Method for Determining an Aircraft Route to Avoid a Thunderstorm Using the Shortest Path on a Graph

Мұқаба

Дәйексөз келтіру

Толық мәтін

Аннотация

The article presents the results of developing a method for determining the optimal route for bypassing an aircraft (AC) of a temporally constant (stationary) zone of thunderstorm activity and heavy rainfall. The method is based on finding the shortest path on a graph. It takes into account the geometries of hazardous meteorological phenomena and the minimum safe distances to them. The authors compare strategies based on the use of convex and concave hulls in the formation of thunderstorm bypass zones. The analysis reveals a statistically significant difference in the central tendencies of the corresponding route lengths. It demonstrates that routes using concave hulls are on average 2% shorter, with possible absolute differences in lengths of up to several hundred kilometers. The main practical result of the work is that the proposed method for determining the optimal route to avoid a thunderstorm can be used as a tool to increase the situational awareness of aircraft pilots and optimize crew operations when flying in adverse weather conditions. It allows automatic thunderstorm avoidance using an autopilot and contribute to improved economic efficiency of flights by reducing fuel consumption through the selection of the optimal bypass routes.

Авторлар туралы

G. Kovalenko

St. Petersburg State University of Civil Aviation named after Air Chief Marshal A.A. Novikov

Хат алмасуға жауапты Автор.
Email: kgvf@inbox.ru
ORCID iD: 0000-0002-4849-8878
Doctor of technical sciences, professor Saint-Petersburg, 196210, Russia

I. Yadrov

St. Petersburg State University of Civil Aviation named after Air Chief Marshal A.A. Novikov

Email: yadrov.ilya@gmail.com
ORCID iD: 0009-0007-3978-6345
graduate student Saint-Petersburg, 196210, Russia

Әдебиет тізімі

  1. Kovalenko G. V., Yadrov I. A., Kuts K. A. (2023). Intelligent Adaptive Flight Crew Decision Support System for Thunderstorm Avoidance. Russian Aeronautics. 66(3): 552-559.
  2. Lavezzi G., Guye K., Cichella V., Ciarcià M. (2023). Comparative analysis of nonlinear programming solvers: performance evaluation, Benchmarking, and Multi-UAV optimal path planning. Drones. 7(8): 487.
  3. Li B., Chen B. (2021). An adaptive rapidly-exploring random tree. IEEE/CAA Journal of Automatica Sinica. 9(2): 283-294.
  4. Madkour A., Aref W. G., Rehman F. U., Rahman M. A., Basalamah S. (2017). A survey of shortest-path algorithms. arXiv preprint arXiv:1705.02044. 26 p.
  5. Milani Z., Nichman L., Matida E., Fleury L., Wolde M., Bruning E., McFarquhar G. M., Kollias P. (2025). In-Flight Measurements of Lightning Locations Using an Aircraft-Mounted Lightning Mapper. Aerospace Science and Technology. 110038.
  6. Muravyev I. S. (2022). Experimental test of the method for evaluating the functioning of automated systems on latest-generation aircraft [Eksperimental'naya proverka metoda ocenki funkcionirovaniya avtomatizirovannyh sistem na vozdushnyh sudah poslednego pokoleniya]. Crede Experto: transport, society, education, language [Crede Experto: транспорт, общество, образование, язык]. 3: 20-33. (In Russian)
  7. Nita I. A., Radu C., Cheval S. (2024). Aviation accidents related to atmospheric instability in the United States (2000-2020). Theoretical and Applied Climatology. 155(6): 5483-5497.
  8. Park J. S., Oh S. J. (2012). A new concave hull algorithm and concaveness measure for n-dimensional datasets. Journal of Information Science and Engineering. 28(3): 587-600.
  9. Rachmawati D., Gustin L. (2020). Analysis of Dijkstra's algorithm and A* algorithm in shortest path problem. Journal of Physics: Conference Series, IOP Publishing. 1566(1): 7.
  10. Ravankar A. A., Ravankar A., Emaru T., Kobayashi Y. (2020). HPPRM: hybrid potential based probabilistic roadmap algorithm for improved dynamic path planning of mobile robots. IEEE Access. 8: 221743-221766.
  11. Saalfeld A. (1999). Topologically consistent line simplification with the Douglas-Peucker algorithm. Cartography and Geographic Information Science. 26(1): 7-18.
  12. Tan C. S., Mohd-Mokhtar R., Arshad M. R. (2021). A comprehensive review of coverage path planning in robotics using classical and heuristic algorithms. IEEE Access. 9: 119310-119342.
  13. Xu J., Zheng Z., Feng Y., Qing X. (2010). A concave hull algorithm for scattered data and its applications. 3rd International Congress on Image and Signal Processing, IEEE. 5: 2430-2433.
  14. Yilmaz N. K. (2008). Path planning of autonomous underwater vehicles for adaptive sampling using mixed integer linear programming. IEEE Journal of Oceanic Engineering. 33(4): 522-537.
  15. Zhao C., Zheng D., Zhang Y., Liu X., Zhang Y., Yao W., Zhang W. (2021). Turbulence characteristics of thunderstorms before the first flash in comparison to non-thunderstorms. Geophysical Research Letters. 48(18): 10.

Қосымша файлдар

Қосымша файлдар
Әрекет
1. JATS XML

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».