Reducción de las emisiones aeroportuarias relacionadas con los taxis mediante una asignación de paradas que tenga en cuenta las posibles interrupciones

La gestión aeroportuaria se enfrenta a menudo al reto de gestionar las posiciones de estacionamiento de aeronaves de la forma más eficiente posible, cumpliendo al mismo tiempo la normativa medioambiental y las restricciones de capacidad. Con frecuencia, esta tarea se ve afectada además por diversas perturbaciones que afectan a la puntualidad de las operaciones aeroportuarias. Este artículo presenta un enfoque innovador para obtener una asignación eficiente de posiciones teniendo en cuenta la naturaleza estocástica del entorno aeroportuario y el objetivo de reducción de emisiones de la industria moderna del transporte aéreo. Además, la metodología presentada demuestra cómo el mismo procedimiento de creación de una asignación de posiciones puede ayudar a identificar un potencial de mitigación de emisiones. Este artículo ilustra la aplicación de la metodología presentada combinada con la simulación y demuestra el impacto de la aplicación de la modelización bayesiana y la optimización metaheurística para la reducción de las emisiones relacionadas con el taxi.

Introducción

Los aeropuertos modernos se enfrentan al desafío global de reducir significativamente las emisiones contaminantes y avanzar hacia operaciones neutras en carbono, al tiempo que hacen frente al rápido crecimiento del tráfico aéreo y mantienen el nivel de servicio requerido (OACI 2019a). Las emisiones producidas por las actividades aeroportuarias influyen en la calidad del aire local en los aeropuertos y sus alrededores. Una de las fuentes más importantes de emisiones en el aeropuerto son las operaciones de las aeronaves, como el aterrizaje, el rodaje y el despegue (OACI 2019b). Por ello, además de las innovaciones tecnológicas y el cambio a combustibles de aviación sostenibles, la mejora de la eficiencia de estas operaciones se considera en el ámbito de las medidas globales de la industria aérea (ATAG 2020).

El nivel de emisiones producido durante el rodaje en el aeropuerto depende de la cantidad de combustible quemado y del tiempo durante el cual una aeronave tiene que desplazarse entre su posición de estacionamiento asignada (stand) y los puntos de entrada/salida de la pista. En general, más de un tercio de las emisiones totales de las aeronaves fuera de la fase de crucero pueden generarse durante el rodaje (Fleuti y Maraini 2017). Por lo tanto, es necesario asignar las aeronaves de tal manera que se minimicen la distancia y el tiempo de rodaje, garantizando la reducción del consumo de combustible y las emisiones relacionadas.

Un programa de asignación de puestos a menudo puede verse alterado por cambios de última hora en el programa de vuelos durante el día. Tales cambios pueden dar lugar a tiempos de maniobra más largos y a un deterioro del rendimiento del aeropuerto. Como resultado, algunas aeronaves pueden tener que esperar en tierra y otras en el aire en el TMA del aeropuerto, lo que culmina en un mayor consumo de combustible y emisiones adicionales. Una gestión ineficaz de las instalaciones terminales puede crear una propagación de las perturbaciones de horarios a los vuelos sucesivos y a los aeropuertos conectados, afectando también al nivel de emisiones. Por lo tanto, es necesario gestionar eficazmente las instalaciones de la terminal, como las gradas, para mitigar el impacto de las perturbaciones del horario y reducir al mismo tiempo el nivel de emisiones contaminantes, creadas durante el rodaje.

El problema de asignación de paradas (también conocido como problema de asignación de paradas), abordado en este artículo, ha sido abordado anteriormente por muchos investigadores. Sin embargo, sólo algunos de ellos tuvieron en cuenta la estocasticidad de las operaciones aeroportuarias en su metodología. A menudo, para reducir el número de conflictos de asignación de posiciones y los tiempos de espera de los aviones, una posición tiene un cierto tiempo de espera entre dos vuelos consecutivos asignados a ella. Este tiempo de inactividad se denomina tiempo de amortiguación y se ha demostrado que es la mejor medida de trabajo para desviaciones de vuelo de hasta 30 minutos (Hassounah y Steuart 1993; Yan y Chang 1998; Yan y Huo 2001; Yan et al. 2002). No obstante, esta medida puede reducir considerablemente la capacidad de las terminales aeroportuarias y, por lo tanto, debe evitarse en los aeropuertos modernos congestionados.

Se estima que las esperas en ralentí y el rodaje son las actividades que más contribuyen al consumo de combustible de las aeronaves y a las emisiones de los aeropuertos (Nikoleris et al. 2011). Por lo tanto, muchos investigadores se han planteado los objetivos de reducir las esperas en vacío y optimizar la huella de rodaje. Duinkerken et al. (2013), Li y Zhang (2017) estimaron que el uso de un enfoque monomotor, un motor eléctrico externo y fuentes de remolque para el rodaje puede reducir significativamente las emisiones. Tsao et al. (2009) demostraron que el tiempo de espera de las aeronaves en tierra puede reducirse optimizando las secuencias de rodaje y despegue. Las aplicaciones de control de retroceso, retención en puerta y optimización de la secuencia de salida (Simaiakis y Balakrishnan 2016) aplicadas por Khadilkar y Balakrishnan (2012), Simaiakis et al. (2014) y Ashok et al. (2017) mostraron una reducción significativa de las emisiones relacionadas con las congestiones en las calles de rodaje y las pistas.

