WorldCat Identities

Gianazza, David

Overview
Works: 7 works in 10 publications in 2 languages and 44 library holdings
Roles: Thesis advisor, Author
Publication Timeline
.
Most widely held works by David Gianazza
Metaheuristics for air traffic management by Nicolas Durand( Book )

4 editions published between 2015 and 2016 in English and held by 22 WorldCat member libraries worldwide

Air Traffic Management involves many different services such as Airspace Management, Air Traffic Flow Management and Air Traffic Control. Many optimization problems arise from these topics and they generally involve different kinds of variables, constraints, uncertainties. Metaheuristics are often good candidates to solve these problems. The book models various complex Air Traffic Management problems such as airport taxiing, departure slot allocation, en route conflict resolution, airspace and route design. The authors detail the operational context and state of art for each problem. They introduce different approaches using metaheuristics to solve these problems and when possible, compare their performances to existing approaches
Metaheuristics set by Nicolas Durand( )

1 edition published in 2016 in English and held by 17 WorldCat member libraries worldwide

Planification de trajectoires pour l'optimisation du trafic aérien by Cyril Allignol( )

1 edition published in 2011 in French and held by 1 WorldCat member library worldwide

Le trafic aérien en Europe représente environ 30 000 vols quotidiens actuellement. Selon les prévisions de l'organisme Eurocontrol, ce trafic devrait croître de 70% d'ici l'année 2020 pour atteindre 50 000 vols quotidiens. L'espace aérien, découpé en zones géographiques appelées secteurs de contrôle, atteindra bientôt son niveau de saturation vis-à-vis des méthodes actuelles de planification et de contrôle. Afin d'augmenter la quantité de trafic que peut absorber le système, il est nécessaire de diminuer la charge de travail des contrôleurs aériens en les aidant dans leur tâche de séparation des avions. En se fondant sur les demandes de plans de vol des compagnies aériennes, nous proposons une méthode de planification des trajectoires en 4D permettant de présenter au contrôleur un trafic dont la plupart des conflits auront été évités en avance. Cette planification s'établit en deux étapes successives, ayant chacune un unique degré de liberté : une allocation de niveaux de vol permettant la résolution des conflits en croisière puis une allocation d'heures de décollage permettant de résoudre les conflits restants. Nous présentons des modèles pour ces deux problèmes d'optimisation fortement combinatoires, que nous résolvons en utilisant la programmation par contraintes ou les algorithmes évolutionnaires, ainsi que des techniques permettant de prendre en compte des incertitudes sur les heures de décollage ou le suivi de trajectoire. Les simulations conduites sur l'espace aérien français mènent à des situations où tous les conflits sont évités, avec des retards alloués de l'ordre d'une minute en moyenne (80 à90 minutes pour le vol le plus retardé) et un écart par rapport à l'altitude optimale limité à un niveau de vol pour la quasi totalité des vols. La prise en compte d'incertitudes de manière statique dégrade fortement ces solutions peu robustes, mais nous proposons un modèle dynamique utilisant une fenêtre glissante susceptible de prendre en compte des incertitudes de quelques minutes avec un impact réduit sur le coût de l'allocation
Optimisation des flux de trafic aérien by David Gianazza( )

1 edition published in 2005 in French and held by 1 WorldCat member library worldwide

Cette thèse s'inscrit dans le domaine de l'optimisation globale appliquée aux flux de trafic aérien. Le problème abordé consiste à optimiser les flux de trafic aérien sans imposer de retards au décollage. On considère tout d'abord le système existant tel quel, en cherchant à améliorer l'écoulement du trafic simplement en équilibrant les regroupements des secteurs élémentaires d'espace sur les positions de contrôle. Des méthodes déterministes (A*, Branch & bound) et un algorithme génétique sont utilisés pour répartir au mieux la charge de trafic entre les positions. Dans un deuxième temps on s'autorise à modifier la structure de l'espace aérien, en partant des flux directs origine-destination pour construire, par une méthode de partitionnement et une triangulation de Delaunay, un réseau de routes aériennes répondant à certains critères d'espacement des points de croisement. On évalue dans un troisième temps l'intérêt de séparer verticalement les flux aériens, dans leur phase de croisière. Cette évaluation porte sur le nombre et la nature des conflits détectés lors de simulations en temps accéléré, en allouant ou non des niveaux de croisières séparés. Dans un quatrième temps, on génère pour les principaux flux de trafic des trajectoires 3D complètes, séparées les unes des autres, en tenant compte de la disparité des performances des avions sur chaque flux. Deux types de stratégies sont explorées : une approche séquentielle où un algorithme A* est appliqué successivement à chaque flux dans un ordre choisi, et une approche globale où toutes les trajectoires sont considérées simultanément, en utilisant un algorithme génétique. Les algorithmes sont d'abord testés sur des cas simples avant d'être appliqués aux données réelles, en France et en Europe. Enfin, en dernier lieu, la dimension temporelle est prise en compte afin de planifier dynamiquement des trajectoires 4D non-conflictuelles pour des trains d'avions
Optimisation des flux de trafic aérien by David Gianazza( Book )

1 edition published in 2004 in French and held by 1 WorldCat member library worldwide

