The data reliability is crucial in aeronautics because the least miscalculation can lead to crash. Among these data, the balanced field length (BFL) is defined as the shortest field length at which both the take-off and the acceleration-stop can be performed. As the BFL is a critical data, it is subject to certifications that add constraints for all its stages of calculation. An in-house software to calculate the BFL is developed at Dassault Aviation but it can not be embedded and its use requires an expert. Due to the nonlinear dependencies and because an available data set is available, neural networks are proposed to predict the BFL with a maximum relative error less than 2%. The data set of simulations has been set up from Falcon 7X in different configurations of take-off. However, different modelings were used for test- ing purposes and so, the data base is contaminated with points which do not respond to our issue. First of all, it was necessary to find a way to identify these points and a data cleaning algorithm is first implemented. A bagging consensus of neural network is then added to it to detect and filter the other mislabeled data points. Different neural networks are finally trained on the data set and are aggregated to propose the best model. The final model is tested on different database and in this instance, on a Falcon 8X one which has very closed characteristic. It turns out that the algorithm worked for both airplanes and reaches the expected results. / Datatillförlitligheten är avgörande inom luftfarten eftersom minsta felberäk- ning kan leda till krasch. Bland dessa data definieras den balanserade fältläng- den (BFL) som den kortaste fältlängden, vid vilken både start och accelera- tionsstopp kan utföras. Eftersom BFL är en kritisk data, är den föremål för certifieringar som lägger till begränsningar för alla dess beräkningssteg. En egen programvara för att beräkna BFL utvecklas hos Dassault Aviation men den kan inte inbäddas och dess användning kräver en expert. På grund av de olinjära beroenden och eftersom en tillgänglig datauppsättning är tillgänglig föreslås neurala nätverk att förutsäga BFL med ett maximalt relativa fel mindre än 2 %. Datauppsättningen av simuleringar har skapats från Falcon 7X i olika start- konfigurationer. Emellertid användes olika modeller för teständamål och så är databasen förorenad med punkter som inte svarar på vårt problem. Först och främst var det nödvändigt att hitta ett sätt att identifiera dessa punkter och en datalengöringsalgoritm implementerades först. Ett säckskonsensus om neura- la nätverk läggs sedan till det för att detektera och filtrera de andra felmärk- ta datapunkterna. Olika nervnätverk tränas slutligen i datauppsättningen och samlas för att föreslå den bästa modellen. Den slutliga modellen testas i olika databaser och i detta fall på en Falcon 8X som har mycket stängd egenskap. Det visar sig att algoritmen fungerade för båda flygplanen och når de förväntade resultaten.
| Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:kth-277862 |
| Date | January 2020 |
| Creators | Wan, Antony |
| Publisher | KTH, Skolan för elektroteknik och datavetenskap (EECS) |
| Source Sets | DiVA Archive at Upsalla University |
| Language | English |
| Detected Language | Swedish |
| Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
| Format | application/pdf |
| Rights | info:eu-repo/semantics/openAccess |
| Relation | TRITA-EECS-EX ; 2020:69 |
Page generated in 0.0023 seconds