馬麗娜，田 勇，王 倩，徐 燦

（南京航空航天大學(xué)民航學(xué)院，江蘇 南京 211106）

近年來，全球航空運(yùn)輸業(yè)迅猛發(fā)展，航班數(shù)量顯著增加，然而，航空器運(yùn)行帶來的環(huán)境問題卻日益凸顯。據(jù)聯(lián)合國政府間氣候變化專門委員會（Intergovernmental Panel on Climate Change, IPCC）統(tǒng)計(jì)，目前全球人為排放二氧化碳（CO2）總量的2%來源于航空運(yùn)輸排放，且該比例保持較快增速[1]。2019年9月，中國向國際民航組織（International Civil Aviation Organization, ICAO）正式提交第三版航空減排行動計(jì)劃書，宣示了在綠色民航發(fā)展方面的決心與信心。航空器巡航階段時間占比高，氣體排放產(chǎn)生的溫室效應(yīng)具有放大效果[2]，對此，有必要研究一種有效的航空器巡航溫室效應(yīng)評估方法。溫室效應(yīng)表征和燃油消耗計(jì)算是溫室效應(yīng)評估方法研究的主要議題。

國內(nèi)外學(xué)者針對航空器運(yùn)行溫室效應(yīng)的研究多集中在氣體排放計(jì)算方面。曹惠玲等[3]使用P3-T3方法對ICAO基準(zhǔn)排放模型中的氣體排放指數(shù)進(jìn)行修正，在此基礎(chǔ)上實(shí)現(xiàn)了標(biāo)準(zhǔn)起飛著陸循環(huán)（land and take off, LTO）過程氮氧化物（NOx）排放量的獲取，隨后對黑碳排放量進(jìn)行了計(jì)算和分析[4]；OWEN et al[5]使用飛機(jī)性能和污染物排放模型對未來航空運(yùn)輸中CO2和NOx排放情況做出預(yù)測；羅雯莉等[6]使用線源擴(kuò)散模型，比較了不同減排措施下污染物排放減少作用。針對航空器運(yùn)行對機(jī)場周邊區(qū)域造成的環(huán)境影響，學(xué)者們也開展了諸多研究，高壘等[7]對南京祿口國際機(jī)場2017年NOx、碳?xì)浠衔铮℉C）和一氧化碳（CO）排放量進(jìn)行了有效計(jì)算；韓博等[8]從系統(tǒng)水平出發(fā)，獲取了京津冀機(jī)場群2018～2019年大氣污染物排放清單。上述研究實(shí)現(xiàn)了對航空器運(yùn)行污染物排放量的計(jì)算，但對時間占比較長的巡航階段關(guān)注較少，且尚未針對污染物排放產(chǎn)生的綜合溫變影響進(jìn)行進(jìn)一步研究。

航空排放中的溫室氣體主要來源于燃油消耗，在燃油消耗獲取方面，學(xué)者們大多通過數(shù)學(xué)建模的方法展開研究。TURGUT et al[9]針對航空器下降過程構(gòu)建了燃油消耗與高度之間的指數(shù)模型；LAWRANCE et al[10]基于飛行數(shù)據(jù)構(gòu)建了新型的動力學(xué)參數(shù)模型、高斯回歸模型及K近鄰回歸模型；張軍等[11]使用最小二乘支持向量機(jī)（support vector machines,SVM）的方法，提出了基于橫向與縱向二維驅(qū)動的動態(tài)預(yù)測方法。隨著研究的深入，氣象因素的影響也引起了學(xué)者的關(guān)注，并由此形成了飛機(jī)油耗修正模型[12]。但，這些油耗估算方法多依賴于大量的飛行參數(shù)，其中絕大多數(shù)數(shù)據(jù)公開程度較低、獲取難度較大，使得燃油消耗計(jì)算成為航空器運(yùn)行環(huán)境影響和節(jié)能減排效果評估過程中的難點(diǎn)。

