تصور کنید یک پرواز ۸.۵ ساعته از فرودگاه بین‌المللی لیبرتی نیوآرک (EWR) به مقصد فرودگاه لئوناردو داوینچی-فیومیسینو در رم (FCO)، ۶۸ هزار دلار هزینه سوخت جت داشته باشد و شما بتوانید تنها با تغییرات کوچک در مسیرهای پروازی بر اساس شرایط باد، هزاران دلار از این مبلغ را در هر سفر ذخیره کنید. این بهینه‌سازی‌ها که پیش‌تر به دلیل استفاده از نرم‌افزارهای انحصاری و گران‌قیمت شرکت‌هایی مانند Jeppesen در دست少数 از بازیگران صنعت بود، اکنون با ابزارهای متن‌باز در دسترس قرار گرفته است. این موضوع یک مانع بزرگ برای بهره‌وری در صنعت هوانوردی بود که اکنون در حال شکسته شدن است.
به نقل از مستندات منتشر شده در ۱۵ سپتامبر ۲۰۲۶، یک پیاده‌سازی عملی نشان می‌دهد که چگونه ابزارهای متن‌باز می‌توانند اکنون این بهینه‌سازی‌های باارزش را بازتولید کنند. این راهکار از ترکیب Scikit-decide — یک چارچوب یادگیری تقویتی (Reinforcement Learning) و برنامه‌ریزی خودکار — و OpenAP استفاده می‌کند. OpenAP یک مدل عملکرد هواپیما است که توسط دکتر جونزی سان (Dr. Junzi Sun) از دانشگاه صنعتی دلفت (TU Delft) توسعه یافته است.
این رویکرد، برنامه‌ریزی پرواز را از مسیرهای ایستا و ثابت به تراژکتوری‌های پویا و داده‌محور تبدیل می‌کند. با ادغام داده‌های باد از سازمان ملی اقیانوسی و جوی (NOAA)، این سیستم می‌تواند بهینه‌ترین مسیر را از نظر مصرف سوخت در لحظه (Real-time) محاسبه کند.
زیرساخت فنی
این موتور بهینه‌ساز بر پایه پایتون ۳.۱۲ و مجموعه‌ای از کتابخانه‌های تخصصی طراحی شده است که برای محاسبات با عملکرد بالا (HPC) بهینه شده‌اند:
- Scikit-decide: چارچوبی که ۶ سال در حال توسعه بوده و وظیفه‌ی یادگیری تقویتی، برنامه‌ریزی خودکار و زمان‌بندی را بر عهده دارد. این ابزار قادر است مسیرهای پروازی را بهینه کند، جداول کاری کارکنان خطوط هوایی را بازسازماندهی نماید و مسیرهای دسته‌های پهپادی (Drone Swarms) را محاسبه کند. این رویکرد در بهینه‌سازی مسیرهای پیچیده مشابه است با آنچه سیستم Get Physics Done برای یافتن مسیرهای جدید به آلفا سنتوری به کار گرفت.
- OpenAP: مدل عملکرد هواپیما و مجموعه‌ای از ابزارها که توسط دکتر جونزی سان، استادیار رسمی در TU Delft و فارغ‌التحصیل دکترا در مدیریت ترافیک هوایی، طراحی شده است.
- OpenTop: یک ابزار تخصصی برای تراژکتوری پرواز که باز هم توسط دکتر سان توسعه یافته و برای یافتن مسیرهای خاص بین فرودگاه‌ها استفاده می‌شود.
- DuckDB: برای مدیریت مجموعه‌داده‌های حجیم از مکان فرودگاه‌ها و نقاط ناوبری (Waypoints) به کار می‌رود و از افزونه‌های H3، JSON، Lindel، Parquet و Spatial استفاده می‌کند.
سخت‌افزار و محیط اجرا
برای مدیریت بار محاسباتی این شبیه‌سازی‌ها، سیستم روی یک ایستگاه کاری (Workstation) رده‌بالا اجرا می‌شود:
- پردازنده (CPU): مدل AMD Ryzen 9 9950X با فرکانس ۵.۷ گیگاهرتز (۱۶ هسته و ۳۲ رشته) دارای ۱.۲ مگابایت حافظه L1، ۱۶ مگابایت L2 و ۶۴ مگابایت L3. این پردازنده در یک کیس Cooler Master HAF 700 با سیستم خنک‌کننده مایع قرار دارد.
