destination, et qu’elle était la direction d’approche à cette piste, sur la base des données de position de l’aéronef et/ou des données de cap de l’aéronef ;
effectuer une première analyse par grappes, à un premier module de regroupement du module d’apprentissage automatique, configurée pour regrouper des trajectoires ayant la même piste d’atterrissage et la même direction d’approche déterminées dans une pluralité de grappes ;
effectuer, pour chacune de la pluralité de grappes, une deuxième analyse par grappes, à un deuxième module de regroupement du module d’apprentissage automatique, configurée pour regrouper des trajectoires sur la base de la distance entre des trajectoires respectives afin de déterminer un jeu consolidé de trajectoires ; et
déterminer, pour chaque jeu consolidé de trajectoires, à un module de régression, une probabilité conditionnelle basée sur un ou plusieurs facteurs environnementaux.
recevoir une indication d’une route projetée pour une pluralité de vols historiques d’un aéronef ;
recevoir, pour chaque vol historique de l’aéronef, des données de vol enregistrées de l’aéronef, les données de vol enregistrées comprenant des données de position de l’aéronef et des données de cap de l’aéronef, les données de position formant une trajectoire pour chaque vol de l’aéronef parmi la pluralité de vols historiques de l’aéronef ;
recevoir une indication du relèvement magnétique de chaque piste parmi une pluralité de pistes à un aérodrome de destination ;
déterminer, pour chaque vol historique de l’aéronef, quelle piste a été utilisée pour l’atterrissage parmi la pluralité de pistes à l’aérodrome de destination, et qu’elle était la direction d’approche à cette piste, sur la base des données de position de l’aéronef et/ou des données de cap de l’aéronef ;
effectuer une première analyse par grappes, à un premier module de regroupement du module d’apprentissage automatique, configurée pour regrouper des trajectoires ayant la même piste d’atterrissage et la même direction d’approche déterminées dans une pluralité de grappes ;
effectuer, pour chacune de la pluralité de grappes, une deuxième analyse par grappes, à un deuxième module de regroupement du module d’apprentissage automatique, configurée pour regrouper des trajectoires sur la base de la distance entre des trajectoires respectives afin de déterminer un jeu consolidé de trajectoires ; et
déterminer, pour chaque jeu consolidé de trajectoires, à un module de régression, une probabilité conditionnelle basée sur un ou plusieurs facteurs environnementaux.
Clause 18. Le procédé selon la clause 17, dans lequel le module d’apprentissage automatique est entraîné sur la base des données de vols historiques d’aéronef correspondant à un seul aéronef.
Clause 19. Le procédé selon la clause 17 ou 18, dans lequel la première analyse par grappes et la deuxième analyse par grappes sont basées sur un ou plusieurs algorithmes géospatiaux.
Clause 20. Le procédé selon l’une quelconque des clauses 17 à 19, dans lequel la première analyse par grappes est basée sur une classification hiérarchique.
Clause 21. Le procédé selon l’une quelconque des clauses 17 à 20, dans lequel la deuxième analyse par grappes est basée sur une classification basée sur la densité.
Clause 22. Le procédé selon l’une quelconque des clauses 17 à 21, dans lequel l’un ou les plusieurs facteurs environnementaux comprennent l’un ou plusieurs d’entre l’heure du jour de l’atterrissage prévu, le jour de la semaine de l’atterrissage prévu, le niveau de précipitations dans le voisinage de l’aérodrome de destination à l’heure d’atterrissage prévue, la distance de visibilité dans le voisinage de l’aérodrome de destination à l’heure d’atterrissage prévue, la vitesse du vent dans le voisinage de l’aérodrome de destination à l’heure d’atterrissage prévue ou la direction du vent dans le voisinage de l’aérodrome de destination à l’heure d’atterrissage prévue.
Clause 23. Procédé de prédiction des paramètres optimaux pour une phase de descente d’aéronef, le procédé comprenant :
entraîner un module d’apprentissage automatique en :
recevant, pour chacun d’une pluralité de vols historiques d’aéronef, des données de vol enregistrées de l’aéronef, les données de vol enregistrées comprenant des données de consommation de carburant de l’aéronef, des données de vitesse verticale de l’aéronef, des données de vitesse indiquée de l’aéronef, des données de vitesse du vent basées sur l’altitude et des données de température ambiante basées sur l’altitude ;
divisant une altitude de descente en une pluralité de sous-sections d’altitude ;
déterminant, pour chaque sous-section d’altitude de chacun de la pluralité de vols historiques de l’aéronef, le temps pris et la quantité de consommation de carburant de l’aéronef pour descendre à travers la sous-section d’altitude sur la base des données de vol enregistrées ; et
associant chaque sous-section d’altitude de chacun de la pluralité de vols historiques de l’aéronef à la vitesse du vent enregistrée, à la température ambiante et à la vitesse indiquée ou vitesse Mach de l’aéronef ;
pour une descente future de l’aéronef ayant des données de plan de vol spécifiées et une altitude prédite sur la base de données météorologiques, examiner par itération les vitesses de descente pour chaque sous-section d’altitude et faire une prédiction du temps global pris et du carburant consommé pour chaque descente ; et
comparer les prédictions et sélectionner le scénario de descente ayant la consommation en carburant la plus basse dans une plage de temps désirée.
entraîner un module d’apprentissage automatique en :
recevant, pour chacun d’une pluralité de vols historiques d’aéronef, des données de vol enregistrées de l’aéronef, les données de vol enregistrées comprenant des données de consommation de carburant de l’aéronef, des données de vitesse verticale de l’aéronef, des données de vitesse indiquée de l’aéronef, des données de vitesse du vent basées sur l’altitude et des données de température ambiante basées sur l’altitude ;
divisant une altitude de descente en une pluralité de sous-sections d’altitude ;
déterminant, pour chaque sous-section d’altitude de chacun de la pluralité de vols historiques de l’aéronef, le temps pris et la quantité de consommation de carburant de l’aéronef pour descendre à travers la sous-section d’altitude sur la base des données de vol enregistrées ; et
associant chaque sous-section d’altitude de chacun de la pluralité de vols historiques de l’aéronef à la vitesse du vent enregistrée, à la température ambiante et à la vitesse indiquée ou vitesse Mach de l’aéronef ;
pour une descente future de l’aéronef ayant des données de plan de vol spécifiées et une altitude prédite sur la base de données météorologiques, examiner par itération les vitesses de descente pour chaque sous-section d’altitude et faire une prédiction du temps global pris et du carburant consommé pour chaque descente ; et
comparer les prédictions et sélectionner le scénario de descente ayant la consommation en carburant la plus basse dans une plage de temps désirée.
Clause 24. Le procédé selon la clause 23, dans lequel le module d’apprentissage automatique est entraîné sur la base des données de vols historiques d’aéronef correspondant uniquement à un aéronef individuel, avec des prédictions subséquentes correspondant à l’aéronef individuel.
Clause 25. Le procédé selon la clause 23 ou 24, dans lequel les données de plan de vol comprennent le niveau de croisière du vol, le poids projeté au décollage et l’heure et la date d’arrivée prévues.
Claims (10)
- Procédé d’amélioration de l’efficacité de carburant d’un vol d’aéronef, le procédé comprenant :
stocker, dans une mémoire de données de plan de vol, un plan de vol pour le vol de l’aéronef, le plan de vol comprenant une route prévue pour le vol de l’aéronef, une piste d’atterrissage prévue à un aérodrome de destination et une heure et une date d’arrivée prévues à l’aérodrome de destination ;
stocker, dans une mémoire de données météorologiques, des données météorologiques prédites correspondant au voisinage de l’aéroport à l’heure et à la date d’arrivée prévues ;
recevoir, à un premier module de cartographie de grappes d’un module de prédiction par apprentissage automatique entraîné, la route prévue pour le vol de l’aéronef, la piste d’atterrissage prévue à un aérodrome de destination, et les données météorologiques prédites correspondant au voisinage de l’aérodrome de destination à l’heure et à la date d’arrivée prévues ;
déterminer, par le premier module de cartographie de grappes, sur la base de l’apprentissage automatique entraîné du module de prédiction, une route d’arrivée prédite et une piste d’atterrissage prédite ;
déterminer, par un deuxième module de cartographie de grappes du module de prédiction par apprentissage automatique entraîné, sur la base de la route d’arrivée prédite et de la piste d’atterrissage prédite, une ou plusieurs trajectoires de vol de descente pour le vol de l’aéronef ;
filtrer, par un filtre de trajectoires du module de prédiction par apprentissage automatique entraîné, pour obtenir les trajectoires de vol de descente les plus probables, classées chacune par une probabilité conditionnelle basée sur un ou plusieurs facteurs environnementaux ;
déterminer, par un module de prédiction de distance du module de prédiction par apprentissage automatique entraîné, une distance correspondant à chacune des trajectoires de vol de descente les plus probables ; et
sortir, à un pilote, l’une ou les plusieurs trajectoires de vol de descente les plus probables et les distances correspondantes ;
dans lequel le modèle de prédiction par apprentissage automatique entraîné est entraîné sur la base des données de vols historiques de l’aéronef. - Procédé selon la revendication 1, comprenant en outre déterminer un emplacement de début de descente recommandé correspondant à la distance déterminée pour la trajectoire de vol de descente la plus probable sur la base d’un angle de descente désiré et de données de vitesse du vent des données météorologiques prédites.
