New flight plan optimisation method utilising a set of alternative final point arrival time targets (RTA constraints)
Notice bibliographique
Résumé
Abstract This study investigates a new aircraft flight trajectory optimisation method, derived from the Non-dominated Sorting Genetic Algorithm II method used for multi-objective optimisations. The new method determines, in parallel, a set of optimal flight plan solutions for a flight. Each solution is optimal (requires minimum fuel) for a Required Time of Arrival constraint from a set of candidate time constraints selected for the final waypoint of the flight section under optimisation. The set of candidate time constraints is chosen so that their bounds are contiguous, i.e. they completely cover a selected time domain. The proposed flight trajectory optimisation method may be applied in future operational paradigms, such as Trajectory-Based Operations/free flight, where aircraft do not need to follow predetermined routes. The intended application of the proposed method is to support Decision Makers in the planning phase when there is a time constraint or a preferred crossing time at the final point of the flight section under optimisation. The Decision Makers can select, from the set of optimal flight plans, the one that best fits their criteria (minimum fuel burn or observes a selected time constraint). If the Air Traffic Management system rejects the flight plan, then they can choose the next best solution from the set without having to perform another optimisation. The method applies for optimisations performed on lateral and/or vertical flight plan components. Seven proposed method variants were evaluated, and ten test runs were performed for each variant. For five variants, the worst results yielded a fuel burn less than 90kg (0.14%) over the ‘global’ optimum. The worst variant yielded a maximum of 321kg (0.56%) over the ‘global’ optimum.
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.
Comment cette classification a été obtenuedéplier
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) | 0,003 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».