- حافظه و ذخیره‌سازی: ۹۶ گیگابایت رم DDR5 با سرعت ۴,۸۰۰ MT/s و یک حافظه SSD مدل Crucial T700 نسل پنجم با ظرفیت ۴ ترابایت NVMe M.2 که سرعت خواندن آن تا ۱۲,۴۰۰ مگابایت بر ثانیه می‌رسد (مجهز به هیت‌سینک). این درایو به عنوان درایو C سیستم عمل می‌کند.
- مادربرد و منبع تغذیه: مادربرد ASRock X870E Nova 90 که توسط یک منبع تغذیه ۱۲۰۰ وات کاملاً ماژولار Corsair تغذیه می‌شود.
- سیستم‌عامل: اوبونتو ۲۴ LTS که از طریق Ubuntu for Windows مایکروسافت روی ویندوز ۱۱ پرو اجرا می‌شود. این پیکربندی اجازه می‌دهد از GPU مدل Nvidia GTX 1080 برای پشتیبانی بهتر از درایورها و دسترسی بومی به ArcGIS Pro استفاده شود.
مدل‌سازی هواپیما و موتور
طبق اعلام توسعه‌دهندگان، OpenAP جزئیات بسیار دقیقی از مشخصات هواپیماها ارائه می‌دهد. این بسته شامل ۳,۳۶۹ خط کد پایتون است و بر مجموعه‌داده‌های گسترده‌ای تکیه دارد که طیف وسیعی از هواپیماها را پوشش می‌دهد. تعداد مدل‌های سازندگان به شرح زیر است:
- بوئینگ: ۱۷ مدل
- ایرباس: ۱۳ مدل
- امبرائر: ۵ مدل
- گلف‌استریم: ۱ مدل
- سسنا: ۱ مدل
به‌عنوان مثال، مدل ایرباس A380-800 دارای حداکثر وزن برخاست (MTOW) ۵۶۰,۰۰۰ کیلوگرم، حداکثر وزن فرود (MLW) ۳۸۶,۰۰۰ کیلوگرم و وزن خالی عملیاتی (OEW) ۲۷۷,۰۰۰ کیلوگرم است. مساحت بال آن ۸۴۵ متر مربع با دهانه ۷۹.۷۵ متر و زاویه پس‌روی (Sweep) ۳۳.۵ درجه است. محدودیت‌های عملکردی شامل سقف پروازی ۱۳,۱۰۰ واحد و حداکثر عدد ماخ عملیاتی (MMO) ۰.۸۹ است. این هواپیما می‌تواند بین ۴۱۰ (حداقل) تا ۸۵۳ (حداکثر) مسافر را جابه‌جا کند.
معیارهای دقیق عملکرد
سیستم OpenAP متغیرهای هر فاز پرواز را برای هواپیماها ردیابی می‌کند. برای مدل A380-800، این معیارها شامل موارد زیر است:
- برخاست (Takeoff): سرعت بلند شدن (بهینه: ۸۹.۹)، مسافت برخاست (بهینه: ۲.۵۶) و میانگین شتاب برخاست (بهینه: ۱.۳۵).
- صعود (Climb): سرعت نشان‌گر ارتفاع ثابت (CAS) ۱۶۳.۰ و عدد ماخ ثابت ۰.۸۴، با ارتفاع تقاطع برای CAS ثابت در ۳.۳. همچنین نرخ‌های صعود میانگین را ردیابی می‌کند: ۷.۸۵ پیش از CAS ثابت، ۷.۵۱ در حین CAS ثابت و ۵.۵۶ در حین ماخ ثابت.
- پرواز کروز (Cruise): میانگین CAS کروز (۱۳۶.۰) و میانگین ماخ کروز (۰.۸۴)، با حداکثر ارتفاع کروز ۱۲.۰۶. برد کروز بین ۸۹۲.۰ تا ۲۰,۵۶۵.۰ متغیر است.
- نزول (Descent): عدد ماخ ثابت (۰.۸۳) و CAS ثابت (۱۵۴.۰)، با میانگین نرخ نزول برای CAS ثابت برابر با ۸.۳۶- . ارتفاعات تقاطع ۱۰.۱ برای ماخ و ۶.۶ برای CAS است.
- فرود (Landing): سرعت لمس زمین (بهینه: ۷۰.۰) و مسافت ترمز (بهینه: ۲.۲۶)، با میانگین شتاب ترمز ۱.۰۱- .