- Procédé selon la revendication 2, comprenant en outre sortir, au pilote, l’emplacement de début de descente recommandé.
- Procédé selon la revendication 2, comprenant en outre sortir, à un système directeur de vol de l’avionique de l’aéronef, l’emplacement de début de descente recommandé et l’angle de descente désiré pour contrôler un système de pilotage automatique associé.
- Procédé selon l’une quelconque des revendications précédentes, dans lequel la détermination de la route d’arrivée prédite et de la piste d’atterrissage prédite par le premier module de regroupement utilise une classification hiérarchique.
- Procédé selon l’une quelconque des revendications précédentes, dans lequel la détermination d’une ou de plusieurs trajectoires de vol de descente pour le vol de l’aéronef par le deuxième module de regroupement utilise une classification basée sur la densité.
- Procédé selon l’une quelconque des revendications précédentes, où le module de prédiction par apprentissage automatique entraîné est entraîné sur la base des données de vols historiques de l’aéronef correspondant uniquement à l’aéronef et/ou au vol de l’aéronef.
- Procédé selon l’une quelconque des revendications précédentes, dans lequel l’un ou les plusieurs facteurs environnementaux comprennent un ou plusieurs d’entre l’heure du jour de l’atterrissage prévu, le jour de la semaine de l’atterrissage prévu, le niveau de précipitation dans le voisinage de l’aérodrome de destination à l’heure d’atterrissage prévue, la distance de visibilité dans le voisinage de l’aérodrome de destination à l’heure d’atterrissage prévue, la vitesse du vent dans le voisinage de l’aérodrome de destination à l’heure d’atterrissage prévue ou la direction du vent dans le voisinage de l’aérodrome de destination à l’heure d’atterrissage prévue.
- Procédé d’entraînement d’un module d’apprentissage automatique pour prédire les trajectoires de vol de descente les plus probables, le procédé comprenant :
recevoir une indication d’une route projetée pour une pluralité de vols historiques d’un aéronef ;
recevoir, pour chaque vol historique de l’aéronef, des données de vol enregistrées de l’aéronef, les données de vol enregistrées comprenant les données de position de l’aéronef et les données de cap de l’aéronef, les données de position formant une trajectoire pour chaque vol de l’aéronef parmi la pluralité de vols historiques de l’aéronef ;
recevoir une indication du relèvement magnétique de chaque piste parmi une pluralité de pistes à un aérodrome de destination ;
déterminer, pour chaque vol historique de l’aéronef, quelle piste a été utilisée pour l’atterrissage parmi la pluralité de pistes à l’aérodrome de destination et qu’elle était la direction d’approche à cette piste, sur la base des données de position de l’aéronef et/ou des données de cap de l’aéronef ;
faire une première analyse par grappes, à un premier module de regroupement du module d’apprentissage automatique, configurée pour regrouper des trajectoires ayant la même piste d’atterrissage et la même direction d’approche déterminées dans une pluralité de grappes ;
faire, pour chacune de la pluralité de grappes, une deuxième analyse par grappes, à un deuxième module de regroupement du module d’apprentissage automatique, configurée pour regrouper des trajectoires sur la base de la distance entre des trajectoires respectives afin de déterminer un jeu consolidé de trajectoires ; et
déterminer, pour chaque jeu consolidé de trajectoires, à un module de régression, une probabilité conditionnelle basée sur un ou plusieurs facteurs environnementaux. - Procédé de prédiction des paramètres optimaux pour une phase de descente d’aéronef, le procédé comprenant :
entraîner un module d’apprentissage automatique en :
