Wykorzystanie SI do zmniejszenia wpływu lotnictwa na środowisko
Mimo że samoloty ulegają procesom starzenia, producenci, systemy zarządzania lotem oraz dostawcy oprogramowania przygotowującego do lotu ciągle korzystają z modeli producentów, które nie odzwierciedlają faktycznej wydajności maszyny. Odbija się to na dokładności szacunków i skuteczności zużycia paliwa czy ograniczania emisji CO2. W finansowanym ze środków UE projekcie PERF-AI do danych pochodzących z lotów zastosowano technologie uczenia maszynowego, by na tej podstawie określić zmiany w wydajności każdej z maszyn i zapewnić liniom lotniczym aktualne informacje, na podstawie których będą mogły planować skuteczniejszą pracę. Celem projektu było wskazanie odpowiednich algorytmów uczenia maszynowego oraz sprawdzenie ich dokładności i możliwości w zakresie prowadzenia analizy statystycznej danych lotu. Ponadto na potrzeby projektu opracowano modele matematyczne pozwalające zoptymalizować rzeczywiste trajektorie lotu z uwzględnieniem faktycznej wydajności samolotu i dzięki temu zminimalizować zużycie paliwa w trakcie lotu.
Szukanie rozwiązań dla ograniczeń wydajności baz danych obecnych systemów
Zespół projektu PERF-AI zastosował uczenie maszynowe do zestawów danych zarejestrowanych przez rejestratory szybkiego dostępu i czarne skrzynki, zbieranych po każdym locie. Na tej podstawie aktualizowano osiągi samolotu. Pierre Jouniaux, dyrektor generalny i twórca projektu Safety Line, paryskiego start-upu zajmującego się opracowywaniem innowacyjnych rozwiązań z zakresu bezpieczeństwa i sprawności działań lotniczych, wyjaśnia: „Ostatecznie chodziło o to, by użyć modeli wydajności uzyskanych na drodze uczenia maszynowego do optymalizacji parametrów lotu, bo zebrane w ten sposób dane są dokładniejsze i uwzględniają większą zmienność. W efekcie możemy dzięki temu wskazać pilotom najlepsze warunki działania, dzięki czemu będą w stanie prowadzić maszynę w sposób bardziej wydajny”. Partnerzy projektu przygotowali model odtwarzający pełne osiągi samolotu, bazując wyłącznie na danych pobranych z maszyny, które odpowiadały jej rzeczywistemu zachowaniu. Następnie przetestowali ten model na inżynieryjnym komputerze zarządzającym lotem. Wyniki tego eksperymentu potwierdziły, że w ten sposób można zaktualizować każdy model wydajności samolotu i zapewnić pilotom dokładniejsze dane dotyczące maszyny. Zasadniczą korzyścią płynącą z tych badań jest możliwość tankowania mniejszej ilości paliwa. Na podstawie wyników opracowano kilka algorytmów optymalizacji, które wymagają niewielkich zasobów obliczeniowych i które można uruchamiać na urządzeniach takich jak tablet.
Problem śladu węglowego w lotnictwie
Przy współpracy z liniami lotniczymi Transavia France konsorcjum przeprowadziło kilka testów dotyczących możliwych poprawek w zakresie wysokości lotu. Udało się także wykazać istnienie potencjału w obszarze redukcji spalania, w przypadku nowoczesnego Boeinga 737-800 mogącego przewozić nawet 189 osób, sięgającego nawet 150 kg/h. Największą korzyść odniosą producenci oryginalnego wyposażenia, którzy potrzebują bardziej dokładnych danych, by móc poprawnie ocenić osiągi samolotu. Linie lotnicze, które starają się podnieść wydajność maszyn i jednoczenie ograniczyć zużycie paliwa oraz emisję CO2, również mogą zyskać na tym wiele. Uczestnictwo w projekcie PERF-AI zapewniło firmie Safety Line nagrodę w kategorii „Działania na rzecz klimatu” w zorganizowanym w grudniu 2020 roku przez Światową Organizację Turystyki globalnym konkursie startupów dotyczącym osiągania zrównoważonych celów. Światowa Organizacja Turystyki jest agencją Organizacji Narodów Zjednoczonych, która zajmuje się promowaniem zrównoważonej, dostępnej i inkluzyjnej turystyki. Zorganizowany przez nią inauguracyjny konkurs ma tworzyć warunki sprzyjające przyjmowaniu zrównoważonego rozwoju przez innowacyjne ekosystemy przedsiębiorczości na całym świecie.
Słowa kluczowe
PERF-AI, samolot, lot, linie lotnicze, zużycie paliwa, uczenie maszynowe, lotnictwo, model wydajności
