Optimisation à grande échelle de trajectoires 4D d'avion

Large Scale Adaptive 4D Trajectory Planning

• Auteur / Autrice : Paveen Juntama
• Direction : Daniel Delahaye, Sameer Alam
• Type : Thèse de doctorat
• Discipline(s) : Aéronautique, Astronautique
• Date : Soutenance le 23/11/2022
• Etablissement(s) : Toulouse 3
• Ecole(s) doctorale(s) : École doctorale Aéronautique-Astronautique (Toulouse)
• Partenaire(s) de recherche : Laboratoire : Laboratoire de recherche ENAC (Toulouse)
• Jury : Président / Présidente : Pierre Maréchal
• Jury : Examinateurs / Examinatrices : Gabriella Gigante
• Jury : Rapporteurs / Rapporteuses : Jacco Hoekstra, Eri Itoh

Mots clés

Mots clés contrôlés

Imagerie quadridimensionnelle

Circulation aérienne -- Contrôle

Mots clés libres

Planification stratégique

Trajectoires 4D

Gestion du trafic aérien

Congestion du trafic aérien

Métaheuristique

Hyper-Heuristique

Apprentissage par renforcement

Simulation de Monte-Carlo

Strategic planning

4D aircraft trajectory

Air traffic management

Air traffic congestion

Metaheuristic

Hyper-Heuristic

Reinforcement learning

Monte Carlo simulation

Résumé

La capacité de l'espace aérien est devenue une ressource critique pour le transport aérien. La charge de travail du contrôle aérien est un facteur important qui limite la capacité des systèmes de gestion du trafic aérien. La complexité de la structure du trafic peut conduire à la saturation de l'espace aérien. Afin de répondre à cette problématique, il est nécessaire de développer des d'outils d'aide à la décision pour réduire la congestion de l'espace aérien tout en améliorant la conscience de la situation du contrôleur aérien.Cette thèse présente une approche d'optimisation permettant d'aborder le problème de planification stratégique des trajectoires d'avions. Le but de cette approche est de réduire la congestion de l'espace aérien par modification des créneaux de décollage, des routes et des niveaux des vols. La fonction objectif est développée à partir d'une métrique de congestion basée sur des systèmes dynamiques linéaires. Les propriétés numériques des systèmes dynamiques permettent de quantifier les diverses situations du trafic dans le contexte de la gestion du trafic aérien. Le problème est également abordé en prenant en compte les incertitudes en proposant un modèle de planification stratégique robuste.Nous proposons deux méthodes de résolution basée sur des algorithmes de type métaheuristique et hyper-heuristique basées sur l'apprentissage par renforcement pour résoudre ces problèmes à grande échelle. Les simulations sont conduites sur l'espace aérien français, impliquant plus de 8,000 vols. Les méthodes de résolution proposées nous permettent de réduire efficacement la congestion entre les trajectoires au niveau stratégique. La performance de l'hyper-heuristique proposée surpasse celle de différents algorithmes en termes de congestion restante.Enfin, une étude comparative entre les méthodes de déconfliction stratégique et de décongestion stratégique est réalisée pour comparer la robustesse de leurs solutions face à des perturbations des temps de départ. Nous proposons une méthode de simulation de Monte-Carlo pour évaluer la robustesse des deux solutions. Les résultats de la simulation montrent que la méthode de décongestion stratégique est plus robuste face aux perturbations des temps de départ en comparaison de la méthode de déconfliction stratégique.

Airspace capacity has become a critical resource for air transportation. The air traffic control workload is a significant factor leading to capacity limits of the air traffic management systems. Complexity in air traffic structure can lead to airspace saturation before reaching the capacity threshold. This issue motivates the development of decision-making tools to reduce airspace congestion while improving the air traffic controller’s situation awareness.This thesis presents an optimization approach to address the strategic decongestion planning problem in a trajectory-based operation environment. The congestion mitigation strategy relies on departure time adjustment, traffic re-routing, and flight level allocation methods. The objective function is developed from a congestion metric based on linear dynamical systems. The numerical properties of dynamical systems can quantify various traffic situations in the context of air traffic management. Further, the preceding problem is also extended by proposing the robust strategic decongestion planning model, where time uncertainties are considered to improve the robustness of the solution.The resolution methods based on metaheuristic and reinforcement learning-based hyper-heuristic approaches have been developed to solve the proposed large-scale problems. These methods are implemented and validated with real traffic data in the French airspace, involving more than 8,000 trajectories. The proposed resolution methods efficiently reduce the total congestion between trajectories at the strategic level. Further, the performance of the proposed hyper-heuristic outperforms different algorithms in terms of the remaining congestion.Finally, a comparative study between the strategic deconfliction and the strategic decongestion methods is carried out to compare the robustness of their solutions against departure time perturbation. The Monte Carlo simulation method is proposed to evaluate the robustness of the two solutions. The simulation results show that the strategic decongestion method is more robust against departure time perturbation than the strategic deconfliction method.