فهرست نشریات علمی دسترسی آزاد ایران

مقاله حاضر، مدلی نوآورانه (BI.M-LSTM) ترکیبی از الگوریتم (BI)‌ و شبکه عصبی بازگشتی (LSTM) جهت پیش‌بینی ریسک ایمنی پرواز فاز اپروچ ارایه می‌دهد. فاز اپروچ با سهم 3 درصد از فرایند کل پرواز به عنوان خطرناک‌ترین مرحله هر پرواز است. روش پیشنهادی شامل آموزش شبکه‌های عصبی نظارت شده برای برآورد پارامترهای هدف است. بدین منظور از دیتاست استاندارد مربوط به سال ۲۰۱۹ تا ۲۰۲۰ پس از خلاصه‌سازی، پاکسازی، نرمال‌سازی تعداد ۲۸۸۱۳ رکورد مربوط به پارامترهای ریسک ایمنی، مانند شرایط آب و هوایی، پیکربندی هواپیما، اطلاعات پرواز، سرعت، ارتفاع و ترافیک هوایی انتخاب شد. به علت وابستگی داده‌های پرواز به ورودی‌های ما قبل خود و نیاز به نوعی حافظه، آموزش توسط الگوریتم (LSTM) در محیط پایتون انجام گرفت. پس از یادگیری، میانگین خطای مجذور انحرافات حدود 38/6درصد بدست آمد. نتیجه نشان داد، درصد خطا قابل اغماض و مدل پیشنهادی نسبت به مدل‌های مشابه از اعتبار بالایی برخوردار است. این مدل به دلیل برخورداری از ابزارهای پیشرفته از جمله ETL، متادیتا و مانیتوریگ لحظه‌ای مشکل اکتشاف و پاکسازی انبوه داده‌های پرواز را حل کرد و توانست مهم‌ترین عامل ریسک ایمنی فاز اپروچ یعنی کنترل سرعت و ارتفاع لندینگ را با دقت بالا پیش‌بینی‌ کند. این الگو با راهبردی قابل اعتماد به خدمه پرواز در راستای کنترل پارامترهای مهم ریسک ایمنی از جمله، از دست رفتن کنترل پرواز ، سرعت هواپیما، موقعیت تاچ داون و کنترل جلوگیری از خروج هواپیما از باند کمک می‌کند.