Nouvelle méthode d’optimisation du coût d’un vol par l’utilisation d’un système de gestion de vol et sa validation sur un avion Lockheed L-1011 TriStar
Bibliographic record
Abstract
Ordinairement, la planification et l’optimisation des vols commerciaux s’exécutent au sol, plusieurs heures, voir plusieurs jours à priori de ce dernier. Toutefois, ces tâches ne sont pas toujours possibles, ou certains événements imprévisibles pourraient forcer le pilote à modifier la trajectoire. En de telles circonstances, le pilote ne peut se référer qu’à des chartes ou à son système de gestion de vol (FMS), afin de maintenir un vol économique. Néanmoins, certains FMS font usage de ces mêmes chartes qui ne peuvent prendre en considération avec précision différents paramètres tels que l'indice de coût, la durée du vol ou les facteurs météorologiques. De plus, alors que certains FMS incluent dans leurs calculs les conditions météorologiques, les données pourraient s’avérer insuffisantes lorsque, par exemple, elles doivent être manuellement entrées pour chacun des jalons du vol. \n \nAfin de pallier à ces différents problèmes, le programme qui a été développé a pour fonction de déterminer le profil de vol optimal pour un aéronef, ou plus précisément, au coût global le plus bas, considérant une masse au décollage et les conditions météorologiques. Le coût total est basé à la fois sur la valeur du temps de même que le prix du carburant, ce qui entraîne l'utilisation d'un ratio appelé l'indice du coût. Cet indice permet à la fois de hiérarchiser le temps ou la consommation de carburant en fonction des coûts liés à un vol spécifique et/ou une ligne aérienne. Ainsi, à partir d'un poids, des conditions météorologiques (vents, températures, pressions), et l'indice du coût, le programme va calculer à l’aide de la " Performance Database " (PDB) d'un avion spécifique un profil de vol optimal sur une distance donnée. L'algorithme est basé sur des interpolations linéaires dans les tableaux des performances en utilisant la méthode de Lagrange. \n \nPar ailleurs, afin d'optimiser pleinement le vol, le programme peut, selon la date de départ et les coordonnées, télécharger les dernières prévisions disponibles en format GRIB2 auprès d'Environnement Canada et calculer le vol optimum en conséquence. Parce que toutes les données sont tabulées et non calculées, la puissance d’exécution requise demeure faible, entraînant un temps de résolution court.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.012 |
| Meta-epidemiology (narrow) | 0.002 | 0.003 |
| Meta-epidemiology (broad) | 0.002 | 0.001 |
| Bibliometrics | 0.002 | 0.004 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.002 |
| Open science | 0.003 | 0.001 |
| Research integrity | 0.009 | 0.005 |
| Insufficient payload (model declined to judge) | 0.001 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; both teacher heads agree on what is shown here.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".