L'ATD-2 de la NASA a utilisé la prévision par IA des temps de roulage pour planifier les repoussés à l'aéroport Douglas de Charlotte, économisant 1M+ gallons de kérosène et 933 heures de retard en quatre ans, avant transfert à la FAA vers 27 aéroports américains.
1,000,000+ gallons
Kérosène économisé à Charlotte Douglas (Sept 2017-Sept 2021)
$1.4 million
Économies sur les coûts d'équipage (Sept 2017-Sept 2021)
933 hours
Heures de retard passagers évitées (Sept 2017-Sept 2021)
~$4.5 million
Valeur du retard passagers évité (Sept 2017-Sept 2021)
~8 tons/day
Réduction de CO2 à Charlotte Douglas
Détails
Maturité
En expansion
Promoteur
NASA Ames Research Center, with the Federal Aviation Administration (FAA)
Période
September 2017 – September 2021 (Charlotte field trial); transferred to FAA September 2021; TFDM rollout from 2022
Mots-clés
aviation, air traffic management, public infrastructure, transportation
Contexte
Les avions qui quittent la porte d'embarquement trop tôt finissent par patienter dans de longues files d'attente au roulage, brûlant du carburant et émettant du carbone sans avancer ; les aéroports se sont historiquement appuyés sur des estimations statiques fondées sur la physique plutôt que de prévoir précisément quand un créneau de piste serait réellement disponible.
Objectifs
Remplacer la modélisation des temps de roulage fondée sur la physique par des modèles d'apprentissage automatique - dont des réseaux de neurones - entraînés sur des données réelles de surveillance de surface, afin de prévoir les temps de roulage à la sortie et à l'entrée et de mieux programmer le repoussage des avions depuis la porte.
Activités
Le projet ATD-2 (Airspace Technology Demonstration-2) de la NASA a construit un système intégré d'arrivées, de départs et de surface (IADS) dont la composante d'opérations de surface fondées sur la trajectoire a été testée sur le terrain à l'aéroport international de Charlotte Douglas (KCLT), avec des données également issues de Dallas/Fort Worth (KDFW), de septembre 2017 à septembre 2021.
Résultats
Le système a permis d'économiser plus d'un million de gallons de kérosène, environ 1,4 million de dollars de coûts d'équipage, 933 heures de retard passagers évitées (évaluées à environ 4,5 millions de dollars), et environ 8 tonnes de CO2 par jour à Charlotte Douglas. La NASA a formellement transféré la technologie à la FAA en septembre 2021, où elle a été intégrée au programme Terminal Flight Data Manager (TFDM) pour un déploiement progressif débutant à Charlotte et Phoenix et atteignant à terme 27 aéroports majeurs, dont Atlanta, Chicago, New York, Washington, San Francisco et Los Angeles.
Conclusions
Les modèles d'apprentissage automatique publiés pour les temps de roulage comportent encore une incertitude significative - environ 10-15 % pour les temps totaux et en aire de manœuvre, et environ 20 % pour le temps de roulage au parking - et le déploiement national dans les 27 aéroports était estimé nécessiter de cinq à dix ans, de sorte que les bénéfices mesurés ci-dessus restent concentrés sur les sites d'essai d'origine plutôt que démontrés à l'échelle du réseau.
Mise en œuvre
Coût indicatif
Élevé (500 k€–5 M€)
Délai jusqu’aux résultats
Long (> 3 ans)
Personnel et compétences
NASA Ames Research Center research and engineering team, FAA operational rollout team under the Terminal Flight Data Manager (TFDM) program
Conditions de réussite
Real surface-surveillance data from operating airports (Charlotte, DFW) to train the ML models
Formal technology-transfer pathway from NASA research to FAA operations
Phased, multi-year rollout plan rather than a single national switch-over
Pistes de financement indicatives pour des pratiques de ce type — vérifiez toujours les appels en cours et les règles d'éligibilité de chaque programme.
Kit de réplication
Artefacts réutilisables de cette pratique — tels que publiés par leurs sources.