elib
DLR-Header
DLR-Logo -> http://www.dlr.de
DLR Portal Home | Impressum | Datenschutz | Kontakt | English
Schriftgröße: [-] Text [+]

Machine Learning for Environmental Assessment in Aviation - Assessing Different Aircraft Designs with Random Forest Models and Blackbox Optimization

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.

[img] 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:
AutorenInstitution oder E-Mail-AdresseAutoren-ORCID-iDORCID Put Code
Dockal, SarahNICHT SPEZIFIZIERTNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
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

Blättern
Suchen
Hilfe & Kontakt
Informationen
electronic library verwendet EPrints 3.3.12
Gestaltung Webseite und Datenbank: Copyright © Deutsches Zentrum für Luft- und Raumfahrt (DLR). Alle Rechte vorbehalten.