Optimisation des trajectoires d'un système de gestion de vol d'avions pour la réduction des coûts de vol
Bibliographic record
Abstract
La mise en oeuvre et le suivi des plans de vol opérationnels sont une occupation importante pour un équipage de vols commerciaux. Le but de cette opération est de définir les trajectoires latérales et verticales suivies par lâavion lors de ses phases de vol en montée, en croisière, en descente, etc. Ces trajectoires sont soumises à des contraintes économiques contradictoires : la minimisation du temps de vol, et aussi du carburant consommé ainsi que des contraintes environnementales. Dans sa planification de vol, l'équipage est assisté par le système de gestion de vol (FMS) qui permet de construire la trajectoire à suivre et également de prédire le comportement de lâavion le long du plan de vol. Le FMS considéré dans notre recherche, intègre, en particulier, un modèle dâoptimisation de vol calculant uniquement un profil de vitesse optimal qui minimise le coût global de vol synthétisé par un critère d'indice de coût suivant une altitude de croisière constante. \n \nOr, le modèle basé seulement sur l'optimisation du profil de vitesses nâest pas suffisant. Il est nécessaire dâintégrer une optimisation simultanée de l'altitude et de la vitesse afin de déterminer une altitude de croisière optimale qui minimise le coût global lorsque la trajectoire est parcourue avec le profil de vitesse optimal. Ainsi, un nouveau programme a été développé. Ce dernier se base sur la méthode de la programmation dynamique inventée par Bellman pour résoudre les problèmes de chemins optimaux. De plus, lâamélioration passe par la recherche de nouveaux schémas de trajectoires intégrant des croisières ascendantes et l'utilisation du plan latéral sous l'effet de la météo. Enfin, pour une meilleure optimisation, le programme tient compte des capacités des avions qui utilisent le FMS étudié.
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 | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.002 | 0.000 |
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; a candidate call from one teacher head, not a consensus.
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".