Aunque los métodos mencionados demostraron reducir la huella ambiental, algunos de ellos también condujeron a un aumento de los tiempos de ocupación de las cabinas, reduciendo así significativamente la capacidad aeroportuaria, lo que puede llegar a ser problemático en aeropuertos congestionados. Además, estos trabajos no han tenido en cuenta ni las perturbaciones del tiempo de llegada de los vuelos, ni el rodaje desde la pista hasta las gradas (la fase de rodaje), que pueden afectar sustancialmente al tiempo de rodaje y a las emisiones relacionadas (Hao et al. 2016). Para llenar el vacío existente en este ámbito y proporcionar a la gestión del transporte aéreo una metodología para mejorar tanto la eficiencia como el impacto medioambiental de las operaciones de asignación de puestos, este trabajo presenta cómo pueden combinarse estos dos objetivos en la asignación de puestos y demuestra su consecución mediante técnicas de simulación.

Este trabajo presenta una aplicación bi-objetivo de un enfoque de asignación de puestos, que fue introducido previamente por Bagamanova y Mujica Mota (2020), para evaluar diversas políticas de asignación de puestos en términos de su sensibilidad a las perturbaciones de la programación y la huella ambiental. La metodología presentada combina los beneficios de la minería de datos y la optimización evolutiva para generar una asignación de puestos que minimice las emisiones y, mediante el uso de la simulación, se demuestra la eficiencia frente a posibles desviaciones del programa y la reducción de emisiones relacionada. El enfoque presentado aprende probabilidades de desviaciones de la programación en función de las características de los vuelos programados utilizando el modelado bayesiano multinivel (Bürkner 2017) a partir de datos históricos de rendimiento del aeropuerto. A continuación, estas probabilidades se utilizan para calcular el nivel más probable de desviación para cada vuelo en la programación de vuelos objetivo. A continuación, las desviaciones calculadas se tienen en cuenta en la generación de la asignación de rodales, que se optimiza para cumplir el objetivo de minimización de las emisiones generadas durante el rodaje de una aeronave.

Este documento se desarrolla como sigue. En la sección 2 se describe la metodología de asignación de posiciones. La Sección 3 presenta un caso práctico y los resultados de los experimentos de simulación. En la Sección 4 se presentan las conclusiones y las futuras investigaciones.

Metodología

El método de asignación de puestos presentado en este documento se compone del enfoque de dos módulos y de experimentos en un modelo de simulación. El enfoque de dos módulos genera asignaciones optimizadas de puestos basándose en el programa de vuelos objetivo, los datos históricos sobre interrupciones del programa en el periodo anterior y las políticas de asignación y objetivos de optimización definidos por el usuario. Después, las asignaciones obtenidas se estiman en el modelo de simulación que permite evaluar la calidad de la huella medioambiental de las asignaciones de puestos generadas en el enfoque de dos módulos bajo la estocasticidad de un sistema aeroportuario real.

Descripción del algoritmo

En esta sección se ofrece una breve descripción del método de dos módulos que genera asignaciones de puestos optimizadas. Se puede encontrar una descripción más general en Bagamanova y Mujica Mota (2020).

El enfoque de dos módulos se compone de dos elementos. El módulo I se encarga de estimar las probabilidades de desviación de la programación a partir de los datos históricos del aeropuerto. Estas probabilidades se expresan en forma de modelos distribucionales bayesianos y describen una probabilidad de ciertos niveles de desviaciones de la programación para diversas características de vuelo disponibles en los datos históricos (por ejemplo, como el nombre de la compañía aérea, la hora de llegada prevista y el día de la semana). Al tener en cuenta las probables desviaciones en la planificación de la asignación, se pretende reducir el tiempo de inactividad que las aeronaves podrían tener que pasar a la espera de la disponibilidad prevista del puesto y las emisiones relacionadas.

El Módulo II asigna el horario de vuelos objetivo a los stands disponibles, respetando la política de asignación y las restricciones definidas por el usuario, considerando las perturbaciones más probables o el nivel de probabilidad definido por el usuario en los horarios de ocupación de los stands. A continuación, la asignación generada se optimiza con un algoritmo genético de acuerdo con los objetivos de optimización especificados por el usuario. El resultado de dicha optimización no es necesariamente una solución óptima, sin embargo, la aleatoriedad utilizada en el algoritmo genético en forma de operadores de cruce y mutación permite obtener una solución de buena calidad en un tiempo razonable (Bagamanova y Mujica Mota 2020). La asignación de rodales resultante considera la estocasticidad en forma de desviaciones de los tiempos de ocupación de los rodales generadas a partir de los modelos distribucionales de desviaciones de la programación.

Objetivo de optimización

Para aumentar la eficiencia en la asignación de stands y mitigar la huella contaminante, producida por el movimiento de las aeronaves en tierra y la inactividad de las aeronaves a la espera de disponibilidad de stands, se ha implementado la siguiente función de meta de optimización bi-objetivo en el componente de optimización del Módulo II del enfoque de dos módulos:
min(w₁ ∗ O_taxi+ w₂ ∗ O_espera)(1)
La función objetivo (1) consta de los siguientes objetivos individuales:

• Minimizar la distancia en taxi hacia y desde las posiciones de estacionamiento y, por tanto, las emisiones relacionadas:
  O taxi = dsched.taxi ⁄ Max dairport
• Minimizar el número de aeronaves en espera de disponibilidad de puesto y, por tanto, el uso de motores al ralentí:
  O espera = ∑fl. espera ⁄ ∑ fl.

donde:

• dsched.taxi ⁄- la distancia media de taxi hacia y desde la parada en el horario asignado;
• Max dairport la máxima distancia de rodaje posible en el aeropuerto para la configuración de pista considerada;
• ∑fl. hold - el número de aeronaves que deben esperar la disponibilidad de la caseta;
• ⁄ ∑ fl - el número total de aeronaves en la programación a asignar;
• wn - peso de prioridad para el objetivo correspondiente. En el ámbito de este trabajo, todos los pesos son iguales a 1 para obtener una asignación de puestos igualmente equilibrada para los dos objetivos considerados. En la práctica, las distintas partes interesadas del aeropuerto pueden decidir los pesos en función de sus preferencias.

