Predicción de la distancia de separación de umbral entre aeronaves mediante aprendizaje automático

Abstract

Los aeropuertos desempeñan un papel vital en el transporte aéreo, asegurando la puntualidad, eficiencia y seguridad de los vuelos. La gestión del tráfico aéreo es crucial debido al alto volumen de aeronaves por lo que es fundamental adherirse a los protocolos establecidos en los aeropuertos para todas las operaciones, como los aterrizajes o despegues. Estos protocolos tienen una importancia fundamental en términos de garantizar la seguridad y la eficiencia del flujo de las operaciones. Por lo tanto, es imperativo analizar los factores que pueden influir en cada operación y determinar las condiciones necesarias en diferentes escenarios, adaptándose así a diversas situaciones.

Este Trabajo de Fin de Máster se centra en el análisis de la separación de umbral durante el aterrizaje, con el objetivo de mejorar la seguridad y la eficiencia operativa del aeropuerto. No obstante, determinar el rango óptimo de separación presenta un desafío debido a la complejidad de los factores involucrados. Aunque se tienen en cuenta variables aeronáuticas como la estela, altitud y velocidad, el impacto de las condiciones meteorológicas aún no ha sido ampliamente investigado, a pesar de su posible relevancia en la determinación de la separación requerida. Por lo tanto, se recopilarán datos del Aeropuerto Adolfo Suárez Madrid-Barajas, incluyendo registros aeronáuticos y meteorológicos obtenidos de las bases de datos del Centro de Investigación, Desarrollo e Innovación en el ámbito de la Gestión del Tráfico Aéreo en España (CRIDA).

El aprendizaje automático, una subdisciplina de la inteligencia artificial, ofrece diversas técnicas y enfoques que permiten la capacidad de predicción. Su aplicación en los procesos aeroportuarios puede mejorar la seguridad, la velocidad de respuesta y la toma de decisiones, previniendo situaciones peligrosas.

Por lo tanto, el objetivo de este estudio es desarrollar un modelo de aprendizaje automático que prediga la separación de umbral entre aeronaves, considerando tanto las variables aeronáuticas conocidas como las variables meteorológicas no estudiadas. El objetivo final es promover una mayor seguridad y mejorar el tráfico aéreo, brindando apoyo a los controladores aéreos en la toma de decisiones.

ABSTRACT

Airports play a vital role in air transport, ensuring the punctuality, efficiency and safety of flights. Air traffic management is crucial due to the high volume of aircraft so it is essential to adhere to the protocols established at airports for all operations, such as landings or takeoffs. These protocols are of fundamental importance in terms of ensuring the safe and efficient flow of operations. Therefore, it is imperative to analyze the factors that may influence each operation and determine the necessary conditions in different scenarios, thus adapting to various situations.

This Master's Thesis focuses on the analysis of threshold separation during landing, with the objective of improving the safety and operational efficiency of the airport. However, determining the optimal range of separation presents a challenge due to the complexity of the factors involved. Although aeronautical variables such as wake, altitude and speed are taken into account, the impact of meteorological conditions has not yet been extensively investigated, despite their possible relevance in determining the required separation. Therefore, data will be collected from Adolfo Suárez Madrid-Barajas Airport, including aeronautical and meteorological records obtained from the databases of the Center for Research, Development and Innovation in the field of Air Traffic Management in Spain (CRIDA).

Machine learning, a sub-discipline of artificial intelligence, offers various techniques and approaches that enable predictive capabilities. Its application in airport processes can improve safety, speed of response and decision making, preventing dangerous situations.

Therefore, the objective of this study is to develop a machine learning model that predicts threshold separation between aircraft, considering both known aeronautical variables and unstudied meteorological variables. The ultimate goal is to promote greater safety and improve air traffic, providing support to air traffic controllers in decision making.