L'utilisation accrue des véhicules aériens sans pilote (UAV) par l'United States Air Force (USAF) a mis à rude épreuve les unités de formation au pilotage chargées de produire des équipages d'aéronefs. L'augmentation des quotas d'élèves, associée à de nouvelles exigences de formation découlant de la transition vers la cellule MQ-9, a un impact sur les ressources nécessaires pour atteindre le niveau souhaité de débit d'élèves. Cette recherche utilise les données historiques d'une unité de formation au pilotage de drones pour développer un modèle de simulation des opérations quotidiennes au sein d'un escadron de formation. Les besoins actuels, les opérations et les niveaux d'effectifs des instructeurs sont utilisés pour fournir une évaluation de base de la relation entre les effectifs de l'unité et la production des équipages. Une analyse ultérieure étudie les effets de la fréquence des cours, de la taille des classes et de la quantité d'instructeurs sur le débit des étudiants. Les résultats de cette recherche recommandent de nouvelles approches dans l'exécution des cours afin de mieux utiliser la capacité des instructeurs et d'informer les unités de formation au pilotage des UAV sur les niveaux d'effectifs appropriés requis pour répondre aux besoins de l'USAF.
Le 9e escadron d'attaque (9 ATKS), situé sur la base aérienne de Holloman, au Nouveau-Mexique, est chargé de la formation des équipages du MQ-9 Reaper, un aéronef téléguidé exploité par deux équipages aux rôles différents. Un pilote et un opérateur de capteurs constituent l'équipage de lancement et de récupération qui effectue les décollages et les atterrissages, tandis qu'un équipage en vol, composé d'un opérateur de capteurs et d'un pilote, effectue les opérations en vol. Le MQ-9 remplit une multitude de rôles opérationnels allant de l'interdiction aérienne à la recherche au combat et à l'aide au sauvetage. Le 9ème ATKS met en œuvre cinq cours de formation différents pour préparer les opérateurs à tous les aspects des opérations du MQ-9.
Les niveaux d'effectifs ont mis à l'épreuve la capacité de la 9e ATKS à fournir un soutien adéquat pour maintenir la compétence en vol de l'équipage permanent, à soutenir les tâches administratives requises et à assurer le repos approprié de l'équipage, tout en satisfaisant aux exigences du nombre actuel d'étudiants en formation. Compte tenu de l'afflux de stagiaires supplémentaires prévu dans les années à venir pour le programme de formation initiale à la qualification (IQT), la 9e ATKS souhaitait déterminer le nombre de pilotes instructeurs nécessaires pour maintenir le flux des cours et garantir que les stagiaires obtiennent leur diplôme dans les délais prévus. Outre les problèmes d'effectifs, de nombreux autres facteurs de nature stochastique affectent la capacité à répondre aux exigences de la formation, notamment les conditions météorologiques, les déploiements permanents, les affectations temporaires, la maintenance, l'état de vol et les congés.
Cet effort de recherche visait à déterminer le nombre d'opérateurs que la 9e ATKS peut former chaque année en optimisant les effectifs actuels, ainsi qu'à déterminer le nombre d'instructeurs requis pour l'augmentation prévue du nombre d'étudiants. En utilisant la modélisation et la simulation, une analyse complète des effectifs a cherché à déterminer si les effectifs actuels permettaient de répondre aux besoins de production des élèves sans surcharger les instructeurs, d'identifier les aspects de la formation qui créent des retards et le nombre projeté d'instructeurs nécessaires pour répondre aux changements futurs des demandes de l'armée de l'air.
La formation au MQ-9 comprend plusieurs cours. Le plus important est le cours de qualification initiale de base, également appelé parcours de requalification/transition 1 (IQT). L'IQT forme les pilotes et les opérateurs de capteurs qui découvrent le MQ-9. Il comprend 93 jours de formation, dont 61 jours de cours et 32 jours de vol. La voie de requalification/transition 2 (TX-2) est une formation obligatoire pour les pilotes et les opérateurs de capteurs non qualifiés sur le MQ-9 depuis plus de 39 mois. Elle comprend 71 jours de formation, dont 49 jours de cours et 22 jours de vol. La piste de requalification/transition 3 (TX-3) est obligatoire pour les pilotes et les opérateurs de capteurs non qualifiés depuis moins de 39 mois et comprend 43 jours de cours et 16 jours de vol, soit un total de 59 jours de formation. La voie de transition 4 (TX-4) forme les pilotes ou les opérateurs de capteurs qualifiés à devenir compétents pour le principal système d'armes MQ-9. La filière TX-4 compte 44 jours de formation, dont 28 jours de cours et 16 jours de vol. La dernière filière de formation proposée par le 9e ATKS est le cours de mise à niveau des instructeurs (FIUT) de l'unité d'entraînement formel (FTU), qui permet aux membres d'équipage de devenir instructeurs. Le cours dure 22 jours, dont sept jours de cours et 15 jours de vol. Le 9ème ATKS dispense les cinq pistes de formation simultanément et tout au long de l'année, à l'exception des jours fériés et des week-ends.