本研究將使用機(jī)器學(xué)習(xí)的方法，針對航空器巡航溫室效應(yīng)評估方法展開研究：根據(jù)溫室氣體排放和表征模型，建立航空器巡航綜合溫室效應(yīng)評估模型；構(gòu)建用于獲取巡航燃油流量的三層神經(jīng)網(wǎng)絡(luò)（neural network, NN）模型，引入遺傳算法優(yōu)化網(wǎng)絡(luò)參數(shù)；從預(yù)測精度和優(yōu)化質(zhì)量2方面評價改進(jìn)后的網(wǎng)絡(luò)模型，并選取深圳航空公司ZH9164航班進(jìn)行實(shí)例應(yīng)用，驗(yàn)證評估方法的可行性和可靠性。

1 綜合溫室效應(yīng)評估模型

CO2和NOx是航空器巡航階段氣體排放的重要組成，兩者具有不同的增溫效應(yīng)。因此，本文首先從溫變影響的角度構(gòu)建綜合溫室效應(yīng)評估模型，以對航空排放中不同污染物的環(huán)境影響進(jìn)行統(tǒng)一度量。

1.1 溫室氣體排放模型

1.1.1 CO2排放模型 根據(jù)美國聯(lián)邦航空局（Federal Aviation Administration, FAA）氣體排放擴(kuò)散模型（emissions and dispersion modeling system, EDMS），CO2排放量與污染物排放指數(shù)和燃油消耗量相關(guān)，見式（1）。

式（1）中：ECO2為CO2排放量，kg；Tc為巡航總時長，h；FCR(t)為t時刻的燃油流量，kg/h；EICO2為CO2排放指數(shù)，kg/kg，表示消耗 1 kg航空燃油產(chǎn)生的CO2量，在發(fā)動機(jī)類型與航空燃油種類不變的條件下，EICO2保持恒定。表1可知，B737-800飛機(jī)選裝的CFM56-7B26發(fā)動機(jī)CO2排放指數(shù)為3.155。

表1 CFM56-7B26發(fā)動機(jī)基準(zhǔn)排放數(shù)據(jù)

1.1.2 NOx排放模型 對于 NOx排放模型，與 CO2排放模型不同，其排放指數(shù)隨巡航條件的不同而實(shí)時變化。此外，基準(zhǔn)排放模型中的NOx排放數(shù)據(jù)，只包括4種典型工作狀態(tài)下的排放指數(shù)，且僅適用于基準(zhǔn)條件（ISA、0 m），因此，針對航空器巡航NOx排放量的計(jì)算，需要根據(jù)具體燃油流量和巡航條件，對其排放指數(shù)進(jìn)行插值和修正，見圖1。

圖1 NOx排放指數(shù)修正方法

①將實(shí)際燃油流量按式（2）修正到基準(zhǔn)條件下的相應(yīng)值。

式（2）中，F(xiàn)CR’為修正后的基準(zhǔn)燃油流量；δ為外界大氣壓強(qiáng)與標(biāo)準(zhǔn)海平面大氣壓強(qiáng)（1 013.2 hPa）的比值；θ為外界大氣溫度與標(biāo)準(zhǔn)海平面大氣溫度（288 K）的比值；e為自然常數(shù)；M為巡航馬赫數(shù)。

②根據(jù)發(fā)動機(jī)基本排放數(shù)據(jù)，對基準(zhǔn)燃油流量和NOx排放指數(shù)進(jìn)行擬合，以便能夠通過擬合關(guān)系，獲取基準(zhǔn)燃油流量對應(yīng)的NOx基準(zhǔn)排放指數(shù)表示在基準(zhǔn)條件下消耗1 kg航空燃油產(chǎn)生的NOx量。

③將NOx基準(zhǔn)排放指數(shù)按照公式（3）轉(zhuǎn)換回實(shí)際排放指數(shù)。

式（3）中：EINOx為NOx的實(shí)際排放指數(shù)，kg/kg，表示在實(shí)際運(yùn)行條件下消耗1 kg航空燃油產(chǎn)生的NOx量；φ為外界大氣相對濕度，%；pv為飽和蒸汽壓，Pa，可采用公式（4）根據(jù)外界大氣溫度計(jì)算獲得。

