Preferencje help
Widoczny [Schowaj] Abstrakt
Liczba wyników

Znaleziono wyników: 5

Liczba wyników na stronie
first rewind previous Strona / 1 next fast forward last
Wyniki wyszukiwania
Wyszukiwano:
w słowach kluczowych:  fazy lotu
help Sortuj według:

help Ogranicz wyniki do:
first rewind previous Strona / 1 next fast forward last
PL
Celem wszystkich przedsiębiorstw jest osiągniecie jak najwyższej efektywności ekonomicznej. Dotyczy to także przewoźników lotniczych. Jednym z obszarów, w którym istnieją możliwości poprawy tej efektywności jest zmniejszenie kosztów eksploatacji posiadanych środków technicznych, głównie samolotów. W tym zakresie oczywistym wydaje się zmniejszenie zużycia paliwa przez samoloty. Aby w procesie tym osiągnąć zadowalające wyniki konieczne jest zidentyfikowanie czynników zewnętrznych oraz parametrów eksploatacyjnych mających największy wpływ na to zużycie. W artykule przedstawiono wstępną analizę wpływu tych wielkości na zużycie paliwa transportowego samolotu odrzutowego. W tym celu dokonano analizy poszczególnych faz lotu samolotu z uwzględnieniem czynników mających najistotniejszy wpływ na zużycie paliwa. Przedstawiono także najważniejsze parametry pracy samolotu rejestrowane w czasie jego lotu oraz dokonano wstępnej analizy ich wpływu na zużycie paliwa. Przedstawione opracowanie należy potraktować jako wstępne do bardziej zaawansowanych analiz optymalizacyjnych zużycia paliwa w samolotach odrzutowych.
EN
Every enterprise aims at maximizing economic yield, including air carrier enterprises. Optimization of direct operating costs related to aircraft operation is a key contributor to economic yield. Fuel consumption constitutes the biggest single direct operating cost for all air carriers, therefore its optimization is of utmost importance. Identification of environmental factors and flight data parameters affecting it is crucial. This article presents initial analysis of selected environmental factors and flight data parameters influencing fuel consumption for distinctively selected flight phases. Analysis given below should be treated as preliminary, giving introduction to the more advanced elaborations.
PL
Transport lotniczy odgrywa ważną rolę podczas przemieszczania ludności. Relatywnie niski koszt oraz duża prędkość powodują, że jest on wybierany przez coraz większą liczbę podróżnych. W celu zapewnienia maksymalnego bezpieczeństwa pasażerom, każdy lot wykonywany jest według ściśle określonych procedur. Celem artykułu jest odtworzenie przebiegu lotu podczas wykonywania operacji lądowania na lotnisku Chopina w Warszawie. Do realizacji tego zamiaru wykorzystano dane pochodzące z pokładowego rejestratora eksploatacyjnego samolotu Embraer 170. Spośród dostępnych danych, należało wyselekcjonować te, które bezpośrednio odnosiły się do fazy lądowania. Odtworzenie przebiegów czasowych wybranych parametrów lotu (prędkość przyrządowa, pozycja klap, trajektoria lotu) pozwoliło na wyznaczenie 7 charakterystycznych segmentów fazy lądowania wraz ze współrzędnymi położenia samolotu. Ostatnim etapem analizy było wyliczenie współrzędnych X, Y, Z, które zostały wykorzystane do określenia lokalizacji samolotu. Podczas analizy powyższych przebiegów zauważono odstępstwo przebiegu lotu 4. od pozostałych analizowanych lotów. Zainicjowanie wysuwania podwozia, w przypadku lotu 4., następuje po ustawieniu klap w pełnej pozycji. Dla pozostałych analizowanych lotów, wysuwanie podwozia rozpoczęte zostaje przy ustawieniu klap w pozycji 3. Skutkiem tego odstępstwa było znaczne wydłużenie czasu trwania lądowania, w stosunku do pozostałych lotów.
EN
At present, air transport plays significant role while moving from one place to another. Nowadays, because of its relatively low price, it is used by more and more people. To ensure safety of the passengers each flight must be performed in accordance with the specific procedures. The aim of this article is a reconstruction of the flight during landing of the aircraft at Warsaw Chopin Airport. The analysis is based on the data obtained from Embraer’s 170 flight data recorder. It was necessary to select only those data which were directly corresponding to the landing phase. The reconstruction of the selected flight parameters (calibrated air speed, flaps position, flight trajectory) was used to indicate 7 characteristic segments of the landing phase. The final step of this analysis was to calculate X, Y, Z coordinates which were used to determine the location of the aircraft. While analyzing the data one can notice that the flight number 4 varies from the rest of the flights. Transit of the undercarriage begins while flaps are extended to the full position. In comparison, for the rest of the flights transit of the undercarriage begins while the flaps position is 3. This resulted in extended landing time.
