MétaCan
Menu
Retour à la cohorte
Enregistrement W4412486603 · doi:10.2514/6.2025-3256

Impact of Hydrogen Availability at Airports on the Potential Environmental Benefits of Hydrogen-Kerosene Dual-Fuel Business Jets Using ADS-B Data

2025· article· en· W4412486603 sur OpenAlexaff
Nathan Louvel, Mathieu Bouchard, David Rancourt

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueAdvanced Aircraft Design and Technologies
Établissements canadiensUniversité de Sherbrooke
Organismes subventionnairesnon disponible
Mots-clésKeroseneHydrogenDual (grammatical number)Hydrogen fuelEnvironmental scienceJet fuelLiquid hydrogenWaste managementAerospace engineeringAutomotive engineeringAeronauticsComputer scienceEngineeringChemistry

Résumé

récupéré en direct d'OpenAlex

Business aviation’s operational flexibility is characterized by its ability to access less congested airports. This flexibility is also evident in the ability of these aircraft to carry out long-haul missions despite a high frequency of short-haul flights. This unique characteristic distinguishes business aviation from other sectors. However, with 5 to 14 times higher per-passenger emissions than commercial flights and a growing increase in business aircraft deliveries, this sector is under pressure to contribute to global net-zero emissions targets. A hydrogen-kerosene dual-fuel propulsion system offers a balanced solution by maintaining operational flexibility while significantly reducing greenhouse gas emissions. This propulsion system is designed to rely on liquid hydrogen for the most frequent missions, typically short-range flights, while retaining kerosene to maintain the long-range capability needed for less frequent but critical missions. However, the environmental benefits of this approach depend heavily on hydrogen availability at airports. Unlike commercial aviation, which operates mainly from large hubs, business aviation frequently uses smaller airports with lower traffic volumes. This network of airports represents a major challenge for the deployment of hydrogen infrastructure, as an investment in storage, refueling, and logistics infrastructure is likely to focus initially on large hubs, leaving smaller regional airfields with limited or no access. This paper investigates the impact of hydrogen availability on the environmental benefits of the dual-fuel propulsion concept applied to a super-midsize business aircraft. A statistical analysis of ADS-B flight data from a 762 different Challenger 300 aircraft fleet over one year offers insights into the airports commonly visited by business jets and their travel distances. A hydrogen deployment scenario is created in which large commercial hubs have access to hydrogen and can supply hydrogen at a nearby airport within a circle of a specified radius centered on the large commercial hub. This analysis links the hydrogen deployment scenario with the actual flight data to evaluate the potential reduction in greenhouse gas emissions from the dual-fuel concept. A performance model is applied to the operational data to calculate the energetic and environmental performance of the dual-fuel aircraft. The results indicate that the dual-fuel concept is environmentally viable at the fleet level, provided that large commercial hubs can supply hydrogen to nearby airports within a radius of 10 miles or more. However, the dual-fuel aircraft consumes 8.8% more energy than the reference aircraft for this hydrogen deployment radius. This concept could significantly facilitate the energy transition in business aviation.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,433
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,001
Communication savante0,0000,000
Science ouverte0,0010,002
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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 Opus0,027
Tête enseignante GPT0,259
Écart entre enseignants0,232 · 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 tête enseignante, pas un consensus.

Devis d'étudeExpérimental (laboratoire)
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
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetAdvanced Aircraft Design and TechnologiesTravaux en français237 207