En la implementación original del enfoque de dos módulos de Bagamanova y Mujica Mota (2020), la función objetivo de optimización del Módulo II también incluía la maximización del uso de los puestos de contacto, una preferencia general de muchos aeropuertos, ya que permite aprovechar al máximo la construcción de la terminal en términos de experiencia del pasajero y reduce el número de vehículos de servicio en tierra que circulan por la plataforma. No obstante, en futuros trabajos podría ser interesante investigar el coste medioambiental de priorizar el uso de los puestos de contacto en el componente de optimización.

ESTUDIO DE CASO: AEROPUERTO INTERNACIONAL DE LA CIUDAD DE MÉXICO

En esta sección se analiza la aplicación del enfoque de dos módulos para encontrar políticas de asignación de puestos más eficientes desde el punto de vista medioambiental para un aeropuerto de estudio de caso.

Información general

El Aeropuerto Internacional de la Ciudad de México (código IATA: MEX) es el principal aeropuerto de México con aproximadamente 450 mil aterrizajes y despegues anuales. Cuenta con dos edificios terminales, separados por dos pistas paralelas. Estas pistas nunca operan simultáneamente debido a su proximidad. Dicha disposición restringe la capacidad del MEX y desde 2017 se ha limitado oficialmente a 61 movimientos por hora con un máximo de 40 aterrizajes (SCT 2017).

En el ámbito de este trabajo, se considera que 26 aerolíneas operan en dos terminales en MEX, realizando tanto vuelos internacionales como nacionales. Del total de 91 casetas disponibles en MEX, en este trabajo sólo se consideraron 84, ya que el resto no se utiliza para vuelos de pasajeros. Así pues, la Terminal 1 está representada por 11 puestos abiertos y 33 puestos de contacto, de los cuales 16 están dedicados a vuelos nacionales y 17 a internacionales. La Terminal 2 está representada por 17 puestos abiertos y 23 puestos de contacto, de los que 13 se utilizan para vuelos nacionales y 10 para internacionales.

Alteraciones en los horarios y emisiones

A nivel mundial, en 2018 México generó aproximadamente el 1,5% de las emisiones mundiales relacionadas con el transporte aéreo de pasajeros (Graver et al. 2019). MEX se encuentra en la proximidad directa de las zonas urbanas de la Ciudad de México, lo que hace que el aeropuerto afecte significativamente la calidad del aire y los niveles de ruido de la ciudad. Según SEDEMA (2018), MEX produce alrededor del 15% del total de emisiones contaminantes de la Ciudad de México.

En 2017 México se ha unido oficialmente a una iniciativa global para operaciones de transporte aéreo neutras en carbono (OACI 2020), lo que implica que todos los aeropuertos del país tienen que seguir las políticas y estándares de reducción de emisiones de la OACI. A pesar de estos hechos, hasta la fecha de redacción de este documento, el sitio web oficial de MEX no publicaba ninguna estimación oficial del nivel de emisiones del aeropuerto ni revelaba ninguna medida para reducir la huella medioambiental de sus operaciones.

MEX sufre con frecuencia problemas de puntualidad. En 2018, solo el 67 % de todos los vuelos se realizaron a tiempo (SCT 2019) y más del 20 % de los vuelos de salida sufrieron un retraso medio de 46 min (Flightstats 2018). Teniendo en cuenta un nivel tan alto de perturbaciones y el reciente compromiso con la iniciativa global de reducción de la huella contaminante, MEX se convierte en un buen objetivo para la aplicación del enfoque de dos módulos para descubrir el potencial oculto de reducción de emisiones relacionado con la planificación de la asignación de puestos.

Aplicación del enfoque de dos módulos

Como datos de entrada para este estudio, utilizamos un informe oficial de rendimiento para un período del 28.05.2018 al 03.06.2018, recuperado del Aeropuerto Internacional de la Ciudad de México (2018). Este reporte consistió en más de 8,000 vuelos con tiempos de llegada reales y programados, números de vuelo, nombres de aerolíneas y tipo de aeronave utilizada. En la semana elegida aproximadamente 7% de los vuelos de llegada se desviaron por más de una hora de su horario. Más del 53% de las llegadas programadas sufrieron un retraso sustancial de más de 15 minutos, lo que supone una perturbación importante para un aeropuerto congestionado.

Debido a la indisponibilidad de datos reales sobre los tiempos de respuesta y la correspondencia entre llegadas y salidas de los aviones, se partió de la base de utilizar únicamente los vuelos de pasajeros de llegada del informe obtenido y definir un tiempo de respuesta de 60 minutos para todos los vuelos en los experimentos realizados. Tales limitaciones redujeron el número de vuelos a 3.914 llegadas, de las que el 31,7% eran vuelos internacionales y el 68,3% nacionales.

Los datos seleccionados de 3.914 vuelos se han procesado en el Módulo I y se han construido los modelos bayesianos para las desviaciones de la hora de llegada, asumiendo la correlación de las desviaciones con el nombre de la aerolínea y la hora de llegada programada. La descripción detallada de los parámetros resultantes de los modelos de regresión, que componen el modelo bayesiano sumativo, y los resultados del Módulo I se pueden encontrar en Bagamanova y Mujica Mota (2020).

Por último, el Módulo II creó una asignación, considerando las desviaciones programadas más probables, las restricciones de la política de asignación, y la optimizó de acuerdo con la función objetivo (1). Dado que el enfoque de dos módulos se considera un sustituto más eficaz de los tiempos de amortiguación utilizados tradicionalmente, para la generación de la asignación de puestos en el Módulo II no se añadieron intencionadamente tiempos de amortiguación entre vuelos consecutivos asignados al mismo puesto. Las estadísticas de asignación resultantes se muestran en la Figura 1.

