Optimierte Flugplanung mittels stochastischer Flugbahnmodellierung
Zusammenfassung der Projektergebnisse
Das Projekt „Optimierte Flugplanung mittels stochastischer Flugbahnmodellierung“ analysiert Unsicherheiten bei der Prädiktion zukünftiger Positionen von Luftfahrzeugen (LFZ) und überführt diese in eine Trajektorien-Unsicherheit. Ursächlich sind hierfür verschiedene Störgrößen, auszugsweise Wetterprognose-Ungenauigkeiten, nur schätzbare Parameter des Luftfahrzeuges (Masse, Schub) sowie stets Modellierungsfehler. In der Literatur wird für Störgrößen typischerweise statistische Unabhängigkeit untereinander postuliert, was aufgrund aerodynamischer und prozessualer Interdependenzen de facto nicht zutrifft. Diese werden hier mithilfe von Monte-Carlo-Simulationen gesondert berücksichtigt. Das primäre Ziel ist die Entwicklung eines Ursachen-Wirkungsmodells, das die stochastischen Störgrößen fallabhängig nachbilden und die resultierende Trajektorien-Unsicherheit über mehrere Stunden hinreichend robust prädizieren kann, um Wertschöpfung kurzfristig für den einzelnen Flug und langfristig den Verkehrsfluss zu heben. Dies wird über einen Soll- Ist-Vergleich zur optimalen Trajektorie validiert. Im Ergebnis kann relevantes Potenzial für eine stabile Flugplanung und -durchführung mithilfe des entwickelten Corridor of Optimization (CoO) auch hinsichtlich Kraftstoffverbrauch gezeigt werden. Die Analyse fokussiert zwei wissenschaftliche Teilgebiete, die Bahnoptimierung unter Unsicherheiten und die stochastische Trajektorien-Prädiktion (TP). Zum ersten wird ein Flugplanungsverfahren entwickelt, das aufbauend auf der TOolchain for Multicriteria Aircraft Trajectory Optimization (TOMATO) der Professur multiple Wetterprognosen (sog. Ensembles) des Global Forecast System zugrundelegt. Der CoO wird vor jedem Flug ermittelt, der die für jede Prognose mittels TOMATO multikriteriell optimierte Trajektorie umfasst. Dieser Korridor kann genutzt werden, um die erwarteten Unsicherheiten durch die Störgrößen Wind, Temperatur und Druck vor dem Start für eine effiziente Verkehrsflusssteuerung zu nutzen. Während des Fluges kann sodann auf aktuelle Wetterinformationen innerhalb des CoO optimierend reagiert werden. Dessen geeignete Dimensionierung trägt dem statistischen Paradox „nur unscharfe Aussagen sind sichere Aussagen“ Rechnung mit robusten und dennoch effizienten Lösungen. Zum zweiten wird eine TP auf Basis einer Monte-Carlo-Simulation entwickelt, die physikalische Flugeigenschaften detailliert berücksichtigt, indem der stochastische Output eines künstlichen neuronalen Netzes eingesetzt wird. Validierung erfolgt exemplarisch für den Steigflug mit unsicherer Masse und Fluggeschwindigkeit. Die Erkenntnisse zeigen, dass die zeitlichen Interdependenzen trotz guter Ergebnisse keine pauschale Bewertung erlauben: Zur Abstraktion der Monte-Carlo-Simulation wird insofern weiteführend ein Bayes’sche Netz eingesetzt, das Graphentheorie mit Stochastik verbindet. Kernfunktionen sind die Schätzung der Zustandsvariablen (Inferenz) Masse, Fluggeschwindigkeit und Wind, sowie die Propagation zeitlicher Abweichungen vom Flugplan. Mithilfe der so ermittelten Unsicherheit z.B. in der Ankunftszeit eines und sodann mehrerer LFZ können robuste Assistenzfunktionen wie eine Konflikt-Wahrscheinlichkeit ergänzt werden.
Projektbezogene Publikationen (Auswahl)
-
„Innovative Luftraumüberwachung mittels stochastischer Flugbahnmodellierung“, Ingenieurspiegel, S. 28–32, März 2018
T. Zeh, J. Rosenow, und H. Fricke
-
„Re-optimizaton of 4D-Flight Trajectories During Flight Considering Forecast Uncertainties“, Deutscher Luft- und Raumfahrtkongress (DLRK), Friedrichshafen, 2018
M. Lindner, T. Zeh, und H. Fricke
-
„Interdependent Uncertainty Handling in Trajectory Prediction“, Aerospace, Bd. 6, Nr. 2, S. 15, Feb. 2019
T. Zeh, J. Rosenow, und H. Fricke
-
“In-Flight Aircraft Trajectory Optimization within Corridors Defined by Ensemble Weather Forecasts,” Aerospace, Bd. 7, Nr. 10, S. 144, Oct. 2020
M. Lindner, J. Rosenow, T. Zeh, und H. Fricke
-
„Prediction of the Propagation of Trajectory Uncertainty for Climbing Aircraft“, 39th AIAA/IEEE Digital Avionics Systems Conference, San Antonio, TX, 2020
T. Zeh, J. Rosenow, R. Alligier, und H. Fricke