Cette thèse s'inscrit dans le domaine de l'optimisation globale appliquée aux flux de trafic aérien. Le problème abordé consiste à optimiser les flux de trafic aérien sans imposer de retards au décollage. On considère tout d'abord le système existant tel quel, en cherchant à améliorer l'écoulement du trafic simplement en équilibrant les regroupements des secteurs élémentaires d'espace sur les positions de contrôle. Des méthodes déterministes (A*, Branch & bound) et un algorithme génétique sont utilisés pour répartir au mieux la charge de trafic entre les positions. Dans un deuxième temps on s'autorise à modifier la structure de l'espace aérien, en partant des flux directs origine-destination pour construire, par une méthode de partitionnement et une triangulation de Delaunay, un réseau de routes aériennes répondant à certains critères d'espacement des points de croisement. On évalue dans un troisième temps l'intérêt de séparer verticalement les flux aériens, dans leur phase de croisière. Cette évaluation porte sur le nombre et la nature des conflits détectés lors de simulations en temps accéléré, en allouant ou non des niveaux de croisières séparés. Dans un quatrième temps, on génère pour les principaux flux de trafic des trajectoires 3D complètes, séparées les unes des autres, en tenant compte de la disparité des performances des avions sur chaque flux. Deux types de stratégies sont explorées : une approche séquentielle où un algorithme A* est appliqué successivement à chaque flux dans un ordre choisi, et une approche globale où toutes les trajectoires sont considérées simultanément, en utilisant un algorithme génétique. Les algorithmes sont d'abord testés sur des cas simples avant d'être appliqués aux données réelles, en France et en Europe. Enfin, en dernier lieu, la dimension temporelle est prise en compte afin de planifier dynamiquement des trajectoires 4D non-conflictuelles pour des trains d'avions
Apprentissage artificiel appliqué à la prévision de trajectoire d'avion by Richard Alligier( )

1 edition published in 2014 in French and held by 1 WorldCat member library worldwide

The Eurocontrol organization forecasts a strong increase of the European air traffic till the year 2035. This growth justifies the development of new concepts and tools in order to ensure services to airspace users. Trajectory prediction is at the core of these developments. Among these tools, conflict detection and resolution tools use trajectory predictions to anticipate losses of separation between aircraft and propose solutions to air traffic controllers. For such applications, the time horizon of the prediction is about ten to twenty minutes. Among conflict detection and resolution algorithms, some are operated in ground-based systems. The trajectory predictions must then be computed using only the information that is available to ground systems. In these systems, the mass, the speed profile and the thrust setting are unknown. Thus, using a physical model, the trajectory predictions are computed using reference values for unknown parameters. In this context, we are focusing on the climb phase. In this phase these unknown parameters have a great influence on the aircraft trajectory. This work relies on a physical model of the aircraft performances : BADA, developed and maintained by Eurocontrol. It also provides reference values for unknown parameters such as the mass, the speed profile and the thrust setting. This widely used model is particularly inaccurate for the climb phase as the actual values for the unknown parameters might be very different from the reference values. In this thesis, we propose to estimate directly the mass, an unknown parameter, using a physical model and past points of the trajectory. We also use supervised learning methods in order to learn, from examples, some models predicting the unknown parameters (mass, speed profile and thrust setting). These different approaches are tested using Mode-C Radar data and Mode-S Radar data with different aircraft types. The obtained predictions are compared with the ones obtained with the BADA reference values. These predictions are also compared with predictions obtained by directly predicting the future altitude instead of the unknown parameters of the physical model. These methods, depending on the aircraft type, reduces the root mean square error on the predicted altitude at a 10 min horizon by 50 % to 85 % when compared to the root mean square error obtained using BADA with the reference values
Apprentissage artificiel appliqué à la prévision de trajectoire d'avion by Richard Alligier( Book )

1 edition published in 2014 in French and held by 1 WorldCat member library worldwide

The Eurocontrol organization forecasts a strong increase of the European air traffic till the year 2035. This growth justifies the development of new concepts and tools in order to ensure services to airspace users. Trajectory prediction is at the core of these developments. Among these tools, conflict detection and resolution tools use trajectory predictions to anticipate losses of separation between aircraft and propose solutions to air traffic controllers. For such applications, the time horizon of the prediction is about ten to twenty minutes. Among conflict detection and resolution algorithms, some are operated in ground-based systems. The trajectory predictions must then be computed using only the information that is available to ground systems. In these systems, the mass, the speed profile and the thrust setting are unknown. Thus, using a physical model, the trajectory predictions are computed using reference values for unknown parameters. In this context, we are focusing on the climb phase. In this phase these unknown parameters have a great influence on the aircraft trajectory. This work relies on a physical model of the aircraft performances : BADA, developed and maintained by Eurocontrol. It also provides reference values for unknown parameters such as the mass, the speed profile and the thrust setting. This widely used model is particularly inaccurate for the climb phase as the actual values for the unknown parameters might be very different from the reference values. In this thesis, we propose to estimate directly the mass, an unknown parameter, using a physical model and past points of the trajectory. We also use supervised learning methods in order to learn, from examples, some models predicting the unknown parameters (mass, speed profile and thrust setting). These different approaches are tested using Mode-C Radar data and Mode-S Radar data with different aircraft types. The obtained predictions are compared with the ones obtained with the BADA reference values. These predictions are also compared with predictions obtained by directly predicting the future altitude instead of the unknown parameters of the physical model. These methods, depending on the aircraft type, reduces the root mean square error on the predicted altitude at a 10 min horizon by 50 % to 85 % when compared to the root mean square error obtained using BADA with the reference values
 
Audience Level
0
Audience Level
1
  General Special  
Audience level: 0.46 (from 0.24 for Metaheuris ... to 0.94 for Metaheuris ...)

Metaheuristics for air traffic management
Covers
Languages