elib
DLR-Header
DLR-Logo -> http://www.dlr.de
DLR Portal Home | Imprint | Privacy Policy | Contact | Deutsch
Fontsize: [-] 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. Master's. Institut für Instandhaltung und Modifikation. 59 S.

[img] PDF - Only accessible within DLR
1MB

Abstract

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.

Item URL in elib:https://elib.dlr.de/198255/
Document Type:Monograph (DLR-Interner Bericht, Master's)
Title:Machine Learning for Environmental Assessment in Aviation - Assessing Different Aircraft Designs with Random Forest Models and Blackbox Optimization
Authors:
AuthorsInstitution or Email of AuthorsAuthor's ORCID iDORCID Put Code
Dockal, SarahUNSPECIFIEDUNSPECIFIEDUNSPECIFIED
Date:31 August 2023
Refereed publication:No
Open Access:No
Gold Open Access:No
In SCOPUS:No
In ISI Web of Science:No
Number of Pages:59
Status:Published
Keywords:Life Cycle Assessment, Machine Learning, Aviation
Institution:Institut für Instandhaltung und Modifikation
Department:Produktlebenszyklusmanagement
HGF - Research field:Aeronautics, Space and Transport
HGF - Program:Aeronautics
HGF - Program Themes:Air Transportation and Impact
DLR - Research area:Aeronautics
DLR - Program:L AI - Air Transportation and Impact
DLR - Research theme (Project):L - Air Transport Operations and Impact Assessment
Location: Hamburg
Institutes and Institutions:Institute of Maintenance, Repair and Overhaul > Product Life Cycle Management
Deposited By: Rahn, Antonia
Deposited On:23 Oct 2023 07:17
Last Modified:23 Oct 2023 07:17

Repository Staff Only: item control page

Browse
Search
Help & Contact
Information
electronic library is running on EPrints 3.3.12
Website and database design: Copyright © German Aerospace Center (DLR). All rights reserved.