مشخصات موتور
این سیستم همچنین تفاوت‌های موتورها را در نظر می‌گیرد. مجموعه‌داده‌ها شامل ۴۲۷ موتور مختلف است که بیشترین سهم تولیدکنندگان به ترتیب متعلق به GE Aircraft Engines (۱۰۸ موتور)، CFM International (۹۴ موتور) و Pratt & Whitney (۸۵ موتور) است. سایر مشارکت‌کنندگان عبارتند از Rolls-Royce plc (۶۲)، International Aero Engines (۱۳) و Pratt & Whitney Canada (۱۲). سهم‌های کوچک‌تر متعلق به Rolls-Royce Corporation (۱۱)، Rolls-Royce Deutschland (۸)، Honeywell (۸) و Aviadvigatel (۷) است.
انواع موتورها به دسته‌های زیر تقسیم شده‌اند:
- توربوفن (TF): ۳۲۲ مورد
- توربوفن جریان مختلط (MTF): ۹۸ مورد
- توربوپراپ (TP): ۵ مورد
- پیستونی (PS): ۱ مورد
داده‌های خاص موتور، مانند Rolls-Royce Trent 970-84، حداکثر رانش ۳۳۸,۷۰۰.۰ و معیارهای جریان سوخت (ff) را برای مراحل نزدیک شدن (۰.۷۲)، صعود (۲.۱۵۷) و حالت بیکار (۰.۲۵۵) ردیابی می‌کند. همچنین شاخص‌های انتشار (ei) برای NOx در هنگام برخاست (۳۸.۲۹) و حالت بیکار (۵.۴۴) ثبت شده است. در رتبه‌بندی حداکثر رانش، موتور GE90-115B با ۵۱۳,۹۰۰.۰ در صدر است و پس از آن GE90-113B با ۵۰۴,۹۰۰.۰ و GE90-110B1 با ۴۹۲,۶۰۰.۰ قرار دارند.
ناوبری و داده‌های جهانی
برای تضمین واقع‌گرایانه بودن مسیرها، یک پایگاه‌داده عظیم ناوبری ادغام شده است:
- فرودگاه‌ها: تقریباً ۱۴,۰۰۰ مکان فرودگاهی (دقیقاً ۱۳,۷۹۶ مورد) در ۲۳۶ کشور مختلف. برزیل (۲,۸۴۹) و ایالات متحده (۲,۴۵۹) بیشترین تعداد را دارند و پس از آن‌ها استرالیا (۲,۰۶۲)، فرانسه (۴۴۱) و کانادا (۳۴۵) قرار دارند. آلمان (۳۲۵) و بریتانیا (۲۵۸) نیز سهم قابل توجهی دارند.
- نقاط ناوبری (Waypoints): نقاط تثبیت ناوبری دقیق (مانند ALISA، AMOLI، ANAMA) با مختصات دقیق عرض و طول جغرافیایی.
- کمک‌ناوبری: ۲۶,۷۷۵ ورودی برای تجهیزات کمک‌ناوبری، شامل ایستگاه‌های VOR-DME و NDB (مانند KURESSAARE NDB و PARNU VOR-DME) که شامل فرکانس‌ها و بردهای خاص هستند.
تست‌های بهینه‌سازی در دنیای واقعی
قدرت این حل‌کننده روی دو مسیر خاص اروپایی با استفاده از ایرباس A320 آزمایش شد. در سناریوی اول، پروازی از فرودگاه تولوز-بلاگناک (LFBO / TLS) به فرودگاه برلین براندنبورگ (EDDB / BER) با استفاده از الگوریتم جستجوی A* و یک اکتشاف (Heuristic) به نام "lazy_fuel" بهینه شد.
حل‌کننده این مسیر را در ۰.۲۸ ثانیه پردازش کرد و مسیری را محاسبه نمود که تعادلی بین ارتفاع و شرایط باد ایجاد می‌کرد. تراژکتوری حاصل شامل صعود تا ۳۰,۰۰۰ فوت، سپس کروز و در نهایت نزول محاسبه‌شده به سمت برلین بود. مجموع سوخت مصرف شده برای این سفر ۵,۸۵۵.۰۹ کیلوگرم در مدت زمان ۷,۶۶۶.۲۸ ثانیه بود و پرواز پس از ۱۹ گام به هدف رسید.
در تست دوم از تولوز به فرودگاه ورشو شوپن (EPWA / WAW)، سیستم تأثیر ارتفاع بر بهره‌وری را به نمایش گذاشت. با هدف‌گذاری یک ارتفاع اولیه بالاتر (zp_ft=18,000.0)، هواپیما توانست مسیر مستقیم‌تری را طی کند.
