基于轨迹的操作是一项新技术,将在下一代空中交通管理中开发。为了在飞机攀升过程中澄清对环境的燃料消耗和排放对环境的优化空间,考虑环境影响的飞机攀升性能参数优化模型。首先,为飞机升降过程建立水平和垂直升降模型,然后通过考虑燃料消耗,气温排放的影响以及飞行过程的便利性来构建优化目标。最后,通过遗传算法解决了多目标模型。选择B737-800民用航空飞机用于仿真实验,分析速度变化对优化目标的影响。结果表明,随着速度的变化,燃料消耗和温度升高不同,飞机的爬升性能参数受到最大RTA的影响。通过优化飞机的飞行参数,它可以有效地减少飞行对环境的影响,为民航的可持续发展提供理论支持。
当前,全球空中交通系统正处于全面转型升级阶段,以应对不断增长的飞行需求、复杂庞大的系统架构和多元化的运营环境。与此同时,我们继续致力达致各持份者对航空营运的全面表现、运作效率、成本效益及环境影响的期望[ 攀登阶段是飞机飞行过程中的一个重要阶段。不同的飞行性能参数与飞机飞行的有效性有关。本文研究了飞机的攀爬阶段,阐明了飞机攀爬性能的影响机制,并提供了优化飞机燃料效率和改善环境友好性的理论支持。
Ho-Huu等在偏离轨迹优化方面,建立了考虑油耗和噪声因素的多目标模型,设计了求解算法,得到了最优轨迹[ 在空域运行限制方面,拉蒙和阿德里安准确地限制了航点的到达时间,并在RTA模式下对CDO(连续下降操作)进行了研究,并认为模式是降低燃料消耗影响的潜在解决方案,污染物排放,以及机场地区的噪音而不会损坏机场容量。此外,在飞机开始下降之前,有益于RTA [ 以上研究主要考虑燃油经济性、噪声干扰或空域运行限制等因素对飞机飞行轨迹的影响。为了更充分地阐明飞行器爬升过程中轨迹参数的时空特性,本文采用差异化的思想,结合BADA的全能量模型对飞机爬升过程进行建模和分析,建立了多路点约束下的飞机爬升过程模型。考虑燃油消耗、废气引起的全球气温上升、约束段间最小飞行速度变化三个优化目标,设计了一种精英保留策略的遗传算法来解决该问题。并希望能为航空运输的绿色发展理念提供理论支持。
Enroute攀登一般是指飞机在机场地上以1500英尺的高度爬上飞机爬升的攀升过程,并增加到指定的巡航高度和巡航速度[
由于飞机在10,000英尺以下飞行时的高机动性和空中交通管制的干扰,飞行的可预测性较差。因此,本文只考虑10000英尺以上的飞机爬升阶段和航路巡航的起始段。由于飞机飞行轨迹在实际运行过程中会受到多种因素的影响,空中交通管理系统(ATMS)需要安排离港飞机安全间隔,以确保飞机飞行安全有序。在此过程中,ATMS需要有效地控制飞机的飞行轨迹,常用的方法是发布飞机航路点约束条件。
因此,我们可以抽象出具有多个航路点约束的飞机起飞爬升飞行过程,即从A点出发,爬升至TOC (top of climb, TOC),在指示空速不变的情况下结束于B点。整个过程有多个路径点约束。如图所示 攀登轨迹分为<我nline-formula>
飞机在中间点的飞行高度<我nline-formula>
飞机到达中点的飞行时间<我nline-formula>
为了确定某一限制段内的具体水准和爬升距离,假设已知该限制段内的水平飞行距离,爬升距离可表示为
综上所述,飞行器爬升过程的飞行轨迹参数可以用以下公式描述: 多路点约束包括每个约束段的RHA约束和RTA约束。在图中 RTA约束为时间区间形式,可表示为:
采用BADA中的全能量模型对飞机爬升过程进行建模。外力对飞机所作的功等于飞机机械能的变化。在爬升过程中,飞机纵向轴上的力主要由发动机推力构成<我nline-formula>
在公式( 公式转换后,高度变化率<我nline-formula>
对于给定的攀爬高度<我nline-formula>
飞机最大攀登推力<我nline-formula>
如果飞机转向,飞机游轮可以被视为稳定的平行过程。此时,飞机可以被视为质量点,垂直轴上的飞机重力等于提升力,并且在垂直轴上的发动机推力等于飞机的电阻。根据动力学方程,
假设飞机在指示的空速上飞行<我nline-formula>
在飞机水平飞行过程中,对于给定的飞行距离<我nline-formula>
由于不同气体的辐射特性不同,排放后的温室效应也不同,如何评估发动机排放对气候变化的影响就显得尤为重要。根据参考资料[
为了满足具体的空中交通管理运行约束条件,应综合考虑三个优化目标:(1)尽可能降低飞机燃油消耗;(2)全球总气温上升越小越好;(3)段间速度变化尽量少。
