Enfrentando os Desafios do Vento nas Operações de Mobilidade Aérea Avançada

A Mobilidade Aérea Avançada (AAM) é uma nova abordagem para o transporte urbano, que inclui aeronaves elétricas que podem decolar e pousar verticalmente. Embora essas aeronaves prometam viagens mais eficientes e sustentáveis, seu desempenho é afetado por fatores ambientais, especialmente o vento. Ventos fortes podem atrapalhar os horários dos voos e afetar a segurança e eficiência geral dessas redes.

Esta pesquisa apresenta um framework que ajuda a gerenciar esses problemas integrando a natureza imprevisível dos ventos nas operações da AAM. O framework otimiza o número de aeronaves necessárias e como elas são programadas, considerando o impacto do vento nos tempos de viagem e no uso de energia.

#Os Desafios do Vento nas Operações de AAM

O vento pode afetar significativamente como as redes de AAM funcionam. Mesmo voos curtos podem ser impactados pelo vento, exigindo ajustes nos horários e no tamanho da frota. Quando a aeronave viaja longas distâncias, os efeitos do vento se tornam ainda mais pronunciados, aumentando as necessidades de energia e a complexidade de gerenciar o carregamento entre os voos.

Os modelos atuais muitas vezes não consideram a variabilidade das condições do vento, o que dificulta estimar quantas aeronaves são necessárias ou como manter as operações funcionando sem problemas. Isso destaca a necessidade de um novo sistema que possa se adaptar às condições climáticas em mudança, particularmente o vento.

#Apresentando o Framework

O framework que desenvolvemos leva em consideração a natureza imprevisível do vento. Ele combina dois componentes principais: uma ferramenta de Simulação que modela a rede de AAM e uma ferramenta de Otimização que ajuda no agendamento de voos e carregamento. Essa abordagem garante que tanto a demanda por aeronaves quanto a de passageiros sejam atendidas, mantendo a eficiência alta.

O ambiente de simulação nos permite analisar como fatores como velocidade e direção do vento impactam as operações das aeronaves, consumo de energia e eficiência geral. Ao integrar as programações de carregamento no sistema, o framework oferece uma visão holística da gestão da frota e do agendamento.

#Trabalhos Relacionados

Estudos anteriores mostraram vários métodos para analisar redes de AAM, focando nas necessidades energéticas, comparando AAM com táxis tradicionais e avaliando os impactos urbanos. Pesquisadores investigaram a demanda de passageiros pela AAM, modelagem de tráfego e estratégias de agendamento. No entanto, há uma lacuna em abordar como a variabilidade do vento afeta o tamanho da frota e o agendamento em situações de múltiplos vertiportos.

Otimizar as operações da AAM requer uma lógica de despacho sólida e estratégias de agendamento. Alguns estudos enfrentaram esses desafios, mas a questão dos efeitos do vento na gestão da frota ainda permanece subestudada.

#Contribuições Chave

Este artigo apresenta três principais contribuições:

1. Ambiente de Simulação: Criamos um simulador detalhado que modela as operações das aeronaves e a influência de fatores ambientais como o vento.
2. Modelo de Otimização: Ampliamos um framework de otimização existente para considerar variações nas durações de voo e necessidades energéticas causadas pelo vento.
3. Metodologia de Integração: Propomos um método para vincular ferramentas de otimização com ambientes de simulação, melhorando a aplicação prática de nossas descobertas.

#Framework de Simulação-Otimização da Rede

O framework combina uma ferramenta de simulação detalhada chamada VertiSim com uma ferramenta de otimização offline. O VertiSim simula efetivamente as operações de aeronaves e vertiportos, enquanto a ferramenta de otimização calcula parâmetros essenciais como tamanho da frota e estratégias de carregamento.

#Entradas para Otimização

O processo de otimização depende de várias entradas:

• Demanda de Voos: O número de voos solicitados em diferentes horários.
• Tempos de Voos: Durações pré-calculadas para cada rota com base nos dados de simulação.
• Cronograma de Carregamento: Um cronograma detalhado indicando quanto tempo cada sessão de carregamento leva com base no estado de carga da aeronave (SoC).

#Visão Geral do VertiSim

O VertiSim cria um modelo detalhado de como as aeronaves se movem em uma rede de AAM, considerando fatores como chegadas de passageiros, durações de carregamento e ocupação das aeronaves. As métricas de desempenho geradas por esta simulação incluem:

• O número de voos e suas taxas de ocupação.
• Consumo de energia durante diferentes fases de voo.
• Tempos de espera dos passageiros.

#Modelo de Vento

O vento desempenha um papel crucial em como as operações de AAM funcionam. O VertiSim acompanha várias fases de voo, incluindo decolagens, subidas, cruzeiro e descidas. A aeronave deve ajustar sua velocidade e potência para contrabalançar os efeitos do vento.

#Impacto do Vento no Voo

Durante a fase de cruzeiro, as aeronaves podem manter máxima eficiência voando em velocidades ideais, mesmo em condições de vento. O framework ajuda a calcular os ajustes necessários para manter o curso e equilibrar as necessidades energéticas com base nos padrões de vento.