با وجود اینکه ورشو ۵۰۰ کیلومتر دورتر از برلین است، پرواز بهینه شده به ورشو تقریباً ۴۵ دقیقه سریع‌تر بود. نکته خیره‌کننده‌تر این بود که این پرواز تنها به ۵,۶۰۰.۱۷ کیلوگرم سوخت نیاز داشت که تقریباً ۷۶٪ سوخت مصرف شده در پرواز کوتاه‌تر به برلین است. حل‌کننده ۲۹.۴۵ ثانیه زمان برد تا این وضعیت را حل کند و در ۱۴ گام به هدف رسید. این موضوع ثابت می‌کند که انتخاب ارتفاع آگاه از باد و صعود سریع‌تر به ارتفاع کروز، بسیار حیاتی‌تر از مسافت خالص است.
رویارویی: ایرباس در برابر بوئینگ
با استفاده از OpenTop، سیستم بهره‌وری یک ایرباس A320 و یک بوئینگ ۷۳۷ را در مسیر آمستردام اسخیپول (EHAM / AMS) به فرانکفورت (EDDF / FRA) مقایسه کرد. بهینه‌ساز از یک فایل هزینه NetCDF با حجم ۱۴۲ مگابایت (contrail_original.nc) و یک میان‌یاب Casadi با حجم ۲۴۶ کیلوبایت برای ایجاد تعادل بین مصرف سوخت (۳۰٪) و یک هزینه شبکه خاص (۷۰٪) استفاده کرد.
- ایرباس A320: مصرف ۱,۶۲۵.۶ کیلوگرم سوخت، زمان پرواز ۳۵.۸ دقیقه و حداکثر ارتفاع ۱۹,۸۹۱ فوت. حل‌کننده ۱۲.۲ ثانیه زمان برد و ۱۷۹ تکرار انجام داد.
- بوئینگ ۷۳۷: مصرف ۱,۶۲۲.۱ کیلوگرم سوخت، زمان پرواز ۳۹.۲ دقیقه و حداکثر ارتفاع ۲۱,۹۶۸ فوت. حل‌کننده ۹.۹ ثانیه زمان برد و ۱۴۱ تکرار انجام داد.
در حالی که بوئینگ ۷۳۷ مقدار ناچیزی سوخت (۳.۵ کیلوگرم) ذخیره کرد، اما تقریباً چهار دقیقه بیشتر زمان برد تا سفر را به پایان برساند، که نشان می‌دهد بدنه‌های مختلف هواپیما چگونه به محدودیت‌های جوی یکسان واکنش متفاوتی می‌دهند.
تحلیل: دموکراتیزه کردن بهره‌وری هوانوردی
برای صنعت هوانوردی، این تغییر به معنای حرکت به سمت «دموکراتیزه کردن» بهینه‌سازی پرواز است. پیش از این، تنها شرکت‌های بزرگ با بودجه‌های کلان برای نرم‌افزارهای انحصاری می‌توانستند هر سنت از هزینه‌های سوخت خود را بهینه کنند.
با ارائه یک جایگزین متن‌باز، خطوط هوایی منطقه‌ای کوچک‌تر و اپراتورهای پهپاد اکنون می‌توانند یادگیری تقویتی را برای کاهش ردپای کربن و هزینه‌های عملیاتی خود پیاده‌سازی کنند. قابلیت اتصال مدل‌های مختلف مصرف سوخت — مانند پیش‌فرض‌ها و جایگزین‌های موجود در فایل fuel_models.csv در OpenAP (که شامل ضرایب خاص برای هواپیماهایی مانند A318، A319 و B738 است) — به این معنی است که سیستم می‌تواند همگام با توسعه هواپیماهای جدید و بهینه‌تر، تکامل یابد.
این موضوع همچنین نشان‌دهنده یک روند گسترده‌تر در هوش مصنوعی است: حرکت از مدل‌های زبانی بزرگ (LLM) عمومی به سمت چارچوب‌های یادگیری ماشینِ «فیزیک-آگاه» (Physics-informed ML) که مسائل مهندسی عینی را با دقت ریاضی حل می‌کنند. برای بررسی این ابزارها، توسعه‌دهندگان می‌توانند به مخازن OpenAP و Scikit-decide در گیت‌هاب دسترسی پیدا کنند تا مدل‌سازی تراژکتوری‌های خود را آغاز نمایند.
گفتگو