Comme le montrent les niveaux d'effectifs du tableau 1, il existe différentes classes de personnel au sein de la 9e ATKS. Le nombre d'événements aériens que chaque pilote peut instruire par semaine est déterminé par la disponibilité de son poste. Si un pilote n'a pas d'autres exigences de l'escadron, il est en mesure d'instruire cinq événements de vol par semaine tout en maintenant un repos approprié de l'équipage. En plus des compétences associées à chaque catégorie de personnel, les compétences des pilotes varient, ce qui limite la partie de chaque cours qu'un individu est capable d'enseigner.
Les pilotes de la 9ème ATKS sont également responsables de l'encadrement quotidien d'un superviseur des opérations, d'un superviseur des vols et d'une équipe de lancement et de récupération. Ces postes supplémentaires requièrent des compétences particulières qui limitent le nombre de pilotes pouvant occuper chaque poste. Bien que les pilotes volent fréquemment en tant qu'instructeurs, ils doivent également se tenir à jour sur le MQ-9 en volant une fois par mois en tant que pilote principal. De même, les opérateurs de capteurs sont limités dans leur capacité à donner des instructions en fonction de leur poste et de leur disponibilité.
L'équivalence de l'équipage de base (BCE) est une mesure utilisée par la 9 ATKS pour déterminer la production annuelle de l'équipage. La 9 ATKS est censée produire au moins 120 BCE par an dans le cadre d'opérations normales. Le facteur BCE est pondéré par le type de syllabus, le syllabus IQT étant le plus pondéré. La pondération du facteur BCE pour l'achèvement du travail de l'équipage, par programme, est indiquée dans le tableau 2.
Les travaux historiques sur les effectifs et la programmation ont utilisé la programmation linéaire (Winston 2004) et la programmation en nombres entiers (Billionnet 1999), et ont été appliqués à des problèmes de programmation réels (Ryan et Foster 1981 ; Ghalwash et al. 2016). Bien que ces méthodes aient été utilisées avec succès, la nature complexe, dynamique et stochastique de ce problème a nécessité la formulation de nombreuses hypothèses inacceptables pour ces approches.
La simulation a été largement utilisée dans les applications d'optimisation de l'ordonnancement, permettant aux facteurs d'être représentés par des distributions plus proches du problème réel que par une valeur constante. Banks et al. (2010) soulignent qu'il est souvent possible de développer un modèle de système qui peut être résolu à l'aide de méthodes mathématiques, mais que la complexité du système réel n'est pas aussi bien saisie qu'elle peut l'être avec une simulation sur ordinateur. La simulation d'un système permet d'étudier et d'analyser des aspects qui peuvent changer au fil du temps, avec des exécutions multiples qui donnent un aperçu des résultats attendus et de leurs distributions. Une fois le modèle de simulation construit, l'utilisateur peut modifier plusieurs facteurs et prédire les performances du système en fonction de ces changements. L'analyse des résultats d'une simulation en fonction des modifications apportées aux données d'entrée fournit des informations précieuses sur l'impact des différentes variables. Les connaissances tirées d'une simulation peuvent aider à identifier les domaines susceptibles d'être améliorés dans le système réel.
Un examen approfondi de la littérature a permis de découvrir des techniques de recherche en simulation applicables à la situation à laquelle est confrontée l'ATKS. Sepulveda et al. (1999) ont utilisé la simulation pour améliorer les processus dans les centres de traitement du cancer, où différents types de patients se rendaient sur plusieurs sites pour être traités par du personnel hospitalier aux compétences variées, ce qui a permis d'augmenter de 30 % le nombre de patients pris en charge sans modifier les niveaux de personnel. Kumar et Kapur (1989) ont simulé la programmation d'une salle d'urgence afin d'évaluer l'effet du niveau de dotation en personnel en fonction de la durée de l'équipe sur la qualité du service, tout en minimisant le temps d'attente des patients et les coûts. Comme dans le cas des 9 ATKS donnant des cours simultanés, le personnel de l'hôpital était chargé de fournir un service sur cinq niveaux d'urgence différents, tout en étant limité par la durée de leurs quarts de travail. Seguin et Hunter (2013) ont utilisé un outil de planification de l'allocation des ressources pour simuler les opérations de formation de l'École de pilotage des Forces canadiennes afin d'analyser le programme de formation, d'identifier les causes de retard et de minimiser le temps d'achèvement des cours. La simulation a pris en compte les conditions météorologiques, les aéronefs, les simulateurs, les différents types d'instructeurs, ainsi que les performances des élèves. La simulation a révélé que la disponibilité des simulateurs de vol était le principal facteur de retard et a identifié un format d'ordonnancement en bloc comme la meilleure solution pour accélérer l'achèvement des cours.