Cada aeropuerto tiene sus propias restricciones de política de asignación de puestos, lo que implica un determinado uso de los mismos. A continuación se indican las restricciones consideradas en el algoritmo presentado:

• Los vuelos nacionales e internacionales deben asignarse a los stands específicos de las zonas designadas. Se trata de especificaciones internas del aeropuerto, por ejemplo, los vuelos internacionales se asignan a los stands que tienen acceso a las zonas de control fronterizo designadas;
• Los retrasos de los vuelos deben tenerse en cuenta en la asignación (de acuerdo con las distribuciones de probabilidad condicional del Módulo I). En este documento, sólo se tienen en cuenta los retrasos de llegada debido a la falta de disponibilidad de datos de asistencia en tierra y a la correspondencia entre los aviones que llegan y los que salen;
• Un puesto asignado debe corresponderse con el tamaño de un avión (los aviones grandes requieren espacio adicional debido a su mayor envergadura). Esto se lleva a cabo mediante la identificación de los puestos permitidos para cada vuelo en la fase de tratamiento de los datos de entrada en el Módulo II.

Figura 1: Estadísticas de asignación de puestos generadas por el Módulo II.

Como puede observarse en la Figura 1, la mayoría de los vuelos se asignaron a puestos situados a poca distancia de las pistas. En la Terminal 1, aproximadamente el 61,1% de los vuelos programados se asignaron a una caseta situada a una distancia inferior a la distancia media de rodaje de la Terminal 1 de 4,2 km de la pista; en la Terminal 2, el 61,3% de los vuelos se asignaron a casetas situadas a una distancia inferior a la distancia media de rodaje de la Terminal 2 de 5,6 km. Naturalmente, algunos de los vuelos tuvieron que asignarse a posiciones más alejadas debido a limitaciones de la política de asignación, zonas designadas de control fronterizo y falta de disponibilidad de posiciones más cercanas. No obstante, la Figura 1 demuestra el éxito del algoritmo en la minimización de la distancia de rodaje.

Una de las limitaciones de los datos utilizados para este estudio es la falta de disponibilidad de las asignaciones históricas reales de las paradas MEX. Por lo tanto, por el momento, es imposible comparar la calidad de los resultados del enfoque de dos módulos con las asignaciones reales de las paradas MEX. Así pues, para evaluar la calidad de la asignación obtenida y debido a la ausencia de asignaciones históricas reales de stands en MEX, la asignación del enfoque de dos módulos se probó en el entorno del modelo de simulación de MEX, tal como se describe en la siguiente sección. La descripción detallada y validación de este modelo de simulación puede consultarse en Mujica Mota y Flores (2019).

Experimentos de simulación

El objetivo principal de utilizar un modelo de simulación en este estudio es evaluar los efectos de la consideración de las desviaciones de horario en la asignación de paradas sobre las emisiones relacionadas con el taxi en condiciones cercanas a la realidad y encontrar formas de mejorar el rendimiento del aeropuerto y el nivel de emisiones. El modelo de simulación utilizado en este estudio nos permite incorporar elementos estocásticos (como situaciones de parada y arranque, espera por devolución en la puerta de embarque) que no se tuvieron en cuenta en la generación de la asignación, pero que sí influyen en los movimientos de las aeronaves en tierra en la vida real.

Para cada réplica de la simulación se siguieron los siguientes indicadores de rendimiento

• distancia total de rodaje de todas las aeronaves del horario asignado: d total taxi = ∑ N
  i=1 (d in i + d out i ) ;
• tiempo total de rodaje de todas las aeronaves del programa asignado: t total taxi = ∑ N
  i=1 (t in i + t out i + t wait i ) ;
• cantidad total de emisiones contaminantes relacionadas con el rodaje e taxi total = t taxi total ∗ F NO + t taxi total ∗ F CO ;

donde:

• d in i - distancia recorrida por la aeronave i desde la salida de la pista hasta una caseta;
• d out i - distancia recorrida por la aeronave i desde un puesto hasta el punto de entrada en pista;
• t in i - tiempo recorrido por la aeronave i desde la salida de la pista hasta un puesto;
• t out i - tiempo recorrido por la aeronave i desde un stand hasta el punto de entrada en pista;
• t wait i - tiempo empleado por la aeronave i en esperar la disponibilidad del stand;
• F NO y F CO - factores de emisión de NOx y CO 2 respectivamente;
• i... N - número de aeronaves.

Los factores de emisión dependen de las características del motor, el tipo de combustible utilizado y el peso de la aeronave, entre otros (OACI 2019b). Debido a la falta de disponibilidad de datos reales sobre las especificaciones del motor y el peso de la aeronave para el programa de vuelo estudiado, la cantidad de emisiones totales e rodaje total se calculó asumiendo una velocidad de rodaje constante y la referencia de emisiones de rodaje para Airbus A320 (motor CFM56) (Agencia Europea de Medio Ambiente 2016). Se eligió este tipo de aeronave porque se utilizó en el 55 % de los vuelos estudiados. Menos del 1% de los vuelos estudiados se realizaron con un tipo de aeronave grande y el resto de los vuelos estaban representados en su mayoría por clase regional. Los factores de emisión adaptados por minuto de rodaje se muestran en la Tabla.

Tabla 1: Factores de emisión por minuto de rodaje.

La asunción de determinados factores de emisión en este documento se realiza para obtener una estimación general del impacto de la aplicación del enfoque de dos módulos en las emisiones de los aeropuertos. No obstante, se considera la posibilidad de realizar un cálculo más detallado en el futuro, teniendo en cuenta diferentes factores de emisión para todos los tipos de aeronaves actuales, cuando se disponga de más datos reales sobre las especificaciones de las aeronaves.

