طراحی مدلی هوشمند جهت پیش بینی ریسک ایمنی پرواز- فاز اپروچ با استفاده از الگوریتم BI.M-LSTM

مقاله حاضر، مدلی نوآورانه (BI.M-LSTM) ترکیبی از الگوریتم (BI) و شبکه عصبی بازگشتی (LSTM) جهت پیش بینی ریسک ایمنی پرواز فاز اپروچ ارایه می دهد. فاز اپروچ با سهم ۳ درصد از فرایند کل پرواز به عنوان خطرناک ترین مرحله هر پرواز است. روش پیشنهادی شامل آموزش شبکه های عصبی نظارت شده برای برآورد پارامترهای هدف است. بدین منظور از دیتاست استاندارد مربوط به سال ۲۰۱۹ تا ۲۰۲۰ پس از خلاصه سازی، پاکسازی، نرمال سازی تعداد ۲۸۸۱۳ رکورد مربوط به پارامترهای ریسک ایمنی، مانند شرایط آب و هوایی، پیکربندی هواپیما، اطلاعات پرواز، سرعت، ارتفاع و ترافیک هوایی انتخاب شد. به علت وابستگی داده های پرواز به ورودی های ما قبل خود و نیاز به نوعی حافظه، آموزش توسط الگوریتم (LSTM) در محیط پایتون انجام گرفت. پس از یادگیری، میانگین خطای مجذور انحرافات حدود ۳۸/۶درصد بدست آمد. نتیجه نشان داد، درصد خطا قابل اغماض و مدل پیشنهادی نسبت به مدل های مشابه از اعتبار بالایی 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 لندینگ را با دقت بالا پیش بینی 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 می کند.

کلیدواژه ها:

ریسک ایمنی پرواز ، حمل نقل هوایی ، لندینگ ، مدل ، یادگیری عمیق ، BI.M-LSTM