Estados Unidos · Charlotte · Ver el perfil de Estados Unidos
Evidencia: Observacional / pre-post Top 2% 93/100 · Pregunte a Evidence Copilot sobre esta práctica
El ATD-2 de la NASA usó predicción por IA de tiempos de rodaje para programar retrocesos en el Aeropuerto Douglas de Charlotte, ahorrando 1M+ galones de combustible y 933 horas de retraso en cuatro años, antes de transferirse a la FAA hacia 27 aeropuertos de EE. UU.
Los aviones que se retiran de la puerta de embarque demasiado pronto terminan esperando en largas colas de rodaje, quemando combustible y emitiendo carbono sin avanzar; los aeropuertos se han basado históricamente en estimaciones estáticas basadas en la física, en lugar de predecir exactamente cuándo estará realmente disponible un espacio en la pista.
Sustituir el modelado de tiempos de rodaje basado en la física por modelos de aprendizaje automático -incluidas redes neuronales- entrenados con datos reales de vigilancia de superficie, para predecir los tiempos de rodaje de salida y de entrada y programar mejor la retirada de los aviones de la puerta.
El proyecto ATD-2 (Airspace Technology Demonstration-2) de la NASA construyó un sistema integrado de llegadas, salidas y superficie (IADS) cuyo componente de operaciones de superficie basadas en trayectoria se probó en campo en el Aeropuerto Internacional Charlotte Douglas (KCLT), con datos también procedentes de Dallas/Fort Worth (KDFW), entre septiembre de 2017 y septiembre de 2021.
El sistema ahorró más de 1 millón de galones de combustible de aviación, un valor estimado de 1,4 millones de dólares en costes de tripulación, 933 horas de retraso de pasajeros evitadas (valoradas en unos 4,5 millones de dólares), y alrededor de 8 toneladas de CO2 al día en Charlotte Douglas. La NASA transfirió formalmente la tecnología a la FAA en septiembre de 2021, donde se incorporó al programa Terminal Flight Data Manager (TFDM) para un despliegue por fases que comenzó en Charlotte y Phoenix y que eventualmente alcanzará 27 aeropuertos principales, incluidos Atlanta, Chicago, Nueva York, Washington, San Francisco y Los Ángeles.
Los modelos de aprendizaje automático publicados para los tiempos de rodaje aún presentan una incertidumbre considerable -aproximadamente 10-15% para los tiempos totales y de área de movimiento aeroportuaria, y alrededor del 20% para el tiempo de rodaje en plataforma- y se preveía que el despliegue nacional en los 27 aeropuertos tardaría entre cinco y diez años, por lo que los beneficios medidos arriba siguen concentrados en los emplazamientos de prueba originales y no están aún demostrados a escala de toda la red.
Horizon Europe National / regional programmes
Vías de financiación indicativas para prácticas de este tipo: compruebe siempre las convocatorias vigentes y las reglas de elegibilidad de cada programa.
Artefactos reutilizables de esta práctica — tal como los publican sus fuentes.
¿Usted implementa esta práctica? Reivindíquela — los implementadores verificados obtienen un contacto público en la página y pueden proponer correcciones.
De dónde se obtuvo la información de esta práctica, y cuándo.
Singapur
El Anomaly Leak Finder de PUB usa IA, aprendizaje automático y un gemelo digital hidráulico recalibrado a diario para detectar …
Somalia
La plataforma HungerMap Live del PMA, asistida por IA y desarrollada con Google.org, cubre más de 50 países y ayudó …
Suiza
La SPSP integra análisis genómico con IA para detectar variantes de patógenos en Suiza. Con mandato de la Oficina Federal …
Sierra Leona
La NMSA de Sierra Leona y la Universidad de Pensilvania crearon una herramienta de IA que aumentó el consumo de …
Abrir el copiloto completo Basado en prácticas citadas: comprueba siempre las fuentes.