式（4）中：T為外界大氣溫度，K。綜合EDMS排放模型和NOx排放指數(shù)修正模型，可得出NOx排放量表達(dá)式（5）。

式（5）中：ENOx為NOx排放量，kg；EINOx(t)為t時刻的NOx排放指數(shù)。

1.2 溫室效應(yīng)表征模型

在溫室氣體排放定量計(jì)算的基礎(chǔ)上，使用全球絕對溫變潛勢（absolute global temperature potential,AGTP）這一表征參數(shù)進(jìn)一步探究氣體排放造成的大氣溫變影響。根據(jù)推導(dǎo)和驗(yàn)證，見式（6）。

式（6）中， A GTPG(H)為溫室氣體G（CO2或NOx）在決策時間水平H下的全球絕對溫變潛勢，K/kg，是其造成全球平均地表溫度的變化；AG為單位質(zhì)量G的 輻射強(qiáng)迫,Wm2/kg；a0、ai、αi、cj和dj為給定參數(shù)[13]。

由此，航空器巡航階段CO2和NOx排放造成的綜合溫變影響，見式（7）。

式（7）中， ?T(H)為全球總溫變潛勢，K。

2 巡航燃油流量神經(jīng)網(wǎng)絡(luò)模型

獲取各時刻的燃油流量序列是準(zhǔn)確評估巡航溫室效應(yīng)的關(guān)鍵步驟。本研究打破基于發(fā)動機(jī)性能模型對燃油流量進(jìn)行建模的一貫研究，利用神經(jīng)網(wǎng)絡(luò)對燃油流量進(jìn)行建模，以期減少計(jì)算過程中對公開程度較低的飛行參數(shù)的依賴。

2.1 基于神經(jīng)網(wǎng)絡(luò)的模型建立

人工神經(jīng)網(wǎng)絡(luò)是由大量稱為神經(jīng)元的節(jié)點(diǎn)和權(quán)重邊組成的信息或信號處理系統(tǒng)，可通過模擬生物大腦的結(jié)構(gòu)和功能，共同完成分布式處理和運(yùn)算任務(wù)，具有學(xué)習(xí)能力強(qiáng)、可操作程度高的優(yōu)點(diǎn)。本研究根據(jù)影響飛機(jī)巡航燃油流量的性能和氣象因素，構(gòu)建基于三層神經(jīng)網(wǎng)絡(luò)的巡航燃油流量估算模型FCR=N(h、v、d、ws、wd)，網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)，見圖2。

圖2 三層神經(jīng)網(wǎng)絡(luò)拓?fù)鋱D

網(wǎng)絡(luò)由輸入層X、隱含層Y和輸出層Z組成。其中：X包含5個神經(jīng)元h、v、d、ws、wd，分別表示氣壓高度、地速、航向、風(fēng)速和風(fēng)向；Y層神經(jīng)元用以傳遞X與Y間的關(guān)系；Z含1個神經(jīng)元FCR，為燃油流量；wxy、b1和f1分別表示X到Y(jié)的連接權(quán)值、閾值和激活函數(shù)；wyz、b2和f2分別表示Y到Z的連接權(quán)值、閾值和激活函數(shù)。

2.2 基于遺傳優(yōu)化的算法設(shè)計(jì)

人工神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)泛化能力和可操作性，但也存在明顯缺陷。在網(wǎng)絡(luò)訓(xùn)練過程中，初始連接權(quán)值的和閾值對訓(xùn)練結(jié)果影響很大，但由于隨機(jī)選取的方法，傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)存在收斂速度慢、易陷入局部最優(yōu)的缺點(diǎn)[14]；遺傳算法是模擬自然選擇和遺傳學(xué)機(jī)理的最優(yōu)解搜索技術(shù)，具有較強(qiáng)的全局搜索能力。為了有效克服傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)的缺點(diǎn)，本研究將進(jìn)化計(jì)算的自適應(yīng)機(jī)制與神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)機(jī)制有機(jī)結(jié)合，使用遺傳算法對神經(jīng)網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化：在NN基礎(chǔ)上，以網(wǎng)絡(luò)實(shí)際輸出與期望輸出間的均方誤差構(gòu)造適應(yīng)度函數(shù)，通過遺傳算法的進(jìn)化操作和全局搜索能力，獲取表現(xiàn)最優(yōu)進(jìn)化初始權(quán)值和閾值；利用神經(jīng)網(wǎng)絡(luò)的局部尋優(yōu)能力，訓(xùn)練出性能更優(yōu)的燃油流量估算模型。改進(jìn)的神經(jīng)網(wǎng)絡(luò)（improved neural network, INN）算法流程，見圖 3。

