طراحی مدلی هوشمند جهت بهینه سازی ریسک ایمنی پرواز تیک آف با استفاده از BIM-LSTM

مقاله حاضر، مدل جدیدی جهت بهینه سازی ریسک ایمنی تیک آف به عنوان مهم ترین و خطرناکترین فرایند پرواز، با استفاده از ترکیب الگوریتم BI و شبکه عصبی بازگشتی LSTM ارایه می دهد. هدف، آموزش یک شبکه عصبی موثر با رکوردهای داده سوانح هوایی گذشته برای پیش بینی پارامترهای ریسک ایمنی است. بدین منظور 17 ویژگی ایمنی، مانند شرایط آب و هوایی، پیکربندی و آماده سازی هواپیما، اطلاعات پرواز و ترافیک هوایی بدست آمد. داده مربوطه از سال 2019 تا 2020 پس از انجام عملیات اکتشاف، خلاصه سازی، پاکسازی، نرمال سازی به تعداد 28813 رکورد داده انتخاب شد. به علت وابستگی داده های پرواز به ورودی های ما قبل خود و نیاز به نوعی حافظه، آموزش توسط الگوریتم یادگیری عمیق (LSTM) در محیط پایتون انجام گرفت. پس از یادگیری، خطای یادگیری حدود 6 درصد و میانگین مربعات خطا حدود116/0 بدست آمد. نشان می دهد، درصد خطا غیر قابل توجه و مدل پیشنهادی از اعتبار بالایی برخوردار است. هم چنین این مدل به دلیل برخورداری از ابزارهای پیشرفته از جمله ETL، متادیتا و مانیتوریگ لحظه ای مشکل اکتشاف و پاکسازی انبوه داده های پرواز را حل کرد و توانست مهم ترین عامل ریسک ایمنی (سرعت V1) را با دقت بالا پیش بینی کند. این الگو با راهبردی قابل اعتماد به خدمه پرواز در راستای کنترل پارامترهای مهم ریسک ایمنی از جمله، سرعت بلند شدن هواپیما از باند، کنترل سرعت ایمن تیک آف و مهم تر از همه کنترل از دست رفتن پرواز کمک می کند.