ATM系统颁发RTA和RHA约束指令。RTA和RHA约束指令的本质是在一定时间间隔内飞行一定距离后,需要飞机通过高度间隔。在出发过程中,假设相同约束段中的飞行速度保持不变,并且段之间的飞行速度是可变的。当飞机根据给定RTA间隔才能才能为每个约束部分,飞行速度应符合相应的指示的空速变化范围。多目标优化模型专门表示如下: 在多点约束下的飞行参数优化的目标包括燃料消耗,总温度升高和受限段之间的空速变化。当飞行与RHA和RTA约束相遇时,根据飞机飞行状态参数,对于飞机沿着多道受限的脱离轨迹,可以获得由燃料消耗和发动机排气引起的总温度上升数据。
飞机发动机排放引起的总温度升高<我nline-formula>
采用约束段内的指示空速飞行,两个相邻约束部分之间的空速变化如下:
由于优化过程需要考虑三个优化目标。除了燃料消耗和总温度升高之外,考虑了不同约束段之间的指示的空速变化,并且指示的空速变化极大地影响了飞行方便。
为了将多目标问题转化为单目标问题,需要建立合理的适应度函数。的适应度函数<我nline-formula>
MullowPoint约束下的GA优化模型如图所示 多航点遗传算法优化模型。
该模型采用多目标遗传算法对决策变量集进行优化<我nline-formula>
在本次仿真中,我们选择对B737-800民用飞机爬升轨迹进行优化,并应用上述优化模型来实现优化目标。假设飞机在标准大气条件下飞行,温度偏差为<我nline-formula>
仿真基本参数。
每个约束段范围如下。 在不考虑RTA约束的情况下,在确定飞行高度和飞行距离的情况下,优化目标主要受飞行速度的影响。通过对不同指示空速下的飞行参数进行遍历和计算,得出指示空速对飞行参数影响的一般规律。各约束段的结束高度设置如下: 设置<我nline-formula>
速度变化对优化目标和排放的影响。
由于燃料消耗与燃料成正比<我nline-formula>
桌子 飞行参数变化最小燃料消耗和总温度升高。
为了分析对应于不同指示的空速的攀爬轨迹改变规则,设置指示的空速变化间隔是<我nline-formula>
飞行轨迹对应不同的飞行速度。
参数
风速(kt)
质量(kg)
TOC(FT)
速度(kt)
数据
0
0
150
65000.
10000
27000.
1000
1000
200-310.
状况
总计<我nline-formula>
260.
1238.554.
1.8912
26.511
3907.638
总计<我nline-formula>
280.
1247.401.
1.8781
27.224
3935.552
不同的权重因对应于不同的优化结果,并且我们为实验设置了不同的重量组合,并在不同的值下分析结果。考虑到算法计算的随机性,我们运行程序5次并记录不同权重因子组合下的优化结果。同时,我们绘制了增长过程<我nline-formula>
三个优化目标和分析图。
不同权重组合及优化结果。
优化结果随<我nline-formula>
数字 如图所示 为了探究不同组合的影响<我nline-formula>
的影响<我nline-formula>
如图所示 根据以上分析,将三个优化目标权重设为<我nline-formula>
健身
优化结果
有限公司<年代ub>2年代ub>(公斤)
不<年代ub>x年代ub>(公斤)
V_var (kt)
燃料(公斤)
0.5
0.5
0
1.0111
14.5705
1245.8700.
1.83391<我t一个lic>
E我t一个lic> − 12
3880.8850.
27.2005
0.45
0.45
0.1
1.1166.
3.7499.
1243.8161.
1.82226<我t一个lic>
E我t一个lic> − 12
3874.4873
27.3247
0.4
0.4
0.2
1.3247
1.7042
1249.4549
1.82663<我t一个lic>
E我t一个lic> − 12
3892.0520
27.5250
0.35
0.35
0.3
1.4347
0.8521
1247.0179
1.82473<我t一个lic>
E我t一个lic> − 12
3884.4609.
27.4387
0.3
0.3
0.4
1.6726
0.5625
1253.0039.
1.83254<我t一个lic>
E我t一个lic> − 12
3903.1073
27.5890
0.25
0.25
0.5
1.9890.
1.4219
1251.0381.
1.83032<我t一个lic>
E我t一个lic> − 12
3896.9838.
