پیشبینی سرعت و ارتفاع پرواز جهت جلوگیری از خروج هواپیما از باند فرودگاه با استفاده از الگوریتم B.I.M -LSTM

مقاله حاضر، مدلی نوآورانه BI.M-LSTM، ترکیبی از الگوریتم BI و شبکه عصبی بازگشتی(LSTM) جهت پیشبینی سرعت و ارتفاع پرواز در هنگام نزدیک شدن هواپیما به باند را ارایه میدهد. فاز اپروچ با سهم ۳ درصد از فرایند کل پرواز به عنوان خطرناکترین مرحله هر پرواز، رخداد بسیاری از حوادث ناگواری است اخیرا در کشور کره جنوبی منجر به کشته شدن تمام سرنشینان هواپیما شد. روش پیشنهادی آموزش شبکه عصبی نظارت شده برای برآورد پارامترهای هدف است. بدین منظور از دیتاست استاندارد مربوط به سال ۹۱۰۲ تا ۰۲۰۲ پس از خالصه سازی، پاکسازی، نرمال سازی تعداد ۱۸۸۲۳ رکورد مربوط به پارامترهای سرعت و ارتفاع در شرایط آب و هوایی، انتخاب شد. به علت وابستگی داده های پرواز و نیاز به نوعی حافظه، آموزش توسط الگوریتم (LSTM). در محیط پایتون انجام گرفتپس از یادگیری، میانگین خطای مجذور انحرافات حدود ۳۸.۲ درصد بدست آمد. نتیجه نشان داد، درصد خطا قابل اغماض و مدل پیشنهادی نسبت به مدل های مشابه از اعتبار باالیی برخوردار است. این مدل به دلیل برخورداری از ابزارهای پیشرفته از جمله ETL، متادیتا و مانیتوریگ لحظه ای مشکل اکتشاف و پاکسازی انبوه داده های پرواز را حل کرد و توانست مهم ترین عامل ریسک ایمنی فاز اپروچ یعنی کنترل سرعت و ارتفاع را با دقت بالا پیشبینی کند. این الگو با راهبردی قابل اعتماد به خدمه پرواز در راستای کنترل پارامترهای مهم ریسک ایمنی از جمله، از دست رفتن کنترل پرواز، سرعت هواپیما، موقعیت تاچ داون و کنترل جلوگیری از خروج هواپیما از باند کمک میکند.

کلیدواژه ها:

ریسک ایمنی پرواز ، حمل و نقل هوایی ، مدل BI.M-LSTM