Uzak Kule Merkezi ile Kontrol Edilen Havalimanlarında Bulanık Mantık Tabanlı Uçak İniş Öncelik Sıralaması

Öz

Hava taşımacılığı, bilinen en güvenli ve emniyetli ulaşım şeklidir. Yapılan incelemeler sonucunda hava taşımacılığında meydana gelen kazaların büyük bir yüzdesinin yaklaşma safhasında meydana geldiği görülmüştür. İncelenen çalışmalarda hava trafik kontrolörlerinin iş yükünün ve stresinin arttığı gözlemlenmiştir. Trafik kontrolörlerinin iş yükünü azaltmak ve stresi dengelemek konuları araştırmacılara yeni çalışma sahaları açmıştır. Bu sahalardan biri olan uzak kule merkezi çalışmaları, kule çalışanlarının fazla iş yükü dahil hava trafiği kontrolü problemlerine çözüm olarak sunulmuştur. Günümüzde maliyet ve emniyet açısından da büyük avantajlar sağlayacağı düşünülen uzak kule merkezi üzerinde çalışmalar halen devam etmektedir. Bu çalışmada uzak kule merkezinden kontrol edilen havalimanlarına iniş için yaklaşmakta olan uçaklara iniş önceliği verilmesi için bulanık mantık tabanlı karar destek sistemi oluşturulmuştur. Bu sistem için havalimanlarının ortalama günlük uçuş sayısı, havalimanı karar yüksekliği ve yaklaşma aşamasındaki uçağın hızı ve irtifası, girdi parametreleri olarak belirlenmiştir. Oluşturulan bulanık mantık modellemesinde MATLAB/FIS arayüzü kullanılmıştır. Bu arayüz kullanılarak uzak kule merkezi tarafından kontrol edilen havalimanlarına yaklaşmakta olan uçaklar için iniş sıralaması belirlenmiştir.

Anahtar Kelimeler

• Bulanık mantık
• Uzak kule merkezi
• İniş sıralaması
• Hava trafik kontrolörü

Fuzzy Logic Based Aircraft Landing Priority at Airports Controlled by Remote Tower Center

Öz

Air transportation is the safest and secure way of transportation. It has been seen as a result of the investigations that a large percentage of the accidents by air transport occur during the approach phase. In the studies examined, it was observed that the workload and stress of air traffic controllers increased. Reducing the workload of traffic controllers and balancing stress has opened new fields of work for researchers. Remote tower center studies, one of these fields, are presented as a solution to air traffic control problems, including excessive workload of air traffic workers. Today, continuous studies on the remote tower center is thought to provide great advantages in terms of cost and safety. In this study, a fuzzy logic-based decision support system was developed to give landing priority to approach aircraft for landing at airports controlled by the remote tower center. For this system, the average number of daily flights of the airports, the airport decision altitude and the velocity and altitude of the aircraft in the approach phase are determined as input parameters. MATLAB/FIS interface was used in the developed fuzzy logic modeling. This distribution sequenced landings for aircraft approaching airports controlled by the remote tower center.

Anahtar Kelimeler

• Fuzzy logic
• Remote tower center
• Landing arrangement
• Air traffic controller

Kaynakça

1. 1. ICAO, 1984. 9426-AN/924 Air Traffic Services Planning Manual. International Civil Aviation Organization, 411.
2. 2. Frequentis, 2016. Whitepaper: Introduction to Remote Virtual Tower. Air Traffic Management. Frequentis, 24.
3. 3. Cavcar, M., Cavcar, A., 2003. Türkiye Hava Sahası Ticari Hava Taşımacılığı Kazalarına Genel Bakış: 1950-2003. Mühendis ve Makine, 44(518), 21-29.
4. 4. Dönmez, K., 2017. Türk Hava Sahasında Meydana Gelen Ölümcül Uçak Kazalarına İnsan Faktörleri Analiz Ve Sınıflandırma Sisteminin (Hfacs) Uygulanması. The Journal of Academic Social Science Studies, 6(59), 229-253.
5. 5. Yanaz, E., 2017. Ekip Kaynak Yönetimi ve SHELL Model Anlayışının Havayolu İşletmelerinde Uçuş Emniyeti ve Zamanında Kalkış Performansına Etkileri. Yüksek Lisans Tezi, İstanbul Arel Üniversitesi, 143.
6. 6. Meltem, A., 2020. Havacılık Kazası ve Pilot Hatası Kavramı Üzerine Bir Değerlendirme. The Journal of Social Science, 4(7), 251-264.
7. 7. Kıyak, E., 2010. Bulanık Mantıkla Uçak İniş Sıralamasının Yaptırılması. Havacılık ve Uzay Teknolojileri Dergisi, 4(4), 51-55.
8. 8. Xu, K., Zhang, G., 2011. Dynamic Neuro-Fuzzy Control Design for Civil Aviation Aircraft In Intelligent Landing System. IEEE International Conference on Mechatronics and Automation, 2359-2363, 07-10 August 2011, Beijing, China.

