Method to Calculate Aircraft VNAV Trajectory Cost Using a Performance Database
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Vertical Navigation (VNAV) trajectory optimization has been identified as a means to reduce fuel consumption. Due to the computing power limitations of devices such as Flight Management Systems (FMSs), it is very desirable to implement a fast method for calculating trajectory cost using optimization algorithms. Conventional trajectory optimization methods solve a set of differential equations called the aircraft equations of motions to find the optimal flight profile. Many FMSs do not use these equations, but rather a set of lookup tables with experimental, or pre-calculated data, called a Performance Database (PDB). This paper proposes a method to calculate a full trajectory flight cost using a PDB. The trajectory to be calculated is composed of climb, acceleration, cruise, descent and deceleration flight phases. The influence of the crossover altitude during climb and step climbs in cruise were considered for these calculations. Since the PDB is a set of discrete data, Lagrange linear interpolations were performed within the PDB to calculate the required values. Given a takeoff weight, the initial and final coordinates and the desired flight plan, the trajectory model provides the Top of Climb coordinates, the Top of Descent coordinates, the fuel burned and the flight time needed to follow the given flight plan. The accuracy of the trajectory costs calculated with the proposed method was validated for two aircraft; one with an aerodynamic model in FlightSIM, software developed by Presagis, and the other using the trajectory generated by the reference FMS.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle