論文の概要: From industry-wide parameters to aircraft-centric on-flight inference:
improving aeronautics performance prediction with machine learning
- arxiv url: http://arxiv.org/abs/2005.05286v3
- Date: Thu, 4 Feb 2021 10:22:43 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-04 20:04:02.261281
- Title: From industry-wide parameters to aircraft-centric on-flight inference:
improving aeronautics performance prediction with machine learning
- Title（参考訳）: 業界全体のパラメータから航空機中心の飛行推定:機械学習による航空性能予測の改善
- Authors: Florent Dewez and Benjamin Guedj and Vincent Vandewalle
- Abstract要約: 航空機の性能モデルは、特に燃料効率の良い飛行計画において重要な役割を担っている。
実際には、メーカーは1つの要素のチューニングを通じて、航空機のライフサイクルを通してわずかに修正されたガイドラインを提供し、より良い燃料予測を可能にしている。
これは制限があり、特に航空機の性能に影響を及ぼすそれぞれの特徴の進化を反映していない。
本論文の重要な貢献は,航空機の飛行中に連続的に記録される大量のデータを活用するために,機械学習の利用を促進することである。
- 参考スコア（独自算出の注目度）: 5.171090309853363
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Aircraft performance models play a key role in airline operations, especially
in planning a fuel-efficient flight. In practice, manufacturers provide
guidelines which are slightly modified throughout the aircraft life cycle via
the tuning of a single factor, enabling better fuel predictions. However this
has limitations, in particular they do not reflect the evolution of each
feature impacting the aircraft performance. Our goal here is to overcome this
limitation. The key contribution of the present article is to foster the use of
machine learning to leverage the massive amounts of data continuously recorded
during flights performed by an aircraft and provide models reflecting its
actual and individual performance. We illustrate our approach by focusing on
the estimation of the drag and lift coefficients from recorded flight data. As
these coefficients are not directly recorded, we resort to aerodynamics
approximations. As a safety check, we provide bounds to assess the accuracy of
both the aerodynamics approximation and the statistical performance of our
approach. We provide numerical results on a collection of machine learning
algorithms. We report excellent accuracy on real-life data and exhibit
empirical evidence to support our modelling, in coherence with aerodynamics
principles.
- Abstract（参考訳）: 航空機の性能モデルは、特に燃料効率の良い飛行計画において重要な役割を果たす。
実際には、メーカーは1つのファクターのチューニングによって航空機のライフサイクルを通してわずかに変更されるガイドラインを提供し、より良い燃料予測を可能にしている。
しかし、これは制限があり、特に航空機の性能に影響を与える各機能の進化を反映していない。
私たちの目標は、この制限を克服することです。
本論文の重要な貢献は,航空機の飛行中に連続的に記録される大量のデータを活用するための機械学習の利用を促進することであり,実際の性能と個人性能を反映したモデルを提供する。
本手法は,記録飛行データからのドラグ係数とリフト係数の推定に焦点をあてたものである。
これらの係数は直接記録されないため、空気力学近似を利用する。
安全チェックとして,エアロダイナミックス近似の精度と,本手法の統計的性能を評価するためのバウンダリを提供する。
機械学習アルゴリズムの集合に関する数値的な結果を提供する。
実生活データに優れた精度を報告し, 空力学の原理に則ってモデリングを支援する実証的証拠を提示する。
関連論文リスト
- On the Generalization Properties of Deep Learning for Aircraft Fuel Flow Estimation Models [2.7336487680215815]
