离港航空器滑出时间的BP神经网络预测模型

准确地预测离港航空器滑出时间可有效提升机场场面运行效率,降低运行成本。构建基于BP神经网络的离港航空器滑出时间预测模型,分析影响离港航空器滑出时间的可量化因素,并对其相关性进行检验;通过我国中南某机场2周实际运行数据对模型进行验证,并以均方根误差、平均绝对误差和平均绝对误差百分比检验预测结果的准确性。结果表明:同时段推出航空器数量、同时段起飞航空器数量、同时段落地航空器数量、1小时内平均滑出时间与离港航空器滑出时间呈现强相关性,滑行距离、转弯个数、延误时间与滑出时间相关但不显著,航空器起飞时刻所在时段与滑出时间不相关;1小时内平均滑出时间对模型预测精度的提升起重要作用,具有相关性但不显著的影响因素的引入对预测结果精度的提升有一定的作用,引入不相关因素后模型的预测精度会显著下降。

基于废气排放因素的离港航空器滑行路径优化

以离港航空器为研究对象,将废气排放因素纳入滑行路径优化模型,分别建立最短滑行时间模型、最小废气排放量模型和两者相结合的多目标优化模型,并采用遗传算法开展算例仿真以获取帕累托最优配置方案。同时,考虑到CO2在废气中占比最大,就CO2单位成本、CO2排放成本、废气排放成本和滑行总成本之间的关系进行敏感性分析。结果表明:相较于最短滑行时间模型,该多目标优化模型可在保证航空器滑行效率的同时减少约1%的废气;随着CO2单位成本的增加,CO2排放成本占废气排放成本的比重呈“先快后慢”的趋势,在CO2单位成本值较低的情况下,表现出高度敏感性,而在成本值较高的情况下,敏感性较不显著;废气排放成本占总成本比重近乎成等比例增长。