Kalkış öncesi yakıt tahminini iyileştirmek için veri analitik hava taşıtı performans modelleri

İçinde bulunduğumuz globalleşmiş modern hayat, insanoğlunu hayatın her alanında geçmiş zamanlara kıyasla daha hızlı yaşamaya zorlamaktadır. Bu hızlanmayı karşılama ihtiyacı bazı endüstrilere diğerlerine kıyasla daha büyük sorumluluklar yüklemektedir. Havacılık ise bu endüstrilerin en önemlilerinden biridir. Bu ihtiyacın bir neticesi olarak havacılık endüstrisine her yıl inanılmaz büyüklükte para akışı sağlanmaktadır. Bu büyük para akışının neticesinde havacılıkta yapılan görece küçük bir masraf azaltımı bile global perspektiften bakıldığında büyük farklılıklar yaratacaktır. Havacılık endüstrisinde beklenen bu büyüme, araştırmacıları hava trafiği yönetimi teknolojilerini geliştirmeye zorlamıştır. Bu gelişim sistem kapasitesini ve efektifliğini arttırmak amacındadır ancak bunun yanında çevresel etkileri gözetmeli ve güvenlik regülasyonlarına uymak zorundadır. Bu meydan okumaları aşmak amacıyla otomasyon ve informasyon sistemleri geliştirilmiş ve yeni bir operasyonel konsept olan yörünge bazlı operasyonlar oluşturulmuştur. Havacılıkta, hava trafiğine yoğunlaşmış EUROCONTROL, IATA, ICAO, ATCA ve benzeri kurumlar mevcuttur. Bu kurumların hava taşıtı üreticileri olan Boeing, Airbus, Cessna gibi şirketler ve bazı hava yolu şirketleriyle yakıt tüketimini azaltmaya yönelik proje ortaklıkları mevcuttur. Günümüzde 24 saatin her anında, sivil taşımacılık yapan en az 10000 hava taşıtı gökyüzünde seyr-ü sefer etmektedir. Bu durum havacılık endüstrisinde korkunç bir yakıt maliyetine sebep olmaktadır ve Dünya çapında bu maliyeti azaltmak üzere her yıl yüzlerce çalışma yapılmaktadır. Bilgisayar bilimindeki yeni teknikler sayesinde hava taşıtları geçmişe kıyasla daha iyi modellenebilmekte ve bunun sonucu olarak kesinliği daha yüksek sonuçlar çalışmalarda elde edilmektedir. Şüphesiz Dünya sonsuz kaynağa sahip değildir. Bu yüzden bu çalışmanın motivasyonu sivil hava taşımacılığındaki yakıt tüketiminin yapay sinir ağları ile daha kesin olarak belirlemek ve buna bağlı olarak uçuşlarda alınan fazla ek yakıtın sebep olduğu ek maliyeti azaltmaktır. Havacılıktaki kurumların işbirliği, araştırmacılara BADA gibi hava taşıtı performans modelleri temin eder. BADA performans modeli hava trafiği yönetimi araştırmaları ve operasyonlarında yörünge simülasyonu ve kestirimi yapması amacıyla dizayn edilmiştir. Hava taşıtı performansı parametreleri ve izlenecek yörünge BADA'nın sağladığı data ile hesaplanır. Hem operasyonel hem de simülasyon ve modellemede gerçekliği kopyalamak için her hava taşıtı kendisine tekabül eden bilgisayar ortamında bir modele ihtiyaç duyar ve BADA deneysel çalışmalar sonucu bu modeli bize sağlar. BADA benzeri simülasyon bazlı hava taşıtı performans modellerinin haricinde veri analitik hava taşıtı performans modelleri de mevcuttur. Bu modellerin ortaya çıkması simülasyon bazlı sistemlerin siber-fiziksel sistemlerdeki yetersizliklerinden kaynaklanır. Hava taşıtlarının da içinde bulunduğu siber-fiziksel sistemler, sensör ve aktüatörler yardımıyla fiziksel dünyaya bağlanan çoğunlukla ekstrem komplikasyona sahip sistemlerin genel adıdır. Bu gibi komplike sistemlerde simülasyon bazlı performans modeli kullanmanın önünde pek çok engel vardır. Bu engellerin doğrultusunda veri analitik modeller, siber-fiziksel sistemlerde simülasyon bazlı modellere kıyasla gözlenen verinin sistem performansına hassasiyetini monitör edebilmek gibi büyük avantajları bünyesinde barındırır. Havacılığın yörünge tarafında hem deterministik hem de olasılıksal methodlar denenmiş ancak artan işlem gücüyle Dünya yüzünü makine öğrenmesi algoritmalarına dönmüştür. Çalışmanın motivasyonu veri analitik modeller kullanarak hava taşıtı modellerinin referans tahminlerini iyileştirmektir. Veri analitik modeller isminden de anlaşıldığı gibi informasyon ve bilgisayar bilimleriyle iç içedir. Bilgisayar