recevant, pour chacun d’une pluralité de vols historiques d’un aéronef, des données de vol enregistrées de l’aéronef, les données de vol enregistrées comprenant les données de consommation de carburant de l’aéronef, les données de vitesse verticale de l’aéronef, les données de vitesse indiquée de l’aéronef, les données de vitesse du vent basées sur l’altitude et les données de température ambiante basées sur l’altitude ;
divisant une altitude de descente en une pluralité de sous-sections d’altitude ;
déterminant, pour chaque sous-section d’altitude de chacun de la pluralité de vols historiques de l’aéronef, le temps pris et la quantité de consommation de carburant de l’aéronef pour la descente à travers la sous-section d’altitude sur la base des données de vol enregistrées ; et
associant chaque sous-section d’altitude de chacun de la pluralité de vols historiques de l’aéronef à la vitesse du vent enregistrée, la température ambiante et la vitesse indiquée ou la vitesse Mach de l’aéronef ;
pour une descente future de l’aéronef ayant des données de plan de vol spécifiées et une altitude prédite sur la base de données météorologiques, examiner par itération les vitesses de descente pour chaque sous-section d’altitude, et faire une prédiction du temps global pris et du carburant consommé pour chaque descente ; et
comparer les prédictions et sélectionner le scénario de descente ayant la consommation en carburant la plus basse dans une plage de temps désirée.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR2205974A FR3136846A1 (fr) | 2022-06-17 | 2022-06-17 | Systeme et procede d’optimisation d’efficacite de vol |
| PCT/EP2023/066336 WO2023242433A1 (fr) | 2022-06-17 | 2023-06-16 | Système et procédé d'optimisation de l'efficacité de vol |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR2205974 | 2022-06-17 | ||
| FR2205974A FR3136846A1 (fr) | 2022-06-17 | 2022-06-17 | Systeme et procede d’optimisation d’efficacite de vol |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| FR3136846A1 true FR3136846A1 (fr) | 2023-12-22 |
Family
ID=83594356
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| FR2205974A Pending FR3136846A1 (fr) | 2022-06-17 | 2022-06-17 | Systeme et procede d’optimisation d’efficacite de vol |
Country Status (2)
| Country | Link |
|---|---|
| FR (1) | FR3136846A1 (fr) |
| WO (1) | WO2023242433A1 (fr) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140358415A1 (en) * | 2011-12-06 | 2014-12-04 | Airservices Australia | Flight prediction system |
| US9193442B1 (en) * | 2014-05-21 | 2015-11-24 | Rockwell Collins, Inc. | Predictable and required time of arrival compliant optimized profile descents with four dimensional flight management system and related method |
| US20150338853A1 (en) * | 2014-05-23 | 2015-11-26 | The Boeing Company | Determining a descent trajectory described by an Aircraft Intent Description Language (AIDL) |
| US9423799B1 (en) * | 2013-08-12 | 2016-08-23 | The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration (Nasa) | Optimum strategies for selecting descent flight-path angles |
| US10643480B2 (en) * | 2016-04-19 | 2020-05-05 | George Mason University | Method and apparatus for probabilistic alerting of aircraft unstabilized approaches using big data |
| US10678265B2 (en) * | 2016-10-19 | 2020-06-09 | Airbus Sas | Revised speed advisory for an aircraft during flight based on holding time |
| US20210233415A1 (en) * | 2015-07-13 | 2021-07-29 | Double Black Aviation Technology L.L.C. | System and method for optimizing an aircraft trajectory |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10839701B2 (en) * | 2018-06-05 | 2020-11-17 | Honeywell International Inc. | Methods and systems for stabilized approach energy management |
| FR3089624B1 (fr) * | 2018-12-06 | 2021-03-05 | Airbus Operations Sas | Procédé et système avionique pour générer une trajectoire verticale optimale |
-
2022
- 2022-06-17 FR FR2205974A patent/FR3136846A1/fr active Pending
-
2023
- 2023-06-16 WO PCT/EP2023/066336 patent/WO2023242433A1/fr unknown
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140358415A1 (en) * | 2011-12-06 | 2014-12-04 | Airservices Australia | Flight prediction system |
