Derivation of aircraft performance parameters applying machine learning principles

 |  Login

Show simple item record

dc.contributor Aalto-yliopisto fi
dc.contributor Aalto University en
dc.contributor.advisor Koho, Pasi
dc.contributor.author Harju, Tuomas
dc.date.accessioned 2017-07-04T06:33:15Z
dc.date.available 2017-07-04T06:33:15Z
dc.date.issued 2017-06-12
dc.identifier.uri https://aaltodoc.aalto.fi/handle/123456789/27099
dc.description.abstract To obtain fuel consumption reductions in margin of 5 %, at most, the functions that provide the performance parameters to the fuel consumption optimization problem require enhanced accuracy. The aircraft parameters used in calculation of the consumption of fuel during flight are usually provided in table form. Thus, their utilization in computer software calculations requires application of statistical methods. This thesis explores the usage of machine learning methods in modelling of the data to obtain more accurate models. The data tables are presented in the Aircraft Flight Manual. The datasets used in this thesis are Thrust Specific Fuel Consumption (TSFC) and Cruise Fuel Flow (CFF). In this study, we select three candidate algorithms for analysis. The Enhanced Adaptive Regression Through Hinges (EARTH) algorithm, based on a trademarked Multivariate Adaptive Regression Splines (MARS) algorithm, Random Forest Regression (RFR) and Kernel Ridge Regression (KRR) are each used to analyze both datasets. An initial analysis gives insight to the algorithm, while a parameter optimization is conducted to obtain the optimal parameters for each algorithm. Additionally, the datasets are divided into training and testing sets in the optimization phase to reduce the effect of overfitting. With the optimal parameter combinations established, the machine learning models are validated using validation plots. The optimal algorithm is proposed for both datasets according to the accuracy of the prediction. Also, the computational time required for each algorithm is evaluated, but it is not a deciding factor in algorithm selection, due to the nature of the problem. The KRR algorithm is found to not accurately model the dataset with chosen kernel, Radial Basis Function (RBF). Moreover, the optimal parameters obtained from the analysis for RFR render the algorithm used to deviate from accurately representing RFR. With these limitations, and the fact that EARTH algorithm modelled both datasets most accurately, EARTH is proposed as the optimal algorithm for these datasets. en
dc.description.abstract Jotta saavutetaan 5 % marginaalissa olevia polttoainesäästöjä, vaaditaan polttoaineen kulutuksen optimoinnin suoritusarvoparametrifunktioissa suurta tarkkuutta. Lentokoneen polttoaineen kulutuksen suoritusarvoparametrit annetaan usein taulukkomuodossa. Tästä johtuen, niiden hyödyntäminen tietokonelaskelmissa vaati tilastotieteen menetelmien käyttöä. Tässä työssä tutkitaan koneoppimenetelmien käyttöä datan mallintamisessa tarkempien mallien saamiseksi. Käytetyt datataulukot on esitelty lentokäsikirjassa (Aircraft Flight Manual, AFM). Työn datasetit koostuvat työntövoimakohtaisesta polttoaineenkulutuksesta (Thrust Specific Fuel Consumption, TSFC) ja matkalennon polttoaineenkulutuksesta (Cruise Fuel Flow, CFF). Työssä valittiin kolme algoritmia analyysiin. Datasetit analysoidaan RandomForest -regressiolla (Random Forest Regression, RFR), Kernel Ridge -regressiolla (Kernel Ridge Regression, KRR) ja EARTH-algoritmilla (Enhanced Adaptive Regression Through Hinges), joka pohjautuu patentoituun MARS-algoritmiin (Multivariate Adaptive Regression Splines). Alustava analyysi antaa tietoa algoritmien toiminnasta ja parametrien optimoinnilla selvitetään jokaiselle algoritmille optimikombinaatio parametreista. Lisäksi datasetit jaetaan koulutus ja testaus setteihin, jolla vähennetään ylisovittamisen (overfitting) vaikutusta. Kun optimaaliset yhdistelmät parametreille on selvitetty, validoidaan koneoppimalli kuvaajilla. Lopuksi molemmille dataseteille suositellaan algoritmia ennusteen tarkkuuden perusteella. Laskenta-aika algoritmien välillä tarkastellaan, mutta sitä ei pidetä ratkaisevan tekijänä. Analyysissä huomattiin, että KRR-algoritmi ei mallinna dataa oikein valitulla kantafunktiolla (Radial Basis Function, RBF). Myös RFR:n optimaalisissa parametreissa huomattiin ongelmia, niiden muuttaessa käytetyn algoritmin toimintaa niin, että se ei enää mallintanut dataa kuten RFR:n todellisuudessa kuuluisi. Näiden rajoitusten ja EARTH-algoritmin paremman tarkkuuden johdosta, EARTH:ia suositellaan käytettäväksi näiden datasettien mallintamisessa. fi
dc.format.extent 42 + 3
dc.format.mimetype application/pdf en
dc.language.iso en en
dc.title Derivation of aircraft performance parameters applying machine learning principles en
dc.title Lentokoneen suoritusarvoparametrien selvittäminen käyttäen koneoppimisen periaatteita fi
dc.type G2 Pro gradu, diplomityö fi
dc.contributor.school Insinööritieteiden korkeakoulu fi
dc.subject.keyword parameter modelling en
dc.subject.keyword regression analysis en
dc.subject.keyword machine learning en
dc.subject.keyword fuel consumption en
dc.identifier.urn URN:NBN:fi:aalto-201707045996
dc.programme.major Lentotekniikka fi
dc.programme.mcode K3004 fi
dc.type.ontasot Master's thesis en
dc.type.ontasot Diplomityö fi
dc.contributor.supervisor Tuhkuri, Jukka
dc.programme Konetekniikan koulutusohjelma fi
dc.ethesisid Aalto 9269
dc.location P1


Files in this item

This item appears in the following Collection(s)

Show simple item record

Search archive


Advanced Search

article-iconSubmit a publication

Browse

My Account