En el momento de realizar este estudio, no se disponía de información sobre la asignación exacta o histórica de posiciones en MEX. Por lo tanto, las asignaciones generadas por el enfoque de dos módulos se compararon con una asignación aleatoria de última hora, generada directamente durante cada simulación. Una asignación aleatoria de última hora asigna un vuelo durante la simulación a cualquier puesto adecuado disponible en el momento en que la aeronave inicia la aproximación para el aterrizaje. Esto significa que se puede elegir cualquier puesto adecuado que no esté ocupado en el momento de la decisión, independientemente de su distancia de rodaje a la pista. Como la elección se hace de forma aleatoria, cada simulación da como resultado un uso diferente de las posiciones. Dado que en esta asignación de última hora no existe una planificación previa, se considera que se minimizan los efectos de las interrupciones de la programación sobre el uso de los stands y que hay menos posibilidades de que se produzcan conflictos de asignación. Sin embargo, no se ha estimado a qué coste medioambiental se minimizan estos efectos. En esta sección, se estiman los efectos de esta asignación aleatoria de última hora sobre las emisiones relacionadas con el taxi y se comparan con una planificación proactiva de la asignación, realizada mediante el enfoque de dos módulos. Además, para rastrear los efectos de las desviaciones del horario en las emisiones relacionadas con el taxi, se incluyeron en este estudio escenarios de simulación que contenían tanto llegadas puntuales como llegadas interrumpidas.

En la Tabla 2 se presenta un resumen de los escenarios de asignación de paradas definidos. Estos escenarios pueden describirse como sigue:

• Escenario A. Caso base. Representa una situación ideal con todos los vuelos llegando a tiempo, asignación de stands generada sólo con el uso del Módulo II (es decir, asignación optimizada sin considerar desviaciones).
• Escenario B. Asignación de puestos generada sólo con el uso del Módulo II (es decir, asignación optimizada sin tener en cuenta las desviaciones). Los vuelos llegan con desviaciones en la hora de llegada, generadas a partir de las distribuciones de desviaciones en la hora de llegada aprendidas en el Módulo I.
• Escenario C. Asignación de puestos generada considerando el retraso esperado con el uso tanto del Módulo I como del Módulo II. Los vuelos llegan con desviaciones en la hora de llegada, generadas en base a las distribuciones de desviación de la hora de llegada aprendidas en el Módulo I.
• Escenario D. Los vuelos que llegan se asignan a los stands utilizando la asignación aleatoria de última hora. Los vuelos llegan a tiempo, de acuerdo con la programación.
• Escenario E. Los vuelos de llegada se asignan a los stands utilizando asignación aleatoria de último minuto. Los vuelos llegan con desviaciones en la hora de llegada, generadas en base a las distribuciones de desviación de la hora de llegada aprendidas en el Módulo I.

Tabla 2: Escenarios de asignación de stands.

El objetivo de este trabajo es descubrir el potencial oculto para la reducción de las emisiones relacionadas con el taxi a través de la optimización de la asignación de paradas. Y como se ha observado en el análisis de la asignación generada en la sección 3.3, la distribución actual de áreas nacionales e internacionales en las terminales tiene una influencia considerable en los resultados de la asignación y, por lo tanto, en el nivel de emisiones relacionadas con el taxi. Por lo tanto, se ha decidido manipular algunas de las restricciones de asignación disponibles y, en consecuencia, elaborar nuevas políticas de asignación que no requieran una reconstrucción importante de las instalaciones aeroportuarias. El único requisito que se mantiene estricto en todas las políticas de asignación simuladas es la asignación de aeronaves de gran tamaño únicamente a los puestos especialmente equipados. Las nuevas políticas de asignación se compararon con la política original, que contiene restricciones estrictas de asignación, a través de una serie de experimentos, simulando los escenarios A-E sin alcanzar las políticas definidas. De este modo, para cada política de asignación, se evaluó el rendimiento del enfoque de dos módulos con llegadas puntuales y perturbadas, y se comparó con la asignación aleatoria de última hora. Las políticas de asignación definidas son las siguientes

• Grupo I - experimentos del caso base. Asignación de puestos generada según el conjunto original de restricciones de asignación con estricto cumplimiento de la terminal designada y la zona internacional/doméstica.
• Grupo II - las aeronaves se asignan a cualquier puesto disponible en la terminal prevista originalmente. Esto significa que tanto los vuelos internacionales como los nacionales pueden ser asignados al mismo stand.
• Grupo III - los aviones pueden elegir puestos en cualquier terminal, pero deben respetar la política de zonas designadas. Esto significa que un vuelo nacional debe asignarse a la zona nacional pero puede asignarse a la zona nacional de cualquier terminal.
• Grupo IV - los aviones pueden ser asignados a cualquier zona de cualquier terminal. Se trata de una política de asignación sin restricciones de disposición que permite acercarse al mínimo posible de distancia de rodaje y de emisiones relacionadas con el rodaje para el programa de vuelos estudiado.
• Grupo V - la Terminal 1 está totalmente destinada a vuelos nacionales. Esto significa que incluso si un vuelo estaba previsto originalmente para la Terminal 2, en caso de que sea nacional se asignará a la Terminal 1.
• Grupo VI - La Terminal 1 está totalmente designada para vuelos internacionales. Esto significa que aunque un vuelo estuviera previsto originalmente en la Terminal 2, si es internacional se asignará a la Terminal 1.

El uso de los mismos datos para aprender modelos distribucionales bayesianos para las alteraciones de horarios y para generar experimentos de simulación estocásticos puede considerarse una limitación de este trabajo. No obstante, el objetivo principal del enfoque propuesto es mitigar el impacto negativo de las alteraciones del horario en el entorno aeroportuario, no predecir el retraso exacto o la hora de llegada anticipada de los vuelos programados. Al considerar un determinado intervalo de probabilidad en la planificación de la asignación, pretendemos proporcionar una herramienta para influir en la robustez de la asignación de puestos. Con un intervalo de probabilidad mayor, se pueden considerar más perturbaciones; sin embargo, esto podría reducir la capacidad de recursos de los stands y, por lo tanto, puede considerarse una limitación para algunos aeropuertos congestionados. Con intervalos de probabilidad más pequeños se reducirían los tiempos de bloqueo de los puestos, pero aumentaría el número de aeronaves que podrían esperar a que el puesto estuviera disponible. Esta disyuntiva no se analiza en este documento, aunque se estudiará en futuras investigaciones.

