Aircraft De-icing Occurence Prediction
Buch in deiner Nähe kaufen
Beschreibung
Zur sicheren Durchführung von Abflügen bei winterlichen Bedingungen müssen Flugzeuge frei von jeglichen Eisrückständen sein, die die Umströmung stören. Aus diesem Grund ist eine Enteisung vor dem Start erforderlich. Wegen der komplizierten Vorhersagbarkeit der Vereisungsbedingungen und der Entscheidung des verantwortlichen Piloten hat die Enteisung ein hohes Potenzial den Betrieb einer Fluggesellschaft zu stören. Darüber hinaus sind unterschiedliche Verfahren auf den Flughäfen zu berücksichtigen, die sowohl von Fluggesellschaften als auch Piloten vor dem Abflug berücksichtigt werden müssen. Bei dem Verpassen von vorgesehenen Zeitfenstern für den Start kann die Kapazität des Flughafens eingeschränkt werden.
In einer qualitativen Befragung zeigte sich, dass die Enteisung in der Regel reaktivgehandhabt wird. Abgesehen von der grundlegenden Wettervorhersage und der Vereisungswarnung während des Fluges ist die Bodenvereisung nicht Teil der taktischen Entscheidungsfindung.
In dieser Arbeit werden Methoden des Maschinellen Lernens (ML) eingesetzt, um das Enteisungsverfahren am Flughafen München abzubilden. Es gibt zwei Anwendungsfälle, welche unterschiedlich betrachtet werden; der eine Fall ist die Verbesserung der Wettervorhersage mit Wetterberichten und der andere ist die Erfassung von Enteisungsereignissen auf Basis dieser Daten. Ähnlich wie in anderen Branchen schränken auch Fluggesellschaften den Zugriff auf die von ihnen gesammelten Daten ein, aber im Gegensatz dazu senden Flugzeuge jedoch ständig ihre Position aus. ADS-B Signale, die über Jahre hinweg gesammelt und gespeichert werden, dienen in dieser Arbeit als Grundlage für die Kombination von Flugzeugpositionen mit meteorologischen Daten. Neben den genannten Positionierungsdaten werden auch Oberflächendaten vom Flughafen München, Wetterberichte (METAR) und Flugplatzvorhersagen (TAF) verwendet. Kombiniert, entsteht so ein Datensatz, der für mehr als zwei Jahre vollständig ist. Die Wetterberichte selbst sind für mehr als zehn Jahre verfügbar und werden daher von einem ersten Algorithmus verwendet, um Vorhersagen zu erstellen.
Unter Verwendung gängiger Methoden zur Hyperparametersuche werden zwei Algorithmen ausgewählt; einer für jeden Anwendungsfall. Die Wettervorhersage zeigt Abweichungen von 2°C bis 4°C innerhalb von 75% der Vorhersagen. Im Vergleich zu anderen Studien zeigten sie ähnliche Leistungen, während im Vergleich zu nationalen Wetterdiensten die Genauigkeit eingeschränkt ist. Die Enteisungsvorhersage zeigt eine Abhängigkeit von der zuvor erstellten Wettervorhersage an. Obwohl der F-score von 78% auf ein zufriedenstellendes Ergebnis hindeutet, verringerte sich die Leistung durch die Verwendung der zuvor vorhergesagten Temperaturen. Die individuelle Zuweisung von Enteisungen zu den jeweiligen Flugzeugen wurde durch Korrelation der Position und der Enteisungsfläche vorgenommen. Die Qualität der Enteisungszuweisungen konnte daher nicht mit Sicherheit überprüft werden (85% aller Fälle wurden detektiert). Für eine Enteisungsvorhersage, auf die sich eine Fluggesellschaft verlassen kann, sollten weitere Studien durchgeführt werden. Eine vielversprechendere Datenquelle und die Verwendung von Wettervorhersagen nationaler Anbieter könnten die Genauigkeit dieser Modelle durchaus erhöhen und damit den F-score von hier 78% noch zu übertreffen.
Autor*in
Jesper Henrik Sandgaard
Themen in »Aircraft De-icing Occurence Prediction«
Ground de-icing Weather prediction Icing prediction Machine Learning