圖3 遺傳算法優(yōu)化的改進(jìn)神經(jīng)網(wǎng)絡(luò)算法流程圖

2.3 基于運(yùn)行數(shù)據(jù)的網(wǎng)絡(luò)訓(xùn)練

使用實(shí)際運(yùn)行數(shù)據(jù)進(jìn)行網(wǎng)絡(luò)訓(xùn)練。針對收集到的B737-800機(jī)型的實(shí)際飛行記錄數(shù)據(jù)進(jìn)行清洗和處理，原始數(shù)據(jù)包括飛機(jī)高度、馬赫數(shù)、地速、時間、左發(fā)燃油流量和右發(fā)燃油流量等信息。根據(jù)發(fā)動機(jī)轉(zhuǎn)速、爬升率等信息，提取出所需的飛機(jī)巡航階段相關(guān)數(shù)據(jù)（共3 025條），將其隨機(jī)分為訓(xùn)練集（70%）、測試集（20%）和驗(yàn)證集（10%）。

2.3.1 隱含層神經(jīng)元數(shù)目和學(xué)習(xí)算法的確定 隱含層神經(jīng)元數(shù)目和學(xué)習(xí)算法是決定網(wǎng)絡(luò)性能的重要參數(shù)。為盡可能提升網(wǎng)絡(luò)性能，本研究在學(xué)習(xí)率為 0.01、訓(xùn)練目標(biāo)為 1×10?3、最大訓(xùn)練次數(shù)為 1 000、f1使用Tansig函數(shù)、f2使用Purelin函數(shù)的條件下，針對隱含層神經(jīng)元數(shù)目為6～20間的不同取值，學(xué)習(xí)算法分別使用梯度下降（Traingd）、貝葉斯正則化（Trainbr）和 Levenberg-Marquardt（Trainlm）的方法對NN模型進(jìn)行試驗(yàn)。圖4為各自50次訓(xùn)練中測試集實(shí)際輸出與期望輸出間均方誤差（mean square error, MSE）的平均結(jié)果，當(dāng)隱含層神經(jīng)元數(shù)目取18，使用貝葉斯正則化學(xué)習(xí)算法時網(wǎng)絡(luò)精度較高。

圖4 不同隱含層神經(jīng)元數(shù)目和學(xué)習(xí)算法組合下的神經(jīng)網(wǎng)絡(luò)性能比較

2.3.2 進(jìn)化初始權(quán)值和閾值的獲取 在優(yōu)選的隱含層神經(jīng)元數(shù)目和學(xué)習(xí)算法的基礎(chǔ)上，通過2.2中的算法流程，對網(wǎng)絡(luò)初始權(quán)值和閾值進(jìn)行優(yōu)化。遺傳算法部分使用二進(jìn)制進(jìn)行編碼；以網(wǎng)絡(luò)實(shí)際輸出和期望輸出的均方誤差為適應(yīng)度函數(shù)；以輪盤選擇、兩點(diǎn)交叉、離散變異和精英保留的策略進(jìn)行進(jìn)化操作；經(jīng)過多次試驗(yàn)，綜合考慮設(shè)置遺傳算法參數(shù)：種群大小定義為100，最大遺傳代數(shù)為100，變量的二進(jìn)制位數(shù)為16，交叉、變異概率分別為0.85和0.01，代溝為0.9。通過遺傳算法優(yōu)化的最佳適應(yīng)度曲線，見圖5，當(dāng)進(jìn)化到第42代時，測試集的最小MSE開始收斂，此時進(jìn)化初始權(quán)值和閾值。

