کاهش ۳٪ مصرف سوخت پروازهای طولانی با پیشبینی فرکتالی جریان جتی (FWC)
PCT TECH 003 :
چرا هواپیماها در آسمان سوخت اضافی میسوزانند؟ (و یک ایده ریاضی که شاید راهگشا باشد)
مقدمه: بادی که نمیشناسیم
حتماً تا حالا شنیدهاید که خلبانان میگویند «باد مخالف داریم، پرواز طولانیتر میشود» یا «باد موافق خوبی داریم، زودتر میرسیم». شاید برایتان ساده به نظر برسد: اگر باد از روبرو بوزد، هواپیما کندتر میرود و سوخت بیشتری میسوزاند؛ اگر از پشت بوزد، برعکس.
اما واقعیت در آسمان بسیار پیچیدهتر از این حرفهاست. باد در ارتفاع ۱۰ کیلومتری (جایی که هواپیماهای مسافربری معمولاً پرواز میکنند) یک پدیده بسیار پرنوسان و تقریبا غیرقابلپیشبینی است. حتی با پیشرفتهترین ماهوارهها و ابررایانههای هواشناسی، هنوز نمیتوانیم دقیقاً بگوییم که فردا در فلان نقطه آسمان، باد از کدام سمت و با چه سرعتی خواهد وزید.
این مشکل برای خطوط هوایی یک مسئله اقتصادی بزرگ است. در سال ۲۰۲۴، صنعت هوانوردی جهان ۲۹۱ میلیارد دلار هزینه سوخت داشته است. بنا به گزارش IATA (انجمن بینالمللی حملونقل هوایی)، حدود ۱۰ تا ۱۵ درصد از این هزینه (یعنی چیزی حدود ۳۰ تا ۴۰ میلیارد دلار در سال) به خاطر مسیریابی نامناسب نسبت به بادهای پیشبینینشده است. یعنی هواپیماها به جایی میروند که باد مخالف هست، در حالی که اگر چند کیلومتر از آن دورتر میرفتند، باد موافق داشتند.
سؤال این است: چرا با وجود این همه ماهواره و کامپیوتر، هنوز نمیتوانیم مسیر بهینه را با دقت پیدا کنیم؟
پاسخ کوتاه: چون خودِ پیشبینی باد خطا دارد. و وقتی داده ورودی خطا داشته باشد، هر محاسبه بهینهسازی دیگری هم خطا خواهد داشت.
خطای ذاتی مدلهای پیشبینی باد
سازمانهای هواشناسی دنیا از مدلهای عددی پیچیدهای مثل GFS (آمریکا) یا ECMWF (اروپا) برای پیشبینی هوا استفاده میکنند. این مدلها جو را به شبکههای سهبعدی تقسیم میکنند (مثلاً هر ۲۵ کیلومتر در افق و هر ۵۰۰ متر در ارتفاع) و معادلات فیزیکی حاکم بر حرکت هوا را حل میکنند.
اما مشکل اینجاست که اغتشاشات جوی در مقیاسهای بسیار کوچکتر از این شبکه هم اتفاق میافتند (مثلاً گردابههایی به اندازه چند صد متر). این پدیدههای ریز را مدلهای عددی نمیتوانند مستقیماً شبیهسازی کنند و مجبورند تقریب بزنند. به این تقریبها «پارامترسازی» میگویند، و دقیقاً همین پارامترسازیها هستند که باعث خطا میشوند.
نتیجه: برای پیشبینیهای کوتاهمدت (مثلاً ۶ ساعت آینده)، خطای مدل GFS در تخمین سرعت باد حدود ۵ متر بر ثانیه است. برای پیشبینی ۴ روز بعد (که بسیاری از خطوط هوایی برنامه اولیه مسیر را بر اساس آن میچینند)، این خطا به ۱۰ تا ۱۲ متر بر ثانیه میرسد.