Para cada política de asignación, los experimentos A-E se ejecutaron con 30 réplicas cada uno. Cada réplica tenía una duración de 7 días más horas extra por desviaciones en el horario de llegada. En la siguiente sección se presentan y discuten los resultados de los experimentos realizados.

Resultados de los experimentos

Los resultados de los experimentos realizados se compararon entre escenarios para identificar una política de asignación que permita reducir significativamente las emisiones. Las estadísticas comparativas de los indicadores seguidos en los experimentos de los Grupos I - VI se presentan en las Figuras 2 - 4.

Como puede verse en la Figura 2, los escenarios A y B tienen valores similares de distancia en taxi, ya que utilizaron la misma asignación de paradas; el escenario B difiere del escenario A sólo en presencia de desviaciones estocásticas de la hora de llegada. Los escenarios D y E dieron lugar en general a valores de distancia en taxi más elevados, ya que no optimizaron la asignación para minimizar el tiempo de taxi. La distancia en taxi más baja se alcanzó en el Grupo V, que corresponde a la política de asignación con la Terminal 1 totalmente dedicada a los vuelos nacionales y la Terminal 2 - a los internacionales. Con esta política, tanto el enfoque de dos módulos como la asignación aleatoria de última hora generaron valores cercanos con una diferencia del 0,2%. La distancia de taxi más baja corresponde al escenario E del Grupo V, que es un 4,2% inferior a la asignación generada por el enfoque de dos módulos con la política de asignación original en el escenario C del Grupo I. En estos experimentos, la asignación aleatoria en el último minuto no supera la asignación optimizada de las casetas, lo que puede explicarse por el hecho de que la asignación en el último minuto en los escenarios D y E permitía la superposición de asignaciones a la misma caseta si todas las demás casetas adecuadas ya estaban ocupadas. En general, los resultados mostrados en la Figura 2 revelan que reorganizando el uso de los edificios de la terminal de MØX y dedicando la Terminal 1 por completo a los vuelos nacionales es posible reducir la distancia de rodaje en un 4,2% semanal.

Figura 2: Comparación de la distancia total de taxi para los escenarios A - E a través de los grupos de experimentos.
Al hablar del tiempo total de rodaje, mostrado en la Figura 3, se puede observar que el escenario B muestra más variabilidad y valores medios más altos que el escenario A debido a la presencia de desviaciones estocásticas y tiempos de espera de las aeronaves. El valor más bajo de tiempo de rodaje corresponde al escenario C del Grupo V, que es la asignación generada por el enfoque de dos módulos. El tiempo total de rodaje obtenido en este escenario es un 9% inferior al del escenario C del Grupo I.

Cabe destacar que el tiempo de taxi en el escenario C a través de todos los grupos es siempre inferior al de los escenarios con asignación aleatoria de última hora e interrupciones del horario no consideradas en la asignación (B, D y E). Esta observación permite concluir que la consideración de las desviaciones del horario previstas en la asignación de las paradas es beneficiosa para las operaciones aeroportuarias, ya que da lugar a tiempos de rodaje más cortos debido a la disminución de los tiempos de espera para la disponibilidad de las paradas.

Cuando se compara la cantidad de emisiones contaminantes totales, el valor más bajo corresponde de nuevo al Grupo V para los escenarios C (véase la figura 4). La cantidad de emisiones en el escenario C del Grupo V es aproximadamente un 9% inferior a la producida con la política de asignación original del Grupo I. La asignación aleatoria de última hora en el escenario E del Grupo V, curiosamente, sólo produjo un 3,8% más de emisiones que en el escenario C. Sin embargo, dicha asignación aleatoria demostró una variabilidad bastante alta en todas las políticas de asignación.

Puede observarse que la Figura 3 y la Figura 4 presentan valores similares, lo que podría explicarse por la suposición de factores de emisión uniformes para todo el estudio. No obstante, podría ser interesante repetir los experimentos en el futuro con factores de emisión más específicos, por ejemplo adaptados de BADA (EUROCONTROL 2020), y analizar la correlación entre las emisiones totales y el tiempo total de taxi con el fin de combinarlos en un único objetivo de optimización.

Figura 3: Comparación del tiempo total de taxi para los escenarios A - E a través de los grupos de experimentos.
Figura 4: Comparación de las emisiones totales de CO 2 + NOx para los escenarios A - E a través de los grupos de experimentos. Resumiendo los resultados, se puede concluir que la política de asignación de puestos más beneficiosa en términos de emisiones relacionadas es la del Grupo V. Esto significa que la reorganización del uso de los edificios terminales y la dedicación de la Terminal 1 a vuelos nacionales puede ahorrar a MEX alrededor del 9% de las emisiones contaminantes totales semanales en comparación con la designación de los edificios terminales existentes en las condiciones operativas consideradas en los experimentos.

Conclusiones e investigación futura

Este trabajo presenta la aplicación de un enfoque innovador que combina métodos bayesianos y una optimización heurística bi-objetivo para resolver el problema de asignación de puestos en aeropuertos desde la perspectiva de la minimización de las emisiones relacionadas. Para validar el impacto del enfoque presentado en la huella medioambiental de los aeropuertos, se incluyó la simulación en la metodología para introducir los efectos de la naturaleza estocástica del sistema real. En el caso presentado, la metodología mostró un claro beneficio de la consideración de posibles interrupciones de horarios en la planificación de la asignación de paradas para la mitigación de emisiones. Además, la aplicación del enfoque de dos módulos con la relajación de las restricciones de asignación reveló un potencial oculto de mitigación de las emisiones contaminantes relacionadas con el taxi. Para el caso del Aeropuerto Internacional de la Ciudad de México, los mejores resultados obtenidos corresponden a la dedicación de toda la Terminal 1 a vuelos nacionales y la Terminal 2 - a vuelos internacionales Esta reordenación de los edificios terminales podría disminuir las emisiones contaminantes relacionadas con el taxi en aproximadamente un 9% semanal, en comparación con el uso actual de las terminales.

