ASTRA — o Projeto de IA Financiado pela UE que Triplica o Tempo de Aviso de Congestionamento Aéreo para Uma Hora
Malta
Um consórcio liderado por Malta e financiado pela UE (com Itália, Espanha e a suíça Skyguide) construiu uma ferramenta de …
Estados Unidos da América · Charlotte · Ver o perfil de Estados Unidos da América
Evidência: Observacional / pré-pós Top 1% 93/100 · Pergunte a Evidence Copilot sobre esta prática
O ATD-2 da NASA usou previsão de tempo de taxiamento por IA para escalonar recuos de portas no Aeroporto Douglas de Charlotte, poupando 1M+ galões de combustível e 933 horas de atraso em quatro anos, antes de passar para a FAA e alargar a 27 aeroportos dos EUA.
Aeronaves que saem da porta de embarque demasiado cedo acabam a aguardar em longas filas de táxi, a queimar combustível e a emitir carbono sem avançar; os aeroportos basearam-se historicamente em estimativas estáticas assentes em modelos físicos, em vez de preverem exatamente quando uma pista ficará realmente disponível.
Substituir a modelação de tempos de táxi baseada em física por modelos de aprendizagem automática - incluindo redes neuronais - treinados com dados reais de vigilância de superfície, para prever os tempos de táxi de saída e de entrada e programar melhor a saída das aeronaves da porta de embarque.
O projeto ATD-2 (Airspace Technology Demonstration-2) da NASA construiu um sistema integrado de chegadas, partidas e superfície (IADS) cuja componente de operações de superfície baseadas em trajetória foi testada em campo no Aeroporto Internacional de Charlotte Douglas (KCLT), com dados também recolhidos em Dallas/Fort Worth (KDFW), entre setembro de 2017 e setembro de 2021.
O sistema poupou mais de 1 milhão de galões de combustível de aviação, um valor estimado de 1,4 milhões de dólares em custos de tripulação, 933 horas de atraso de passageiros (avaliadas em cerca de 4,5 milhões de dólares) e cerca de 8 toneladas de CO2 por dia em Charlotte Douglas. A NASA transferiu formalmente a tecnologia para a FAA em setembro de 2021, onde foi integrada no programa Terminal Flight Data Manager (TFDM) para um lançamento faseado, começando por Charlotte e Phoenix e alcançando eventualmente 27 aeroportos de grande dimensão, incluindo Atlanta, Chicago, Nova Iorque, Washington, São Francisco e Los Angeles.
Os modelos de aprendizagem automática publicados para os tempos de táxi ainda apresentam incerteza significativa - cerca de 10-15% para os tempos totais e de área de movimento aeroportuária, e cerca de 20% para o tempo de táxi na plataforma - e previa-se que a implementação nacional nos 27 aeroportos demorasse entre cinco a dez anos, pelo que os benefícios medidos acima permanecem concentrados nos locais de teste originais e não estão ainda comprovados à escala da rede.
Horizon Europe National / regional programmes
Vias de financiamento indicativas para práticas deste tipo — verifique sempre os avisos abertos e as regras de elegibilidade de cada programa.
Artefactos reutilizáveis desta prática — tal como publicados pelas suas fontes.
Implementa esta prática? Reivindique-a — implementadores verificados obtêm um contacto público na página e podem propor correções.
De onde foi obtida a informação desta prática, e quando.
Malta
Um consórcio liderado por Malta e financiado pela UE (com Itália, Espanha e a suíça Skyguide) construiu uma ferramenta de …
Singapura
O Anomaly Leak Finder da PUB usa IA, aprendizagem automática e um gémeo digital hidráulico recalibrado a diário para detetar …
Gronelândia
O ASIP do DMI usa uma rede neuronal convolucional combinando radar Sentinel-1 e dados AMSR2 para gerar cartas de gelo …
Somália
A plataforma HungerMap Live do PAM, assistida por IA e construída com a Google.org, cobre mais de 50 países e …
Abrir o copiloto completo Baseado em práticas citadas — verifique sempre as fontes.