9. 9. Ören, A., Koçyiğit, Y., 2016. İnsansız Hava Araçları İniş Sıralamasının Bulanık Mantık Modellemesi. Celal Bayar Üniversitesi Fen Bilimleri Dergisi, 12(1), 55-66.
10. 10. Kıyak, E., Kahvecioğlu, A., 2003. Bulanık Mantık ve Uçuş Kontrol Problemine Uygulanması. Havacılık ve Uzay Teknolojileri Dergisi, 1(2), 63-72.
11. 11. Sergaki, A., Kalaitzakis, K., 2002. A Fuzzy Knowledge Based Method for Maintenance Planning in A Power System. Reliability Engineering & System Safety, 77(1), 19-30.
12. 12. Beringer, D.B., 1999. Performance-Controlled Systems, Fuzzy Logic, and Fly-By-Wire Controls to General Aviation. Proceedings of The Human Factors and Ergonomics Society 43rd Annual Meeting, 43(1), 61-65.
13. 13. Iakovou, D., 2002. Fuzzy Control for Helicopter Aviation. University of Twente, Enschede, Hollanda, 77.
14. 14. Bickraj, K., Pamphile, T., Yenilmez, A., Li, M., Tansel, I., 2006. Fuzzy Logic Based Integrated Controller for Unmanned Aerial Vehicles. Florida Conference on Recent Advances in Robotics, 25-26 May 2006, Florida.
15. 15. Saray, U., Kıyak, E., 2018. Bulanık Mantık Tabanlı Kabin Basıncı Kontrolü Tasarımı. II. International Scientific and Vocational Studies Congress (BILMES 2018), 1435-1441.
16. 16. Demiryürek, S., Yıldırım, M.T., 2019. Uçuş Veri Kaydedicisi Verilerinden Bulanık Mantık Yöntemi ile İrtifa Tahmini. Avrupa Bilim ve Teknoloji Dergisi, Özel Sayı, 171-176.
17. 17. Jian, Z., Guihe, H., Jing, Z., 2013. Cabin Temperature Control System Simulation of Transportation Aircraft. 2013 Third International Conference on Instrumentation, Measurement, Computer, Communication and Control, 1689-1692, 21-23 September 2013, Shenyang, China.
18. 18. Meyer, D., Sághi, B., Tarnai, G., 2008. Safety Management of Traffic Growth in Air Transportation. Periodica Polytechnica Transportation Engineering, 36, 69-72.
19. 19. Konar, M., 2019. Redesign of Morphing UAV’s Winglet Using DS Algorithm Based ANFIS Model. Aircraft Engineering and Aerospace Technology, 91(9), 1214-1222.
20. 20. Bagis, A., Konar, M., 2018. ABC and DE Algorithms Based Fuzzy Modeling of Flight Data for Speed and Fuel Computation. International Journal of Computational Intelligence Systems. 11(1), 790-802.
21. 21. Zadeh, L., 2023. A. Fuzzy Logic. Granular, Fuzzy and Soft Computing. Springer, New York, U.S, 19-49.
22. 22. Kosko, B., Isaka, S., 1993. Fuzzy Logic. Scientific American, 269(1), 76-81.
23. 23. Kaur, A., Kaur, A., 2012. Comparison of Mamdani-Type and Sugeno-Type Fuzzy Inference Systems for Air Conditioning System. International Journal of Soft Computing and Engineering (IJSCE), 2(2), 323-325.
24. 24. Taşkırdı, Ö., Ünver, H.M., 2020. Yüksek Başarım için Bulanık Mantık Tabanlı Kişiye Özel Sınav Üretme Sistemi Tasarımı. International Journal of Engineering Research and Development, 12(2), 745-752.
25. 25. Yılmaz, M., Arslan, E., 2005. Bulanık Mantığın Jeodezik Problemlerin Çözümünde Kullanılması. 2. Mühendislik Ölçmeleri Sempozyumu, 512-522, 23-25 Kasım 2005, İTÜ, İstanbul.
26. 26. Jonsson, R., Daniel T., 2017. Remote Tower Center-Planning Tool. Degree Project, Linnaeus University, Växjö, İsveç, 70.
27. 27. Konar, M., 2010. Bulanık Mantık ve Yapay Sinir Ağları Kullanılarak Uçuş Kontrol Sistemlerine Ait Bazı Parametrelerin Hesaplanması. Yüksek Lisans Tezi, Erciyes Üniversitesi, Fen Bilimleri Enstitüsü, Kayseri, 80.
28. 28. DHMİ, https://www.dhmi.gov.tr/Sayfalar/Istati stikler.aspx, Erişim tarihi: 01.12.2023.
29. 29. DHMİ-AIP, https://www.dhmi.gov.tr/Sayfalar /aipturkey.aspx, Erişim tarihi: 01.12.2023.
30. 30. Flightradar, https://www.flightradar24.com/ 39.74,40.83/7, Erişim tarihi: 18.06.2023.
31. 31. Havaalanı Emniyet Standartları Talimatı, https://web.shgm.gov.tr/documents/sivilhavacilik/files/mevzuat/sektorel/taslaklar/SHT-HES. pdf, Erişim tarihi: 01.12.2023.