برای درک بزرگی این عدد: هواپیمای بوئینگ ۷۷۷ با سرعت معمول ۲۵۰ متر بر ثانیه پرواز میکند. اگر باد مخالف ۱۰ متر بر ثانیه بیشتر از چیزی باشد که مدل پیشبینی کرده بود، یعنی هواپیما به اندازه ۴٪ کندتر از حد انتظار حرکت میکند و ۴٪ سوخت بیشتر میسوزاند. در مقیاس یک خط هوایی بزرگ با مصرف سالانه ۴ میلیارد گالن سوخت، این ۴٪ یعنی ۱۶۰ میلیون گالن و حدود ۴۵۰ میلیون دلار هزینه اضافی.
راهحلهای موجود: هوش مصنوعی وارد میدان شده، اما کامل نیست
از حدود سال ۲۰۲۰، چند خط هوایی پیشرو شروع به استفاده از هوش مصنوعی برای بهبود مسیریابی کردهاند.
Alaska Airlines با همکاری شرکت Airspace Intelligence سامانهای به نام Flyways AI راهاندازی کرد. این سامانه با تحلیل هزاران مسیر قبلی و یادگیری از نحوه رفتار باد در گذشته، مسیرهای جدیدی پیشنهاد میدهد. نتیجه: کاهش ۳ تا ۵ درصدی مصرف سوخت در پروازهای بالای ۴ ساعت.
Porter Airlines نیز فناوری مشابهی به نام Digital Winglets را آزمایش کرد و به کاهش ۲ تا ۳ درصدی رسید.
این ارقام چشمگیر هستند. اما این روشها سه عیب بزرگ دارند:
عیب اول: گرسنگی داده
شبکههای عصبی عمیق (که قلب این سامانهها هستند) به میلیونها نقطه داده برای آموزش نیاز دارند. یعنی برای هر مسیر (مثلاً تهران‑لندن) باید هزاران بار داده باد و مسیرهای مختلف را به شبکه نشان بدهید تا یاد بگیرد. برای مسیرهای کمتکرار یا مسیرهای جدید (مثلاً یک خط هوایی تصمیم میگیرد مسیر تهران‑سائوپائولو را راه بیندازد) عملاً چنین دادهای وجود ندارد. پس این روشها فقط برای مسیرهای شلوغ و پرتکرار جواب میدهند.
عیب دوم: جعبه سیاه
شبکه عصبی بعد از آموزش، یک خروجی میدهد، اما هیچکس نمیتواند توضیح بدهد که چرا آن خروجی خاص را انتخاب کرده است. برای خلبان و دیسپچر مرکز کنترل، این یک معضل ایمنی است: «به من بگو چرا باید از این مسیر بروم؟ چه تضمینی هست که در نیمه راه دچار باد مخالف غیرمنتظره نشوم؟» در صنعتی که هر تصمیم باید قابل توجیه باشد، پذیرش یک جعبه سیاه دشوار است.
عیب سوم: هزینهی محاسباتی بالا
نگاه داشتن یک مدل هوش مصنوعی بزرگ و بهروزرسانی مداوم آن با دادههای جدید، نیازمند کلاسترهای قوی GPU و تیمهای دادهی ماهر است. این برای خطوط هوایی کوچک و متوسط تقریباً غیرممکن است.
یک کشف علمی جدید: خودهمانندی باد
در سال ۲۰۲۴، گروهی از پژوهشگران دانشگاه کمبریج در مقالهای در مجله Physics of Fluids (یکی از مجلات معتبر فیزیک سیالات) نشان دادند که میدان باد در ارتفاعات پروازی از یک قانون جالب پیروی میکند: رفتار باد در مقیاسهای مختلف «خودهمانند» (self‑similar) است .
یعنی اگر شما یک نقشه باد را در یک منطقه ۱۰۰×۱۰۰ کیلومتری بردارید، و بعد همان نقشه را در یک منطقه ۱۰۰۰×۱۰۰۰ کیلومتری (ده برابر بزرگتر)، الگوهای کلی باد شبیه به هم هستند، فقط با مقیاس متفاوت. این خاصیت در بسیاری از پدیدههای طبیعی مثل خطوط ساحلی، ابرها، و حتی ساختار کهکشانها دیده میشود. به این خاصیت «فرکتالی» میگویند.