3
Content available Neural model of the aircraft landing phase
EN
The article deals with mathematical modeling of the aircraft landing phase using artificial neural networks. The network was determined based on the data recorded by an aircraft's quick access recorder. Networks were developed for each flight under review, which resulted from the different durations of this flight phase. It presents the accuracy results of representation across a flight simulation network. It was analyzed how the structure of the neural network affects the quantitative and qualitative accuracy of the actual flight representation. The determined networks will provide a basis for working out a model, among others, for simulation tests of air traffic and flight evaluation. General conclusions about neural networks and basic ones regarding their practical use were formulated.
PL
W artykule przedstawiono modelowanie matematyczne fazy lądowania samolotu z zastosowaniem sztucznych sieci neuronowych. Wyznaczenia sieci dokonano w oparciu o dane zarejestrowane przez pokładowy rejestrator eksploatacyjny samolotu. Opracowano sieci dla każdego z rozpatrywanych lotów, co wynika z różnego czasu trwania tej fazy lotu. Zamieszczono wyniki dokładności odwzorowania przez sieć przebiegu lotu. Przeanalizowano wpływ struktury sieci neuronowej na ilościową i jakościową dokładność odwzorowania rzeczywistego lotu. Wyznaczone sieci będą stanowiły podstawę opracowania modelu do m.in. badań symulacyjnych ruchu lotniczego i oceny przebiegu lotu. Opracowano wnioski ogólne, dotyczące sieci neuronowych oraz zasadnicze - odnoszące się do problematyki ich praktycznego wykorzystania.
EN
The purpose of this study was to assess the execution of the flight phase in the Nordic combined (NC) among three groups of competitors, representing different skill levels, and to compare them with three groups of ski jumpers (SJs). Thirty NC and thirty SJ competitors, who performed ski jumps on an HS-134 m jumping hill, were divided into three subgroups based on jump length execution. Two-dimensional (2-D) kinematic data were collected from the lower extremities, trunks, and skis of the competitors. The SJ group had a smaller lower extremity angle ( p < 0.05), which results in the larger center of mass anterior movement ( p < 0.05) in comparison to the NC competitors. The NC competitors achieved jump lengths comparable to those of the SJ competitors by having significantly higher in-run velocities.
PL
W referacie proponuje się zastosowanie klasyfikatora rozmytego i rozmytego klasyfikatora neuronowego do rozwiązania zadania rozpoznawania faz lotu. Przedstawiona i omówiona została struktura klasyfikatora rozmytego rozwiązującego zadanie rozpoznawania wybranych faz lotu samolotu. Przyjęto, że konstruowanie funkcji przynależności oraz budowa bazy reguł odbywa się w oparciu o wiedzę eksperta, a reguły przyjmuje się w postaci dysjunkcyjno - koniunkcyjnej. Moduł wnioskowania klasyfikatora działa na zasadzie wnioskowania uproszczonego z zastosowaniem operatora implikacji Mamdaniego, zaś funkcje przynależności zbiorów - rozmytych związanych z wyjściem przyjmuje się w postaci singletonów. Tak zbudowany klasyfikator rozmyty stał się punktem wyjścia do konstrukcji rozmytego klasyfikatora neuronowego, który łączy zalety zbiorów rozmytych i zdolność do uczenia jaką posiadają sztuczne sieci neuronowe.
EN
In this paper, application of fuzzy and neuro-fuzzy classifier in flight phases recognition task is proposed. The fuzzy classifier structure applied to recognition of a pIane phases is presented. lt is assumed that the construction of membership functions and the building of the rules base are done using the expert knowledge. The rules have a disjunction-conjunction form. The classifier lnference Module works on simpler inference with Mamdani implication operator. The output membership functions have singletons form. The fuzzy classifier made in this way, is the first step to neuro-fuzzy classifier construction. lt aggregates the advantages of fuzzy sets with artificial neural networks ability to learn.
first rewind previous Strona / 1 next fast forward last
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.