Como trabajo futuro, en el Módulo I se considerarían otras variables, como las desviaciones reales de los tiempos de giro y de salida, y más datos históricos de rendimiento para proporcionar más precisión sobre las perturbaciones previstas. Cuando se disponga de más datos históricos, también sería beneficioso utilizar conjuntos de datos diferentes pero comparables para aprender los modelos de desviación y realizar los experimentos de simulación para estimar mejor la precisión de los modelos de desviación obtenidos. También se considera la posibilidad de mejorar el componente de optimización del enfoque de dos módulos y el estudio de simulación con especificaciones de emisiones de aeronaves para una estimación más precisa de las emisiones y su impacto en la asignación de puestos.

Además, sería interesante comparar la calidad de las asignaciones de puestos generadas por los dos módulos con las asignaciones de puestos históricas (reales) para el mismo aeropuerto y probar el enfoque presentado en otras configuraciones de aeropuerto y políticas de asignación de puestos. Además, puede investigarse si los objetivos de reducción de la distancia de rodaje y de reducción de las emisiones pueden combinarse en un único objetivo de optimización y cuál sería el impacto en el nivel de emisiones si se tuvieran en cuenta los tiempos de espera de las aeronaves en lugar del número de aeronaves en espera. Por otra parte, el uso de la información obtenida del modelo de simulación se incorporará al bucle de optimización para proporcionar soluciones aún más cualitativas.

Agradecimientos

Los autores desean dar las gracias a la Universidad Autónoma de Barcelona, a la Academia de Aviación de la Universidad de Ciencias Aplicadas de Ámsterdam por su apoyo a este estudio y a la Sociedad Holandesa de Simulación del Benelux(www.dutchbss.org) y a EUROSIM por la difusión de los resultados de este estudio.

Biografías de los autores

MARGARITA BAGAMANOVA es profesora e investigadora en la Universidad de Ciencias Aplicadas de Ámsterdam y estudiante de doctorado en el departamento de Aeronáutica y Logística de la Escuela Técnica Superior de Ingeniería de la Universidad Autónoma de Barcelona. Su investigación se centra en la aplicación de técnicas de simulación, optimización multivariante e inferencia bayesiana para la mejora de las operaciones aeroportuarias. Ha publicado en diferentes revistas internacionales y actas de congresos internacionales. Además, es miembro activo del Comité Directivo de la Sociedad Holandesa de Simulación del Benelux (EUROSIM) desde 2018. Sus direcciones de correo electrónico son mm.bagamanova@hva.nl y margaritabagamanova@gmail.com

MIGUEL MUJICA MOTA es profesor asociado de Gestión de la Aviación e investigador principal en la Academia de Aviación de la Universidad de Ciencias Aplicadas de Ámsterdam (Países Bajos). Tiene un doctorado y un máster en informática por la Universidad Autónoma de Barcelona y un doctorado y un máster en investigación operativa por la Universidad Nacional de México. Es el actual presidente de EUROSIM, la Federación de Sociedades de Simulación de Europa, y de la Sociedad de Simulación del Benelux holandés. Ha participado en varios proyectos internacionales para la industria y en proyectos de investigación financiados por la Comisión Europea, el Banco Mundial o la industria privada. Es coautor de cuatro libros y numerosos artículos científicos sobre simulación, investigación operativa, aviación, fabricación y logística. Sus intereses de investigación se centran en el uso de la simulación, los formalismos de modelización y la heurística para la optimización y el análisis del rendimiento de las operaciones aeronáuticas, la fabricación y la logística. Su dirección de correo electrónico es m.mujica.mota@hva.nl. Su sitio web es www.mmujicamota.com

Actas de la Conferencia de Invierno sobre Simulación 2020 K.-H. Bae, B. Feng, S. Kim, S. Lazarova-Molnar, Z. Zheng, T. Roeder y R. Thiesing, eds.

Margarita Bagamanova
Unidad Departamental de Aeronáutica y LogísticaC
Universidad Autónoma de Barcelona
Campus Universitario de la UAB
Bellaterra, 08193, ESPAÑA
Miguel Mujica Mota
Academia de Aviación
Universidad de
Ciencias Aplicadas 190 Weesperzijde
Amsterdam, 1097 DZ, PAÍSES BAJOS

