Treibstoff- und geräuschminimale Abflugbahn unter Verwendung von tiefem Reinforcement Learning mit Flugzeugdynamik- und Topographiebeschränkungen

Die Gestaltung einer optimalen Abflugbahn für einen Flughafen kann die Treibhausgasemissionen im umliegenden Luftraum und den von nahegelegenen Bevölkerungsgruppen wahrgenommenen Lärm minimieren, was neben den umwelttechnischen Vorteilen auch positive soziologische und wirtschaftliche Auswirkungen mit sich bringt. Dennoch kann die Gestaltung einer Bahn, die realistische betriebliche Einschränkungen berücksichtigt, komplex und folglich rechenintensiv sein. Traditionelle Methoden zur Optimierung von Flugbahnen vereinfachen oft das Problem, um die Rechenkosten zu verwalten, was zu einem Kompromiss bei der Genauigkeit führt. Um diese Herausforderung zu überwinden, schlagen wir einen Ansatz des Reinforcement Learning (RL) vor, der multidisziplinäre Einschränkungen erfüllen kann, indem er genau modellierte Flugdynamiken, hochauflösende Bevölkerungsdaten und topologische Daten nutzt. Dies wird erreicht, indem eine umfassende, physikalisch konsistente simulierte Umgebung für den Lernalgorithmus geschaffen wird, während die Rechenkosten niedrig gehalten werden. Anstatt die Flugbahn selbst direkt zu gestalten, trainieren wir einen RL-Agenten, um das Flugzeug zu steuern, dessen Flugbahn dann als optimal betrachtet wird. Wir modellieren das RL-Problem als kontinuierlichen Markov-Entscheidungsprozess und verwenden die Soft Actor-Critic-Architektur. Durch die Änderung der relativen Wichtigkeit von Treibstoffverbrauch und Lärm im Optimierungsziel können wir verschiedene optimale Flugbahnen erhalten, die gut auf die spezifische Region abgestimmt sind. Es ist nicht überraschend, dass in unseren Ergebnissen ein Kompromiss zwischen Treibstoffverbrauch und Lärmeinfluss beobachtet wird. Dieses entwickelte Framework bietet einen genaueren und ausgeklügelten Ansatz zur Optimierung der Abflugbahn, dessen Ergebnisse für die zukünftige Luftraumentwicklung von Vorteil sind und nachhaltige Luftfahrt-bemühungen unterstützen können. • Neues RL-Framework zur Gestaltung von minimalen Treibstoff- und Geräuschbahnen. • Physikbasierte Simulation mit multidisziplinären Daten. • Hochauflösende Rohdaten für die Flugbahnsimulation. • Effiziente Optimierung mit 1 Stunde auf einem persönlichen Laptop. • Kompromissstudien zur Analyse zwischen Treibstoff- und Lärmeinfluss.