Dockal, Sarah (2023) Machine Learning for Environmental Assessment in Aviation - Assessing Different Aircraft Designs with Random Forest Models and Blackbox Optimization. DLR-Interner Bericht. DLR-IB-MO-HF-2023-109. Masterarbeit. Institut für Instandhaltung und Modifikation. 59 S.
PDF
- Nur DLR-intern zugänglich
1MB |
Kurzfassung
Diese Masterarbeit befasst sich mit den ökologischen Auswirkungen von Flugzeugen, die durch das wachsende Bewusstsein für den Klimawandel, die Expansion der Industrie und den Anstieg der Emissionen gefördert werden. Die Vorhersage des ökologischen Fußabdrucks eines Flugzeugs ist entscheidend für die Entwicklung zukünftiger Flugzeuge, die treibstoff-effizient, technologisch fortschrittlich und umweltschonend sind. Die Untersuchung der Materialien und Gewichte von Flugzeugkomponenten eröffnet Möglichkeiten zur Gewichtsreduzierung und damit zur Verbesserung der Treibstoffeffizienz und zur Verringerung der Emissionen. Die Arbeit zielt darauf ab, die Ergebnisse der Ökobilanz durch ein kompaktes Modell mit geringen Datenanforderungen anzunähern. Mithilfe eines Random Forest Regressors wurden wichtige Materialien identifiziert. Diese Materialien wurden zusammen mit den Gewichten der Flugzeugkomponenten eingegeben, um die ökologischen Auswirkungen über die Produktions-, Flug- und Wartungsphasen hinweg zu prognostizieren, unterstützt durch Black-Box-Optimierung. Während die Forschungsarbeit ihre Ziele teilweise erreichte, insbesondere für die Produktionsphase und kleinere Flugzeuge, bleiben Herausforderungen bestehen, besonders bei der Vorhersage der Auswirkungen für größere Flugzeuge und nachfolgende Phasen. Nichtsdestotrotz bieten diese Vorhersagen indikative Schätzungen der Auswirkungen und eine schnelle Vorhersagemethode unter Verwendung der diskutierten Gleichung. Materialien wie kohlenstofffaserverstärkter Kunststoff, Aluminium, Nickel, Stahl und Titan beeinflussen die Vorhersage der ökologischen Auswirkungen und sprechen für ihre konsequente Einbeziehung in zukünftige Flugzeugkonstruktionen. Diese Arbeit unterstreicht die Notwendigkeit umfassender Forschung, um das Verständnis zu verbessern und nachhaltige Praktiken im Luftfahrtsektor zu fördern. Sie bietet Einblicke für Flugzeugbetreiber, um die ökologischen Auswirkungen während der Entwurfsphase zu verringern und so zu einer nachhaltigeren Luftfahrtindustrie beizutragen.
elib-URL des Eintrags: | https://elib.dlr.de/198255/ | ||||||||
---|---|---|---|---|---|---|---|---|---|
Dokumentart: | Berichtsreihe (DLR-Interner Bericht, Masterarbeit) | ||||||||
Titel: | Machine Learning for Environmental Assessment in Aviation - Assessing Different Aircraft Designs with Random Forest Models and Blackbox Optimization | ||||||||
Autoren: |
| ||||||||
Datum: | 31 August 2023 | ||||||||
Referierte Publikation: | Nein | ||||||||
Open Access: | Nein | ||||||||
Gold Open Access: | Nein | ||||||||
In SCOPUS: | Nein | ||||||||
In ISI Web of Science: | Nein | ||||||||
Seitenanzahl: | 59 | ||||||||
Status: | veröffentlicht | ||||||||
Stichwörter: | Life Cycle Assessment, Machine Learning, Aviation | ||||||||
Institution: | Institut für Instandhaltung und Modifikation | ||||||||
Abteilung: | Produktlebenszyklusmanagement | ||||||||
HGF - Forschungsbereich: | Luftfahrt, Raumfahrt und Verkehr | ||||||||
HGF - Programm: | Luftfahrt | ||||||||
HGF - Programmthema: | Luftverkehr und Auswirkungen | ||||||||
DLR - Schwerpunkt: | Luftfahrt | ||||||||
DLR - Forschungsgebiet: | L AI - Luftverkehr und Auswirkungen | ||||||||
DLR - Teilgebiet (Projekt, Vorhaben): | L - Lufttransportbetrieb und Folgenabschätzung | ||||||||
Standort: | Hamburg | ||||||||
Institute & Einrichtungen: | Institut für Instandhaltung und Modifikation > Produktlebenszyklus-Management | ||||||||
Hinterlegt von: | Rahn, Antonia | ||||||||
Hinterlegt am: | 23 Okt 2023 07:17 | ||||||||
Letzte Änderung: | 23 Okt 2023 07:17 |
Nur für Mitarbeiter des Archivs: Kontrollseite des Eintrags