#Outras Fases de Voo

Nas fases que não são de cruzeiro, a aeronave ajusta sua potência para manter uma velocidade de solo constante contra o vento. Isso garante durações de voo realistas, mesmo enfrentando condições climáticas desafiadoras.

#Modelo de Otimização

O modelo de otimização tem como objetivo criar um cronograma de voos e um plano de carregamento que utilize o menor número de aeronaves para atender a demanda de forma eficaz.

#Função Objetivo

O modelo busca minimizar o total de aeronaves necessárias, mantendo o número de voos o mais baixo possível. Restrições dentro do modelo garantem que as aeronaves só possam operar quando houver carga de bateria suficiente.

#Visão Geral das Restrições

As principais restrições do modelo incluem:

• Uma equação dinâmica para rastrear como o status da aeronave muda ao longo do tempo.
• Garantir que a demanda seja atendida em todos os vertiportos durante cada intervalo de tempo.
• Manter níveis adequados de carga de bateria para operações seguras.

#Integração da Simulação-Otimização

O otimizador gera cronogramas de voos e planos de carregamento, enquanto o ambiente de simulação executa esses planos em tempo real.

#Abordando Discrepâncias Temporais

Como o otimizador trabalha em intervalos de tempo predefinidos (como a cada 5 minutos), e o simulador opera continuamente, algumas discrepâncias podem ocorrer. Para abordar isso, o VertiSim usa uma estratégia de espera, permitindo que as aeronaves façam uma pausa até serem agendadas para decolar.

#Área de Estudo e Design da Rede

Nosso estudo foca em uma rede simples de dois vertiportos, o que nos permite isolar o impacto do vento nas operações sem fatores complicadores de redes maiores. Esta rede abrange distâncias de 20 a 150 milhas e inclui um vertiporto designado em Monterey e vários vertiportos correspondentes.

#Modelagem da Demanda de Passageiros

Para simular a demanda, assumimos que os voos são iniciados com base em limiares de passageiros-seja quando um número específico de passageiros está esperando ou quando um único passageiro esperou além de um tempo determinado. Este modelo ajuda a prever a demanda de voos com precisão.

#Carregamento e Modelo da Aeronave

O modelo de carregamento utilizado está alinhado com dados existentes sobre processos de carregamento de veículos elétricos. Ele considera uma diminuição gradual da potência de carregamento à medida que a bateria se aproxima da capacidade total, refletindo as condições reais de gerenciamento de baterias.

#Parâmetros de Consumo de Energia

O modelo da aeronave leva em conta vários fatores que afetam o uso de energia, como mudanças de peso com base na ocupação de passageiros e diferentes coeficientes de sustentação e arrasto durante vários segmentos de voo.

#Análise de Dados do Vento

Para a análise do vento, utilizamos dados históricos de previsão do tempo, focando particularmente nas velocidades e direções do vento relevantes para nossa área de estudo. Este conjunto de dados inclui cinco anos de informações, mostrando uma variabilidade notável nas condições do vento.

#Processamento de Dados do Vento para Entrada do Otimizador

Em vez de usar valores específicos de vento, categorizamos as condições do vento em grupos que representam diferentes cenários ao longo de um dia. Isso ajuda a entender o consumo de energia e a duração do voo com base nas influências variadas do vento.

#Impacto do Vento no Consumo de Energia e Política de Carregamento

Nosso estudo mostra que o vento impacta dramaticamente as necessidades energéticas dos voos, especialmente com ventos contrários, que podem aumentar o consumo de energia significativamente. Entender essas dinâmicas é crucial para planejar as sessões de carregamento e a disponibilidade das aeronaves.

#Estratégias de Carregamento

Para voos mais curtos, as aeronaves podem frequentemente completar viagens de ida e volta com uma única carga se começarem com a bateria cheia. Mas para distâncias mais longas, o carregamento se torna mais necessário, afetando como gerenciamos as aeronaves e estações de carregamento.

#Impacto do Vento no Tamanho da Frota

Nossas descobertas revelam variações significativas no tamanho da frota necessária para operações de eVTOL devido às condições do vento. Para distâncias mais curtas, o vento impacta o tamanho da frota em cerca de 12% a 33%. Isso varia de precisar de algumas aeronaves extras a até 6 aeronaves adicionais para viagens mais longas.

A análise ressalta a importância de projetar frotas que possam se adaptar a condições de vento em mudança para manter a eficiência e confiabilidade do serviço.

#Conclusão e Direções Futuras

Este artigo enfatiza a importância de entender o impacto do vento nas operações de AAM. Nossas descobertas revelam que integrar a variabilidade do vento no planejamento operacional pode aprimorar visivelmente a gestão da frota e a eficiência do agendamento.

Olhando para o futuro, pretendemos expandir este trabalho para redes mais complexas com múltiplos vertiportos e considerar novos algoritmos para apoiar a tomada de decisões em tempo real. No fim das contas, nosso objetivo é fazer da AAM uma opção de transporte confiável e eficiente adequada para ambientes urbanos.