biliminde, python en çok doğası gereği diğer programlama dillerine kıyasla daha anlaşılabilir olması gereğiyle tercih edilir. Ayrıca hava taşıtları gibi komplike sistemlerde en efektif kodlama dilidir. Daha açık olmak gerekirse, bir hava taşıtını modellemek ve simüle etmek disiplinler arası uzmanlık isteyen çok kompleks bir işlemdir. Bu yüzden python avantajları sebebiyle bu çalışmada tercih edilmiştir. Bu çalışmada Keras, Pandas, Numpy, Scipy, Mxnet, Matplotlib, Bokeh, Glob ve Sklearn kütüphaneleri kullanılmıştır. Bu kütüphanelerden keras ve mxnet, çalışmanın yapay sinir ağları bölümünde, scipy, numpy, glob ve pandas kütüphaneleri veri yönetimi ve işleminde ve son olarak matplotlib ve bokeh kütüphaneleri de veriyi monitör etmek amacıyla kullanılmıştır. Çalışma kapsamında ilk olarak, BADA dökümanındaki toplam enerji formülü, itki formülleri, sürükleme formülleri, kaldırma formülleri benzeri tüm temel oluşturacak formüller ve teknik parametreler bilgisayar ortamına entegre edildi. Bunun akabinde, uçaklarda uçuş anındaki bilgileri saklamak için kullanılan kara kutu verileri olarak da bilinen QAR verileri veri işlemeden geçirildi. Bu çalışma kapsamında QAR verileri 2 uçaktan alınmış olup bu uçakların ikisi de Boeing 737-800 modelidir. Kullanılan uçuş verileri, 1 numaralı hava taşıtı için 219 uçuş ve 2 numaralı hava taşıtı için B738 563 uçuş olarak sağlanmıştır. Tüm uçuşlar için olan QAR bilgileri kuyruk numaraları baz alınarak ihtiyaç doğrultusunda modifiye edilmiş akabinde birleştirilmiş ve 3 uçuş fazlarına göre (Tırmanma, seyr-ü sefer, alçalma) ayrılmışlardır. Bundan sonra modifiye edilen ve birleştirilen 3 csv (virgul ile ayrılmış değer dosyası) dosyası ikili sisteme çevrilmiş ve makine öğrenmesinde kullanılmıştır. Makine öğrenmesi işleminde, bu ikili sistem dosyalara adam algoritması gibi yapay sinir ağı algoritmaları uygulanmıştır. Daha iyi bir öğrenme temin edebimek için bu çalışmada pek çok method kullanılmış ve birbirleriyle kıyaslanmış, sonucunda veri veri analitik model için en uygun olanı kullanılmıştır. Kara kutu modeli veri analitik modelin doğruluğunu kontrol etmek amacıyla tasarlanmıştır. Kara kutu modeli sonuçlarına gore bu model gerçek QAR sonuçlarıyla %99 üzeri bir uyum sağlamıştır. Bundan anlaşılacağı gibi giriş bilgisi olarak QAR verilerini kullanan kara kutu modeli çıktı olarak gerçeğe çok yakın değerler vererek uçağın bilgisayar ortamına çok yüksek bir başarı oranıyla aktarılmasını sağlamıştır. Bunun akabinde Gaz kolu/Otomatik Gaz Kolu modeli ki bu tez çalışmasının ana amacı doğrultusunda tasarlanan model yaratılmıştır. Yapısı gereği Gaz Kolu/Otomatik Gaz Kolu modeli ikili sisteme çevrilmiş verileri kullanarak mevcut uçuş için gaz kolu değerlerini çıktı olarak veren bir modeldir. Bu gaz kolu çıktıları daha sonra kara kutu modeline girdi olarak verilip yakıt tüketimi hesaplanır. Ancak sözü edilen modeli tasarlamak kalkış öncesi yakıt tüketimi tahminini iyileştirmek için tek başına yeterli değildir. Bu sebeple üçüncü olarak daha sağlıklı bir karşılaştırma yapmak amacıyla bu eğitilmiş modeller ilgili uçuş planlarına entegre edilmiş ve yakıt tüketimleri karşılaştırılmıştır. Çalışmanın bu bölümünde uçuş planı verisine pek çok informasyon işlemi uygulanmıştır. Bunun temel sebebi beklenmedik hava koşulları ya da hava trafiği kontrolörleri tarafından yönetilen yüksek hava trafiği yoğunluğu sebebiyle uçuş planını tamamen izlemenin imkansız olmasından kaynaklanır. Bu sorunu aşmak amacıyla uygulama algoritmaları kullanılmıştır. Modellenen uçuşlar bireysel olarak da incelenmiş ve gaz kolu değerlerinin gerçek uçuşlara kıyası yapılmıştır. Sonuç tatmin edici olup gerçek QAR gaz kolu değerlerine fazlasıyla yakın ve karakteristik olarak benzer yapıdadır. Yapılan bu işlemler sonunda veri analitik modelin, BADA hava taşıtı performans modeli ve saber (uçuş planı yakıt tüketimi) değerlerine göre daha gerçekçi ve iyi sonuçlar verdiği gözlenmiştir.