Campo Dublin Core | Valor | Língua |
dc.contributor.advisor | Weigang, Li | - |
dc.contributor.author | Leite, Daniel Valério | - |
dc.identifier.citation | LEITE, Daniel Valério. Solução computacional para prevenir acidentes aeronáuticos causados por esteiras de turbulência usando aprendizado de máquina. 2019. xv, 105 f. Trabalho de Conclusão de Curso (Licenciatura em Ciência da Computação)—Universidade de Brasília, Brasília, 2019. | pt_BR |
dc.description | Trabalho de Conclusão de Curso (graduação)—Universidade de Brasília, Instituto de Ciências Exatas, Departamento de Ciência da Computação, 2019. | pt_BR |
dc.description.abstract | Esteiras de turbulência são fluxos de ar gerados e que giram a partir das pontas das asas de um avião e que permanecem por minutos no ar. Um problema fatal para muitas aeronaves é a esteira de turbulência reconhecida pela primeira vez como de extremo perigo em 1960. Diversos acidentes e incidentes ocorreram e ocorrem no mundo devido a aeronaves adentrarem a esteira de turbulência de uma aeronave maior. As aeronaves têm a capacidade de enxergar as outras ao seu redor graças a um equipamento chamado Vigilância Dependente Automática por Radiodifusão (Automatic Dependent Surveillance-Broadcast ADS-B) que se comunica com o ADS-B de outras aeronaves e tanto recebe quanto transmite sua posição, velocidade, altitude, identificação, entre outros. Com o uso de critérios de separação segura para esteira de turbulência de aeronaves e utilizando técnicas de Aprendizado de Máquina será possível agregar ao sistema ADS-B alertas precisos ao piloto. Com tais alertas será possível avisar do perigo de se aproximar de um vórtice gerado por uma aeronave categoria super, por exemplo, Airbus A380. A metodologia por meio de Aprendizado de Máquina será classificar qual aeronave está voando ao seu redor e a partir dessa informação de imediato saber qual a sua respectiva esteira de turbulência. A solução para o problema é justamente usar o ADS-B para detectar uma aeronave a quilômetros de distância em sua trajetória e alertar o piloto por meio sonoro e visual, pois o ADS-B atualmente não realiza tal solução proposta. Testes com diferentes algoritmos em diversos cenários de teste mostram que os melhores resultados para uma separação mínima em voo e um tempo seguro para iniciar a decolagem é obtido com a utilização tanto do algoritmo Naive Bayes como do KNN com parâmetro k = 1 ou 3. Tais informações são suficientes para o piloto manter as devidas separações para com a outra aeronave e assim evitar um acidente aeronáutico, pois é sabido que esteiras de turbulência de aviões categoria pesada e super são de extremo perigo. Sendo assim, o piloto em caso de não ser avisado do perigo pelo Controlador de Tráfego Aéreo por qualquer motivo que seja, poderá ter sua própria tomada de decisão dentro da sua cabine para evitar um vórtice de uma aeronave maior. | pt_BR |
dc.rights | Acesso Aberto | pt_BR |
dc.subject.keyword | Acidentes aéreos | pt_BR |
dc.subject.keyword | Turbulência | pt_BR |
dc.subject.keyword | Aeronaves | pt_BR |
dc.subject.keyword | Prevenção de acidentes | pt_BR |
dc.subject.keyword | Aprendizado de máquina | pt_BR |
dc.subject.keyword | Tráfego aéreo | pt_BR |
dc.title | Solução computacional para prevenir acidentes aeronáuticos causados por esteiras de turbulência usando aprendizado de máquina | pt_BR |
dc.type | Trabalho de Conclusão de Curso - Graduação - Bacharelado | pt_BR |
dc.date.accessioned | 2020-07-31T13:44:07Z | - |
dc.date.available | 2020-07-31T13:44:07Z | - |
dc.date.submitted | 2019-12-11 | - |
dc.identifier.uri | https://bdm.unb.br/handle/10483/25293 | - |
dc.language.iso | Português | pt_BR |
dc.rights.license | A concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor que autoriza a Biblioteca Digital da Produção Intelectual Discente da Universidade de Brasília (BDM) a disponibilizar o trabalho de conclusão de curso por meio do sítio bdm.unb.br, com as seguintes condições: disponível sob Licença Creative Commons 4.0 International, que permite copiar, distribuir e transmitir o trabalho, desde que seja citado o autor e licenciante. Não permite o uso para fins comerciais nem a adaptação desta. | pt_BR |
dc.description.abstract1 | Wake turbulence are generated air streams that rotate from the wingtips of an airplane and remain for minutes in the air. A fatal problem for many aircraft is the turbulence wake first recognized as extremely dangerous in 1960. Several accidents and incidents have occurred and occur worldwide as aircraft enter the turbulence wake of a larger aircraft. Aircraft have the ability to see others around them thanks to equipment called Automatic Dependent Broadcast Surveillance that communicates with ADS-B from other aircraft and receives and transmits their position, speed, altitude, identification, among others. Using safe separation criteria for aircraft turbulence and using Machine Learning techniques, it will be possible to add to the ADS-B system accurate pilot alerts. With such warnings it will be possible to warn of the danger of approaching a vortex generated by a super category aircraft, for example Airbus A380. The Machine Learning methodology will be to classify which aircraft is flying around you and from this information immediately know your turbulence wake. The solution to the problem is precisely to use ADS-B to detect an aircraft miles away in its trajectory and alert the pilot by sound and visual, as ADSB currently does not perform such a proposed solution. Tests with different algorithms in several test scenarios show that the best results for minimum flight separation and a safe takeoff time are obtained using either the Naive Bayes algorithm or the KNN with parameter k = 1 or 3. Such information is sufficient for the pilot to maintain proper separation from the other aircraft and thus to avoid an aeronautical accident, as it is known that turbulence mats of heavy and super category aircraft are of extreme danger. Therefore, if the pilot is not warned of the danger by the Air Traffic Controller for any reason, he may have his own decision in his cabin to avoid a vortex of a larger aircraft. | pt_BR |
Aparece na Coleção: | Ciência da Computação
|