| US9423799B1 (en) * | 2013-08-12 | 2016-08-23 | The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration (Nasa) | Optimum strategies for selecting descent flight-path angles |
| US9193442B1 (en) * | 2014-05-21 | 2015-11-24 | Rockwell Collins, Inc. | Predictable and required time of arrival compliant optimized profile descents with four dimensional flight management system and related method |
| US20150338853A1 (en) * | 2014-05-23 | 2015-11-26 | The Boeing Company | Determining a descent trajectory described by an Aircraft Intent Description Language (AIDL) |
| US20210233415A1 (en) * | 2015-07-13 | 2021-07-29 | Double Black Aviation Technology L.L.C. | System and method for optimizing an aircraft trajectory |
| US10643480B2 (en) * | 2016-04-19 | 2020-05-05 | George Mason University | Method and apparatus for probabilistic alerting of aircraft unstabilized approaches using big data |
| US10678265B2 (en) * | 2016-10-19 | 2020-06-09 | Airbus Sas | Revised speed advisory for an aircraft during flight based on holding time |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2023242433A1 (fr) | 2023-12-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2020240177A1 (fr) | Système et procédé de prédiction d'heure d'arrivée de vol | |
| EP2360450B1 (fr) | Système embarqué d'évaluation de stratégies de vol à bord d'un aéronef | |
| EP3594870B1 (fr) | Système de calcul de mission d'un aéronef par combinaison d'algorithmes et procédé associé | |
| FR2953302A1 (fr) | Procede de planification, de calcul de trajectoire, de predictions et de guidage pour le respect d'une contrainte de temps de passage d'un aeronef | |
| EP3980723B1 (fr) | Système de prédiction d'intensité sonore variant dans le temps pour déterminer un itinéraire pour un véhicule aérien | |
| FR3038750A1 (fr) | Procede d'integration d'un nouveau service de navigation dans un systeme avionique embarque a architecture ouverte de type client-serveur, en particulier d'un service de manoeuvre fim | |
| US11094206B2 (en) | Vertical flightpath optimization | |
| Kern et al. | Data-driven aircraft estimated time of arrival prediction | |
| CN110675007A (zh) | 航班延误预测方法、装置及计算机存储介质 | |
| US20170132940A1 (en) | Computer-implemented method and system for setting up an air traffic simulator | |
| US20220028284A1 (en) | Aircraft pairing tool for formation flight | |
| CA3025357A1 (fr) | Systeme de calcul de mission d'un aeronef comportant une platine de mission | |
| FR3077913A1 (fr) | Procede et systeme d’aide a la decision en vue d’un atterrissage sur une piste d’atterrissage. | |
| FR3038751A1 (fr) | Procede d'integration d'une application d'optimisation de route (s) sous contraintes dans un systeme embarque avionique a architecture ouverte de type client serveur | |
| CN109145415B (zh) | 一种空中交通流时距分布分析方法 | |
| Hrastovec et al. | Machine learning model for aircraft performances | |
| FR3136846A1 (fr) | Systeme et procede d’optimisation d’efficacite de vol | |
| US20220252401A1 (en) | Method for optimising a flight plan | |
| Graas et al. | Quantifying accuracy and uncertainty in data-driven flight trajectory predictions with gaussian process regression | |
| CN112926809B (zh) | 一种基于聚类和改进的xgboost的航班流量预测方法及系统 | |
| Meijers | Data-driven predictive analytics of runway occupancy time for improved capacity at airports | |
| CA3025360A1 (fr) | Systeme de calcul de mission d'un aeronef, comportant un moteur de calcul de trajectoire de l'aeronef lors de la mission et procede associe | |
| Hardell et al. | Automated Traffic Scheduling in TMA with Point Merge to Enable Greener Descents | |
| Benjamin et al. | A machine learning approach for the prediction of top of descent | |
| US20240071217A1 (en) | Method and Processing System for Processing Probe Data and Probe |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PLFP | Fee payment |
Year of fee payment: 2 |
|
| PLSC | Publication of the preliminary search report |
Effective date: 20231222 |