Referencias

Ashok, A., H. Balakrishnan, y S. R. H. Barrett. 2017. "Reducción de la calidad del aire y los impactos climáticos de CO 2 de las operaciones de taxi y despegue en los aeropuertos". Investigación del Transporte Parte D: Transporte y Medio Ambiente 54:287-303. ATAG 2020. La industria de la aviación reduce su huella ambiental: Aviation: Benefits Beyond Borders. https://www.aviationbenefits.org/environmental-efficiency/climate-action/, consultado el 12 de febrero.
Bagamanova, M., y M. Mujica Mota. 2020. "A Multi-Objective Optimization with a Delay-Aware Component for Airport Stand Allocation". Journal of Air Transport Management 83:101757. Bürkner, P.-C. 2017. "Brms: An R Package for Bayesian Multilevel Models Using Stan". Journal of Statistical Software 80(1):1-28. Duinkerken, M., T. Selderbeek, y G. Lodewijks. 2013. "Reducción de las emisiones de los taxis en los aeropuertos". En 2013 European Simulation and Modelling Conference, editado por S. Onggo y A. Kavicka, 331-335. Ostende: Sociedad Europea Multidisciplinar de Tecnología de Modelización y Simulación.
EUROCONTROL 2020. Base de datos de aeronaves. https://www.eurocontrol.int/eec/public/standard_page/proj_BADA.html, consultado el 13 de abril. Agencia Europea de Medio Ambiente. 2016. European Monitoring and Evaluation Programme/European Environment Agency Air Pollutant Emission Inventory Guidebook. https://www.eea.europa.eu/publications/emep-eea-guidebook-2016, consultado el 8 de abril de 2020. Fleuti, E., y S. Maraini. 2017. Taxi-Emissions at Zurich Airport. https://flughafen- zuerich.ch/~/media/flughafenzh/dokumente/das_unternehmen/laerm_politik_und_umwelt/taxi_study_zurichairport_201712 07.pdf, consultado el 10 de febrero de 2020. Flightstats. 2018. Airport On-Time Performance Reports. https://www.flightstats.com/v2/monthly-performance-reports/airports, consultado el 10 de enero de 2019. Graver, B., K. Zhang, y D. Rutherford. 2019. CO 2 Emissions from Commercial Aviation, 2018. https://theicct.org/publications/co2-emissions-commercial-aviation-2018, consultado el 12 de febrero de 2020. Hao, L., M. Hansen, y M. S. Ryerson. 2016. "Fueling for Contingencies: El coste oculto de la imprevisibilidad en el sistema de transporte aéreo". Investigación sobre el transporte Parte D: Transporte y Medio Ambiente 44:199-210. Hassounah, M., y G. Steuart. 1993. "Demand for Aircraft Gates". Transportation Research Record 1423:26-33. OACI 2019a. ICAO Environmental Report. https://www.icao.int/environmental-protection/Documents/ICAO-ENV-Report2019- F1-WEB%20%281%29.pdf, consultado el 25 de marzo.
OACI 2019b. The ICAO Aircraft Engine Emissions Databank. https://www.easa.europa.eu/easa-and-you/environment/icao- aircraft-engine-emissions-databank, consultado el 16 de noviembre. OACI 2020. CORSIA Participation. https://www.icao.int/environmental-protection/Lists/CORSIAParticipation/AllItems.aspx, consultado el 12 de febrero. Aeropuerto Internacional de la Ciudad de México. 2018. Operaciones de Llegada y Salida Semanal. https://www.aicm.com.mx/wp-content/uploads/2019/04/OperacionesdeLlegadaySalida25al31Marz2019.pdf, consultado el 10 de abril de 2019. Khadilkar, H., y H. Balakrishnan. 2012. "Estimación del Consumo de Combustible en Taxi de Aeronaves Utilizando Archivos de Registradores de Datos de Vuelo". Investigación del Transporte Parte D: Transport and Environment 17(7):532-537.
Li, N., y H. Zhang. 2017. "Cálculo de las emisiones contaminantes de las aeronaves durante el rodaje en el aeropuerto". Huanjing Kexue Xuebao/Acta Scientiae Circumstantiae 37(5):1872-1876. Mujica Mota, M., e I. Flores. 2019. "Metodología basada en modelos para identificar limitaciones de capacidad en aeropuertos: Caso Aeropuerto de la Ciudad de México". SNE Simulation Notes Europe 29(1):13-25. Nikoleris, T., G. Gupta, y M. Kistler. 2011. "Estimación Detallada del Consumo de Combustible y Emisiones durante las Operaciones de Taxi de Aeronaves en el Aeropuerto Internacional de Dallas/Fort Worth". Transportation Research Part D: Transporte y Medio Ambiente 16(4):302-308. SCT 2017. Capacidad de Operaciones. https://www.aicm.com.mx/wp- content/uploads/2017/12/OF1747CapacidadDeOperaciones.pdf, consultado el 11 de diciembre de 2018.
SCT 2019. Estadística Operacional de Aerolíneas - Aeropuerto Internacional de la Ciudad de México. http://www.sct.gob.mx/transporte-y-medicina-preventiva/aeronautica-civil/7-inconformidades-de-aerolineas/71- demorasindice-de-puntualidad/aeropuerto-internacional-de-la-ciudad-de-mexico-aicm/, consultado el 15 de noviembre de 2019. SEDEMA 2018. Inventario de Emisiones de La CDMX 2016. http://www.aire.cdmx.gob.mx/descargas/publicaciones/flippingbook/inventario-emisiones-2016/mobile/, consultado el 20 de abril de 2020. Simaiakis, I., y H. Balakrishnan. 2016. "Un modelo de colas del proceso de salida del aeropuerto". Transportation Science 50(1):94- 109. Simaiakis, I., H. Khadilkar, H. Balakrishnan, T. G. Reynolds y R. J. Hansman. 2014. "Demonstration of Reduced Airport Congestion through Pushback Rate Control".
Transportation Research Part A: Policy and Practice 66(1):251-267. Tsao, H. S. J., W. Wei, A. Pratama y J. R. Tsao. 2009. "Integrated Taxiing and Take-Off Scheduling for Optimization of Airport Surface Operations". En Proceedings of Indian Subcontinent Decision Sciences Institute Conference 2009, January 3 rd -5 th , Bombay, India, 1-12.
Yan, S., y C. Chang. 1998. "A Network Model for Gate Assignment". Journal of Advanced Transportation 32:176-189. Yan, S., y C. M. Huo. 2001. "Optimization of Multiple Objective Gate Assignments".
Transportation Research Part A: Policy and Practice 35(5):413-432. Yan, S., C.-Y. Shieh, y M. Chen. 2002. "A Simulation Framework for Evaluating Airport Gate Assignments". Transportation Research Part A: Policy and Practice 36(10):885-898.