Análisis de características y predicción a corto plazo de la turbulencia de aeronaves en áreas de aproximación de aeropuertos y rutas de vuelo
Autores: Ding, Jin; Zhang, Guoping; Wang, Shudong; Xue, Bing; Wang, Kuoyin; Yu, Tingzhao; Jiang, Ruijiao; Chen, Yu; Huang, Yan; Li, Zhimin; Yang, Ruyi; Liu, Xiaodan; Tian, Ye
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
Categoría
Ciencias Naturales y Subdisciplinas
Subcategoría
Astronomía
Palabras clave
Bumpiness de aeronaves
Modelos de aprendizaje automático
Tasa de disipación de vórtices
Elementos del estado de vuelo
área de aproximación
Modelos de predicción
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 9
Citaciones: Sin citaciones
Basado en los datos del Grabador de Acceso Rápido (QAR) que cubren más de 9000 rutas en China, se analizaron las características de distribución mensual e intra-diaria de la turbulencia de las aeronaves en diferentes niveles, y también se analizaron las relaciones entre la tasa de disipación de vórtices (EDR) y otros elementos del estado de vuelo de la aeronave durante la ocurrencia de la turbulencia. Posteriormente, se construyeron rutas de turbulencia de aeronaves utilizando 19 modelos de aprendizaje automático. Los análisis muestran que (1) la turbulencia de las aeronaves se concentró principalmente entre las 0:00 a.m. y las 17:00 p.m. La turbulencia severa de las aeronaves ocurrió con más frecuencia en la madrugada de enero, especialmente entre las 5:00 a.m. y las 6:00 a.m., y la turbulencia moderada siempre ocurrió de 3:00 a.m. a 11:00 a.m. (2) La relación entre los ángulos de ataque izquierdo y derecho y la turbulencia de las aeronaves en las rutas fue más simétrica, con un centro en 0 grados, a diferencia del área de aproximación donde los puntos críticos se concentraron principalmente en el rango de -5 a 0 grados. En el área de aproximación, cuanto mayor es el número de Mach, más severa es la turbulencia. (3) Las actuaciones de los modelos basados en la Regresión de Determinación Automática de Relevancia (ARD), Regresión de Mínimos Cuadrados Parciales (PLS), Regresión Elastic-Net (ENR), Árbol de Clasificación y Regresión (CART), Regresión Pasiva Agresiva (PAR), Bosque Aleatorio (RF), Regresión de Descenso de Gradiente Estocástico (SGD) y Regresión de Tweedie (TWD) fueron relativamente buenas, mientras que las actuaciones de los modelos basados en la Regresión de Huber (HUB), Regresión de Ángulo Mínimo (LAR), Regresión Polinómica (PLN) y Regresor de Ridge (RR) fueron muy pobres. Los modelos de predicción de turbulencia de aeronaves tuvieron un mejor desempeño en el área de aproximación de ZBDT (aeropuerto en Datong), ZULS (aeropuerto en Lhasa), ZPPP (aeropuerto en Kunming) y ZLQY (aeropuerto en Qingyang). El modelo tuvo el mejor desempeño en la predicción de la ruta aérea ZLLL-ZBDT (rutas de vuelo de Lanzhou a Datong) con diferentes tiempos de predicción.
Descripción
Basado en los datos del Grabador de Acceso Rápido (QAR) que cubren más de 9000 rutas en China, se analizaron las características de distribución mensual e intra-diaria de la turbulencia de las aeronaves en diferentes niveles, y también se analizaron las relaciones entre la tasa de disipación de vórtices (EDR) y otros elementos del estado de vuelo de la aeronave durante la ocurrencia de la turbulencia. Posteriormente, se construyeron rutas de turbulencia de aeronaves utilizando 19 modelos de aprendizaje automático. Los análisis muestran que (1) la turbulencia de las aeronaves se concentró principalmente entre las 0:00 a.m. y las 17:00 p.m. La turbulencia severa de las aeronaves ocurrió con más frecuencia en la madrugada de enero, especialmente entre las 5:00 a.m. y las 6:00 a.m., y la turbulencia moderada siempre ocurrió de 3:00 a.m. a 11:00 a.m. (2) La relación entre los ángulos de ataque izquierdo y derecho y la turbulencia de las aeronaves en las rutas fue más simétrica, con un centro en 0 grados, a diferencia del área de aproximación donde los puntos críticos se concentraron principalmente en el rango de -5 a 0 grados. En el área de aproximación, cuanto mayor es el número de Mach, más severa es la turbulencia. (3) Las actuaciones de los modelos basados en la Regresión de Determinación Automática de Relevancia (ARD), Regresión de Mínimos Cuadrados Parciales (PLS), Regresión Elastic-Net (ENR), Árbol de Clasificación y Regresión (CART), Regresión Pasiva Agresiva (PAR), Bosque Aleatorio (RF), Regresión de Descenso de Gradiente Estocástico (SGD) y Regresión de Tweedie (TWD) fueron relativamente buenas, mientras que las actuaciones de los modelos basados en la Regresión de Huber (HUB), Regresión de Ángulo Mínimo (LAR), Regresión Polinómica (PLN) y Regresor de Ridge (RR) fueron muy pobres. Los modelos de predicción de turbulencia de aeronaves tuvieron un mejor desempeño en el área de aproximación de ZBDT (aeropuerto en Datong), ZULS (aeropuerto en Lhasa), ZPPP (aeropuerto en Kunming) y ZLQY (aeropuerto en Qingyang). El modelo tuvo el mejor desempeño en la predicción de la ruta aérea ZLLL-ZBDT (rutas de vuelo de Lanzhou a Datong) con diferentes tiempos de predicción.