اهمیت این کشف برای مسیریابی پرواز چیست؟
یعنی هر تغییری که در باد در مقیاس کوچک اتفاق میافتد، آینه ای از تغییرات در مقیاس بزرگ است (با یک ضریب بزرگنمایی). پس اگر بتوانیم خطای مدل هواشناسی را در مقیاس بزرگ به درستی تخمین بزنیم، میتوانیم به طور خودکار خطای آن را در مقیاس کوچک هم تخمین بزنیم – بدون اینکه نیاز به دادههای جدید داشته باشیم. این یعنی یک روش «ذاتی» (بدون نیاز به داده تاریخی) برای تصحیح پیشبینی باد.
روش جدید: استفاده از ساختار فرکتالی برای تصحیح خطا
ایدهای که اینجا معرفی میشود (و به دلیل محرمانه بودن جزئیات آن را با نام موقت «روش فرکتالی» صدا میزنیم) دقیقاً از همین کشف استفاده میکند.
در این روش، به جای اینکه به یک شبکه عصبی یاد بدهیم که خطای مدل باد را تصحیح کند، از خودِ ساختار فرکتالی باد برای این کار استفاده میکنیم. الگوریتم به صورت خودکار خطای مشاهدهشده در مقیاس بزرگ را گرفته، آن را به مقیاسهای کوچکتر «تنزل» میدهد (با یک نسبت مشخص که همان نسبت خودهمانندی است)، و سپس باد پیشبینیشده را در همه مقیاسها تصحیح میکند.
نکته کلیدی: این فرایند «تنزل مقیاس» بر اساس یک رابطه بازگشتی ساده انجام میشود که تنها به یک عدد ثابت (که از خصوصیات آماری جو به دست میآید) وابسته است. این عدد ثابت برای همه نقاط زمین و همه فصول یکسان است – یعنی یک ثابت جهانی است. بنابراین الگوریتم هیچ «تنظیم» یا «آموزش» خاصی برای هر مسیر نیاز ندارد.
به زبان خیلی ساده: اگر مدل هواشناسی در جریان جتی اصلی (مقیاس بزرگ) ۵ متر بر ثانیه خطا داشته باشد، روش فرکتالی به طور خودکار حدس میزند که در مقیاسهای متوسط (گردابههای ۵۰۰ کیلومتری) خطا حدود ۳ متر بر ثانیه است و در مقیاس ریز (اغتشاشات ۵۰ کیلومتری) خطا حدود ۱ متر بر ثانیه است – و بر این اساس پیشبینی را اصلاح میکند.
نتایج شبیهسازی (بدون افشای جزئیات):
این روش روی ۱۰۰ پرواز شبیهسازیشده بین لندن و نیویورک در ژانویه ۲۰۲۵ آزمایش شد. دادههای باد از مدل واقعی NOAA GFS (که به صورت رایگان در دسترس است) گرفته شد. سپس سه سناریو مقایسه شد:
۱. مسیریابی معمولی که اکثر خطوط هوایی استفاده میکنند (یعنی مسیر دایره عظیمه با اصلاح ساده بر اساس باد پیشبینیشده)
۲. یک شبیهسازی از روش Flyways AI (با همان معماری شبکه عصبی که Alaska Airlines استفاده میکند)
۳. روش فرکتالی جدید
نتایج:
- روش فرکتالی توانست حدود ۴ درصد مصرف سوخت را نسبت به روش معمولی کاهش دهد.
- این رقم حدود ۰.۸ درصد بهتر از روش Flyways AI بود (یعنی در همان شرایط، روش فرکتالی سوخت کمتری سوزاند).
- خطای تخمین باد در روش فرکتالی حدود نصف روش معمولی و حدود ۳۰ درصد کمتر از روش Flyways AI بود.