本稿では,燃料消費予測におけるディープラーニングモデルの一般化能力について検討する。
本稿では,ニューラルネットワークアーキテクチャとドメイン一般化技術を統合する新しい手法を提案する。
以前は目に見えない航空機に対して、航空機へのノイズの導入とエンジンパラメーターはモデルの一般化を改善した。
論文 参考訳（メタデータ） (2024-10-10T08:34:19Z) - Forecast-PEFT: Parameter-Efficient Fine-Tuning for Pre-trained Motion Forecasting Models [68.23649978697027]
Forecast-PEFTは、モデルのパラメータの大部分を凍結し、新しく導入されたプロンプトとアダプタの調整に集中する微調整戦略である。
実験の結果,Forecast-PEFTは動作予測タスクにおいて従来のフルチューニング手法よりも優れていた。
Forecast-FTは予測性能をさらに改善し、従来のベースライン法よりも最大9.6%向上した。
論文 参考訳（メタデータ） (2024-07-28T19:18:59Z) - Learning Generative Models for Climbing Aircraft from Radar Data [0.0]
本稿では,標準航空機データ(BADA)モデルがデータから学習した推力の関数的補正によって強化された登山用航空機の生成モデルを提案する。
この手法には3つの特徴がある: BADAと比較すると66.3%の誤差で到着時刻を予測する; テストデータと比較すると現実的な軌道を生成する。
論文 参考訳（メタデータ） (2023-09-26T13:53:53Z) - Inferring Traffic Models in Terminal Airspace from Flight Tracks and
Procedures [52.25258289718559]
本稿では,レーダ監視データから収集したプロシージャデータとフライトトラックから可変性を学習可能な確率モデルを提案する。
任意の航空機数を含む交通量を生成するために,ペアワイズモデルを用いる方法を示す。
論文 参考訳（メタデータ） (2023-03-17T13:58:06Z) - Improving aircraft performance using machine learning: a review [57.82442188072833]
本稿では,航空宇宙工学の多分野に影響を及ぼす機械学習(ML)の新たな展開について概説する。
我々は、さまざまな航空宇宙分野にまたがるML手法の利点と課題を整理し、技術の現状を概観する。
論文 参考訳（メタデータ） (2022-10-20T07:16:53Z) - Neural-Fly Enables Rapid Learning for Agile Flight in Strong Winds [96.74836678572582]
本稿では,ディープラーニングを通じて事前学習した表現を組み込むことで,オンラインでの迅速な適応を可能にする学習ベースのアプローチを提案する。
Neural-Flyは、最先端の非線形かつ適応的なコントローラよりもかなり少ないトラッキングエラーで正確な飛行制御を実現する。
論文 参考訳（メタデータ） (2022-05-13T21:55:28Z) - Control-Aware Prediction Objectives for Autonomous Driving [78.19515972466063]
本研究では,制御に対する予測の下流効果を評価するための制御認識予測目標(CAPOs)を提案する。
本稿では,エージェント間の注意モデルを用いた重み付けと,予測軌跡を接地真実軌跡に交換する際の制御変動に基づく重み付けの2つの方法を提案する。
論文 参考訳（メタデータ） (2022-04-28T07:37:21Z) - Phased Flight Trajectory Prediction with Deep Learning [8.898269198985576]
過去10年間で民間航空会社や民間機が前例のない増加を遂げたことは、航空交通管理の課題となっている。
正確な飛行軌跡予測は、安全かつ秩序ある飛行の決定に寄与する航空輸送管理において非常に重要である。
本研究では,大型旅客・輸送航空機の飛行軌道予測における最先端手法よりも優れた位相付き飛行軌道予測フレームワークを提案する。
論文 参考訳（メタデータ） (2022-03-17T02:16:02Z) - Airfoil's Aerodynamic Coefficients Prediction using Artificial Neural
Network [0.0]
右翼を見つけることは、あらゆる航空機の設計の予備段階における重要なステップである。
本研究では、異なるネットワークアーキテクチャとトレーニングデータセットを比較し、ネットワークが与えられた翼のジオメトリをどのように知覚するかについての洞察を得る。
論文 参考訳（メタデータ） (2021-09-24T19:07:19Z) - FastIF: Scalable Influence Functions for Efficient Model Interpretation
and Debugging [112.19994766375231]
影響関数は、テスト予測のためのトレーニングデータポイントの「影響」を近似する。
fastifは、実行時間を大幅に改善する関数に影響を与えるための、単純な修正セットです。
本実験はモデル解釈とモデル誤差の修正における影響関数の可能性を示す。
論文 参考訳（メタデータ） (2020-12-31T18:02:34Z) - Data-driven Method for Estimating Aircraft Mass from Quick Access
Recorder using Aircraft Dynamics and Multilayer Perceptron Neural Network [4.828353666660018]
乗客と荷物を積載する航空機は、安全上の危険をもたらす可能性がある。
航空会社はこのツールを使って航空機のペイロードをよりよく利用することができる。
論文 参考訳（メタデータ） (2020-12-10T04:44:47Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。