圖5 遺傳算法適應(yīng)度曲線

使用進(jìn)化初始權(quán)值和閾值對網(wǎng)絡(luò)進(jìn)行訓(xùn)練，可得出精度更高的巡航燃油流量估算INN模型。使用INN時測試集各個數(shù)據(jù)點(diǎn)實(shí)際輸出與期望輸出間絕對值相對百分比誤差σ的統(tǒng)計(jì)情況，見圖6。

圖6 測試集實(shí)際輸出與期望輸出對比

圖6可知，74%的數(shù)據(jù)點(diǎn)絕對值相對百分比誤差在5%以內(nèi)，初步說明模型取得了較好的訓(xùn)練效果。

3 網(wǎng)絡(luò)性能評價與案例分析

3.1 模型評價

從驗(yàn)證集數(shù)據(jù)中，隨機(jī)選取100個樣本進(jìn)行實(shí)驗(yàn)，為確保結(jié)果可靠，樣本選取分5次進(jìn)行，形成的G1、G2、G3、G4和G5共5組數(shù)據(jù)的網(wǎng)絡(luò)輸出情況，見圖7?？傮w來看，5組數(shù)據(jù)均體現(xiàn)出優(yōu)異的擬合效果，說明INN具有良好的泛化能力。

圖7 驗(yàn)證數(shù)據(jù)實(shí)際輸出與期望輸出對比

為評估遺傳算法的優(yōu)化效果，針對上述5組數(shù)據(jù)，分別使用NN和INN進(jìn)行實(shí)驗(yàn)，通過擬合優(yōu)度（R2）、均方誤差（MSE）、相對百分比誤差的最大值（max-σ）和平均值（mean-σ）4 項(xiàng)指標(biāo)比較其預(yù)測性能，對比結(jié)果見表2。

表2 NN與INN性能指標(biāo)對比

表2可知，5組數(shù)據(jù)輸出結(jié)果中，INN的R2均在 0.95以上，平均R2高達(dá)0.973 1，大于 NN的0.954 6；MSE 平均值由 0.002 7 降低至 0.001 4，說明了遺傳算法的優(yōu)化有效提升了網(wǎng)絡(luò)的精度，使得燃油流量的獲取更加可靠；max-σ和mean-σ的平均值分別降低了43.45%和29.30%，表明優(yōu)化后的INN具備更加穩(wěn)定的預(yù)測性能。

3.2 算例分析

根據(jù)綜合溫室效應(yīng)計(jì)算模型和巡航燃油流量神經(jīng)網(wǎng)絡(luò)模型，通過公開的航跡和氣象信息，可實(shí)現(xiàn)航空器巡航溫室效應(yīng)的定量計(jì)算。本研究以B737-800機(jī)型為例，選取2019年10月7日執(zhí)飛成都→北京航段的ZH9164航班，航空器巡航溫室效應(yīng)評估框架進(jìn)行算例計(jì)算和分析，見圖8。

圖8 航空器巡航溫室效應(yīng)評估框架

已知執(zhí)飛該航班的航空器機(jī)型為B737-800，根據(jù)該機(jī)型選裝發(fā)動機(jī)的NOx基準(zhǔn)排放指數(shù)（表1），利用1stOpt軟件工具，使用通用全局優(yōu)化算法，獲取該機(jī)型基準(zhǔn)燃油流量在[300, 5 000]取值范圍，其與NOx基準(zhǔn)排放指數(shù)間的擬合關(guān)系，見式（8）。

式（8）中，x為NOx的基準(zhǔn)排放指數(shù)；p1、p2、p3和p4為系數(shù)，系數(shù)取值與回歸統(tǒng)計(jì)，見表3。殘差平方和與均方誤差均處于較低水平，擬合效果較好，決定系數(shù)達(dá)到 0.999 9，可見式（8）的擬合關(guān)系較為可靠。由此，可以通過修正后的基準(zhǔn)燃油流量，獲取NO基準(zhǔn)排放指數(shù)

表3 擬合系數(shù)取值及回歸統(tǒng)計(jì)

