MétaCan
Menu
← Retour à la cohorte
Enregistrement W4304807487 · doi:10.1155/2022/5869101

An Improved Runway Operation Capacity Model for V-Open Multirunway Airports in China

2022· article· en· W4304807487 sur OpenAlexvenueno aff
Zhiyuan Shen, Xinyu Xu, Yong He, YongGang Yan, Lin Zhou, Yingying Hu

Notice bibliographique

RevueJournal of Advanced Transportation · 2022
Typearticle
Langueen
DomaineEngineering
ThématiqueAir Traffic Management and Optimization
Établissements canadiensnon disponible
Organismes subventionnairesCivil Aviation Administration of ChinaNational Natural Science Foundation of China
Mots-clésRunwaySeparation (statistics)Transport engineeringChinaComputer scienceEngineering

Résumé

récupéré en direct d'OpenAlex

Diverging runways are receiving considerable attention as replacements for parallel runways when constructing three or more runways in China. This has been prompted by the limitations associated with a single-direction airspace and associated regulations when using parallel runways. However, the operating efficiency of diverging runways is still greatly constrained by the separation standard for departing aircraft in CCAR-93TM-R5 and Decree of CAAC NO.123. To address these problems, an improved runway operation capacity model for a V-open multirunway airport is proposed to reduce the separation standard based on the equivalent lateral separation operation (ELSO) standard. A collision risk module is first proposed to assess the feasibility and safety of the proposed policy. Also, a novel runway capacity model for V-open multiple runways is then built to improve the operating efficiency for diverging runway. A series of comparative experiments based on actual flight data from Chengdu Tianfu International Airport demonstrated that reducing the divergence angle from 15° to 10° improved the runway operation capacity by about 8% based on the proposed improved policy. These research results could play a major role in facilitating appropriate amendments to the associated CAAC operation regulations.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,096
Score d'incertitude au seuil0,191

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0020,001
Science ouverte0,0020,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,000

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.

Tête enseignante Opus0,010
Tête enseignante GPT0,236
Écart entre enseignants0,225 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Advanced Transportation→Même sujetAir Traffic Management and Optimization→Travaux en français237 207→