27.5329
0.2
0.2
0.6
2.4717
1.4198
1246.6654
1.82466<我t一个lic>
E我t一个lic> − 12
3883.3627
27.4223
0.15
0.15
0.7
3.1743
2.7656
1250.4562
1.82972<我t一个lic>
E我t一个lic> − 12
3895.1711
27.5152
0.1
0.1
0.8
4.8133
1.2761
1263.3120
1.84806.<我t一个lic>
E我t一个lic> − 12
3935.2170
27.8072
0.05
0.05
0.9
9.3217
1.0717
1254.1837
1.83389.<我t一个lic>
E我t一个lic> − 12
3906.7823
27.6224
0
0
1
201.4523
0.5625
1245.7658.
1.82241<我t一个lic>
E我t一个lic> − 12
3880.5604.
27.4208
健身
优化结果
有限公司<年代ub>2年代ub>(公斤)
不<年代ub>x年代ub>(公斤)
V_var (kt)
燃料(公斤)
0
0.9
0.1
1.1398
0.0668
1247.5096
1.82<我t一个lic>
E我t一个lic> − 12
3885.9925.
27.4615
0.1
0.8
0.1
1.1335
1.2812
1246.7496.
1.82<我t一个lic>
E我t一个lic> − 12
3883.6251
27.4262
0.2
0.7
0.1
1.1302
0.4219
1247.2836
1.82<我t一个lic>
E我t一个lic> − 12
3885.2884
27.4511
0.3
0.6
0.1
1.1253
0.9063
1246.9776
1.82<我t一个lic>
E我t一个lic> − 12
3884.3351
27.4370.
0.4
0.5
0.1
1.1208.
0.9375
1246.9701
1.82<我t一个lic>
E我t一个lic> − 12
3884.3118
27.4363
0.45
0.45
0.1
1.1178
1.9359
1247.6833.
1.83<我t一个lic>
E我t一个lic> − 12
3886.5336
27.4366
0.5
0.4
0.1
1.1151
2.9005
1245.4382
1.82<我t一个lic>
E我t一个lic> − 12
3879.5401.
27.3727
0.6
0.3
0.1
1.1101
4.0345
1248.9455.
1.83<我t一个lic>
E我t一个lic> − 12
3890.4653
27.4317.
0.7
0.2
0.1
1.1062
4.0313
1248.6045.
1.83<我t一个lic>
E我t一个lic> − 12
3889.4030.
27.4239
0.8
0.1
0.1
1.1021
3.2396
1261.9236.
1.85<我t一个lic>
E我t一个lic> − 12
3930.8919.
27.7258
根据分析部分 优化参数的时候<我nline-formula>
最佳轨迹<我nline-formula>
根据优化过程的计算参数,参数会聚到第25代附近的最佳值,适合值为1.1151,速度差2.9千克,燃料消耗1245.4382千克,全球变暖为1.82<我t一个lic>
E我t一个lic> − 12<年代up>°年代up>C,CO.<年代ub>2年代ub>排放3879.5401千克,否<年代ub>x年代ub>发射27.3727千克。
为了探讨时间限制对优化结果的影响,改变了RTA时间间隔的最小值和最大值,以确保RTA时间约束下的飞行速度满足约束条件,并且测试并分析了优化结果。拍摄第二个约束段作为示例,设置RTA时间间隔约束如下:
在公式( 影响趋势<我nline-formula>
在公式( 影响趋势<我nline-formula>
飞机燃料消耗和飞行速度的变化趋势基本相同,两者都显示出下行趋势。此外,下降趋势是显而易见的<我nline-formula>
在本文中,我们探讨了在多个航点限制条件下的飞机出发轨迹优化,而最小燃料消耗和最小的总温度升高是由CO引起的<年代ub>2年代ub>和不<年代ub>x年代ub>排放。首先,我们建立了飞机攀爬轨迹模型,并分析了不同指示的空速的飞机飞行参数改变规则。然后,我们为优化目标建立了一个多目标优化模型,并设计了解决问题的遗传算法。最后,基于优化参数进行仿真。根据这些结果,结论如下所示:
在飞机爬升过程中,由于燃油消耗和发动机排气等因素,总温升变化趋势随速度变化而不同。总<我nline-formula>
在攀爬过程中,速度越高,攀爬过程越平缓,低高度的最佳攀爬速度大于高高度的最佳攀爬速度。
三个优化目标的重量被设定为<我nline-formula>
与<我nline-formula>
RTA最大时间的增加会导致油耗降低,而废气引起的总温升上升呈现先下降后上升的趋势。RTA最小间隔值对优化后的飞行参数影响不大。的<我nline-formula>
为实现飞机的安全、绿色、协同运行提供了理论依据。在未来,我们将对飞机的所有飞行阶段进行优化研究。
用于支持本研究结果的数据可根据要求可从相应的作者获得。本研究的大多数数据都包含在文章中。
作者声明他们没有利益冲突。
基金资助:国家重点研发计划项目(no. 201430724);基金资助:国家自然科学基金资助项目(2018YFE0208700);71971114)。