從VariFlight飛行軌跡實(shí)時跟蹤雷達(dá)記錄中，獲取該航班巡航階段的ADS-B數(shù)據(jù)（包括航班號、應(yīng)答機(jī)編碼、時刻、航向、氣壓高度、地速、經(jīng)度和緯度）。根據(jù) Real World Flightplan Database 數(shù)據(jù)，該日成都→北京航段的巡航飛行中，飛機(jī)途經(jīng)的重要航路點(diǎn)位置信息，見表4。

表4 成都至北京航路上重要航路點(diǎn)位置信息

針對氣象數(shù)據(jù)，本研究以每段航路中點(diǎn)的氣象數(shù)據(jù)作為該段航路的氣象條件標(biāo)準(zhǔn)。根據(jù)航路點(diǎn)的位置信息，從美國懷俄明州立大學(xué)發(fā)布的高空探空氣象數(shù)據(jù)（包括大氣壓強(qiáng)、溫度、相對濕度、風(fēng)速和風(fēng)向等）中，獲取航路周圍探測站點(diǎn)的氣象數(shù)據(jù)并以此為樣本點(diǎn)，使用反距離加權(quán)（inverse distance weighting, IDW）的空間插值方法，獲得航跡中各點(diǎn)的氣象信息。

將航跡數(shù)據(jù)與氣象數(shù)據(jù)進(jìn)行歸一化處理，輸入到巡航燃油流量估算INN模型中，獲取與雷達(dá)記錄時刻點(diǎn)對應(yīng)的燃油流量序列；進(jìn)一步通過式（7）可實(shí)現(xiàn)航空器巡航溫室效應(yīng)定量評價，見表5。

表5 算例計(jì)算結(jié)果及對比

表5列出了現(xiàn)有文獻(xiàn)[15]中利用基于BADA性能模型的仿真軟件，以B737-800機(jī)型為例，在初始巡航質(zhì)量 67 t、巡航高度 9 500 m、航程 1 500 km條件下仿真計(jì)算出的巡航油耗及溫室氣體排放量數(shù)據(jù)?？梢钥闯?，在初始條件近似的情況下，通過2種方法獲得的油耗和氣體排放結(jié)果較為接近，說明了本研究提出的計(jì)算方法在減少對飛行參數(shù)依賴的同時具備可靠性，且能進(jìn)一步給出氣體排放產(chǎn)生的具體溫變影響。

4 討論與結(jié)論

本研究通過建立綜合溫室效應(yīng)評估模型和巡航燃油流量神經(jīng)網(wǎng)絡(luò)模型，實(shí)現(xiàn)了對航空器巡航階段污染物排放溫變影響的定量計(jì)算，結(jié)論如下。

（1）基于航空器實(shí)際運(yùn)行數(shù)據(jù)，使用機(jī)器學(xué)習(xí)的方法構(gòu)建三層神經(jīng)網(wǎng)絡(luò)用于巡航燃油流量獲取，與現(xiàn)有文獻(xiàn)中常用的通過BADA性能模型計(jì)算的方法相比，本研究提出的方法具備操作簡便、符合實(shí)際運(yùn)行特點(diǎn)的優(yōu)勢。

（2）引入遺傳算法優(yōu)化經(jīng)典神經(jīng)網(wǎng)絡(luò)中的初始權(quán)值和閾值，改進(jìn)后的神經(jīng)網(wǎng)絡(luò)在精確性和穩(wěn)定性方面均有明顯提升，由此獲取的油耗結(jié)果更加可靠，為進(jìn)一步的航空器巡航污染物排放量計(jì)算和溫室效應(yīng)評估奠定基礎(chǔ)。

（3）使用本研究提出的方法，能夠?qū)⒑娇掌餮埠诫A段不同污染物排放的影響進(jìn)行統(tǒng)一度量，相比于污染物排放清單，給出的具體溫變結(jié)果在環(huán)境影響評估深度方面有所突破。

本研究成果可為實(shí)際應(yīng)用中的燃油消耗計(jì)算和環(huán)境影響評價提供新思路，在未來的研究中，可將凝結(jié)尾等更多的溫室效應(yīng)影響因素納入考慮范圍，以進(jìn)一步分析現(xiàn)代航空運(yùn)輸?shù)沫h(huán)境影響和可持續(xù)發(fā)展能力。