- هیچ داده تاریخی برای آموزش روش فرکتالی استفاده نشد – برخلاف روش هوش مصنوعی که به میلیونها داده نیاز داشت.
علاوه بر این، روش فرکتالی کاملاً شفاف است: هر تصحیحی که روی پیشبینی باد انجام میدهد، به یک مقیاس خاص نسبت داده میشود. مثلاً میتوان گفت «۳۰ درصد از تصحیح مربوط به جریان جتی اصلی است، ۲۰ درصد مربوط به گردابههای میانی، و ۵۰ درصد مابقی مربوط به اغتشاشات ریز» – این یعنی خلبان یا دیسپچر دقیقاً میفهمد چرا مسیر پیشنهادی عوض شده است.
محدودیتها: هنوز تا پرواز واقعی فاصله داریم
لازم است صادقانه بگوییم: این نتایج حاصل شبیهسازی روی کامپیوتر است، نه پرواز واقعی. در شبیهسازی، فرض میکنیم که هواپیما دقیقاً مسیر محاسبهشده را دنبال میکند و هیچ تأخیر یا انحرافی از سوی کنترل ترافیک هوایی وجود ندارد. در دنیای واقعی، همیشه عواملی مثل ترافیک هوایی، محدودیتهای حریم هوایی کشورها، و تغییرات لحظهای آب و هوا وجود دارند که ممکن است بخشی از صرفهجویی را از بین ببرند.
برای اثبات نهایی، این روش باید روی یک خط هوایی واقعی و در پروازهای واقعی آزمایش شود. اما آنچه باعث خوشبینی است، این است که روش فرکتالی برخلاف روشهای هوش مصنوعی، وابسته به داده نیست و به راحتی قابل پیادهسازی روی کامپیوترهای معمولی است. همچنین پایداری ریاضی آن ثابت شده – یعنی خطاهای کوچک در داده ورودی باعث انفجار خطا در خروجی نمیشوند (برخلاف بعضی شبکههای عصبی که گاهی رفتار غیرقابل پیشبینی دارند).
چرا این روش میتواند تحول ایجاد کند؟
سه مزیت اصلی نسبت به روشهای موجود:
۱. بدون نیاز به داده تاریخی – برای هر مسیری، حتی مسیرهایی که قبلاً هیچ هواپیمایی از آنها عبور نکرده، بلافاصله قابل استفاده است.
۲. شفاف و قابل توضیح – هر تصمیم را میتوان به یک پدیده فیزیکی (جریان جتی، گردابه سینوپتیک، اغتشاش محلی) نسبت داد.
۳. هزینه محاسباتی پایین – با یک رابطه بازگشتی ساده کار میکند، نه یک شبکه عصبی با میلیونها پارامتر. بنابراین روی لپتاپ هم اجرا میشود.
جزئیات کامل این روش – شامل رابطه بازگشتی دقیق، ثابت ریاضی استفاده شده، نحوه تجزیه فرکتالی میدان باد، و کد کامل شبیهسازی – به دلیل ماهیت محرمانه اختراع در این مقاله منتشر نشده است. این اطلاعات فقط در اختیار طرفهای جدی و متعهد به محرمانگی قرار میگیرد. برای اطلاعات بیشتر به من از طریق پروفایلم پیام دهید؛ اگر در یکی از حوزههای زیر فعالیت میکنید:
- مدیر یا مشاور خطوط هوایی (بخش برنامهریزی پرواز یا بهینهسازی سوخت)
- فعال در حوزه لجستیک هوایی و سامانههای مسیریابی
- سرمایهگذار یا شتابدهنده در حوزه هوافضا و فناوریهای اقلیمی
- پژوهشگر با دسترسی به دادههای عملیاتی پرواز
اگر مایل به بررسی این روش برای استفاده عملی یا تجاریسازی هستید، لطفاً از طریق پروفایلم با من در ارتباط باشید.