Jun et al. (1999) illustrent les avantages de l'utilisation simultanée de techniques de simulation et d'optimisation pour une fonction objective multicritère. April et al. (2003) affirment que presque tous les logiciels de simulation modernes permettent de rechercher les valeurs optimales des paramètres d'entrée, par opposition à une estimation statistique, et utilisent des approches évolutives pour rechercher l'espace de solution et faire évoluer une population de solutions. Le logiciel d'optimisation OptQuest utilisé par Simio utilise cette approche évolutive, en évaluant les entrées et les sorties de la simulation, combinées à un point de départ, un niveau de précision, des critères d'arrêt et une fonction objective fournis par l'utilisateur, afin d'explorer les valeurs candidates (April et al. 2003). Kleijnen et Wan (2007) ont utilisé OptQuest pour minimiser le coût des stocks pour un système de gestion des stocks, et ont conclu qu'OptQuest fournissait une sortie qui était la meilleure estimation du véritable optimum lorsqu'on la comparait à une méthodologie de surface de réponse modifiée.
Compte tenu de la complexité de la programmation de la formation au vol pour la communauté MQ-9, une combinaison de simulation et d'optimisation a été utilisée via Simio et sa fonction OptQuest. La suite logicielle a permis d'effectuer des expériences, de générer plusieurs types de données de sortie et d'effectuer des analyses intuitives pour évaluer les options de planification optimales pour le problème de planification de l'ATKS 9 (Prochaska et Thiesing 2008).
Pour répondre au mieux aux objectifs de la recherche et représenter les opérations réelles de la 9 ATKS, une simulation a été construite à l'aide du logiciel de simulation orienté objet Simio. D'autres approches ont été envisagées, mais une approche basée sur la simulation a été jugée la plus appropriée pour comprendre les niveaux d'effectifs actuels, l'impact sur le débit et la prévision des effectifs optimaux pour les incertitudes futures. Le modèle représente les principaux aspects des opérations quotidiennes de la 9e ATKS. Chaque instructeur affecté, attaché, réserviste ou contractuel est représenté dans la simulation comme une ressource. Le nombre de pilotes et d'opérateurs de capteurs associés à la 9 ATKS en octobre 2018 a été utilisé comme effectif représentatif. Il n'y a pas deux instructeurs au sein de la 9 ATKS qui possèdent le même ensemble de compétences ou les mêmes exigences professionnelles.
Avec un total de 132 instructeurs, il n'était pas possible de modéliser des horaires individualisés. Sur la base de données historiques, une capacité hebdomadaire moyenne de tâches de vol a été appliquée à chaque type d'instructeur, permettant aux instructeurs affectés, attachés, de réserve et contractuels d'effectuer respectivement cinq, deux, quatre et cinq événements par semaine. Les pilotes de réserve traditionnels effectuant un vol par mois ont été retirés du modèle.
Dans le cadre des opérations normales, les exigences en matière de pré-briefing, de post-briefing, d'administration et de repos de l'équipage limitent les instructeurs à une activité de vol par jour. Ainsi, un instructeur est saisi pour la totalité de la journée de huit heures correspondant à un événement de vol. Les instructeurs peuvent également être saisis pour des missions de spécialité sans vol. Une entité arrive chaque jour et saisit les ressources d'instructeurs appropriées nécessaires pour des tâches supplémentaires. En outre, les données historiques montrent que 12 % des instructeurs ne sont pas disponibles pour une mission donnée en raison d'une permission, d'un congé, d'une maladie ou d'autres obligations militaires, ce qui permet à une entité supplémentaire de saisir au hasard 16 instructeurs par jour.
Les instructeurs possèdent des combinaisons de 14 compétences différentes qui déterminent les vols ou les cours qu'ils peuvent enseigner. Le modèle de sélection des instructeurs reflète l'ordre de priorité des sources d'approvisionnement de l'ATKS, défini par l'ordre de la liste des ressources.
Les avions MQ-9 et les simulateurs sont utilisés à des fins de formation, quatre de chaque étant disponibles pour une utilisation quotidienne. Le modèle les considère comme des ressources, saisies par les étudiants lorsqu'ils commencent chaque tâche de formation. Au cours d'une journée type, chaque avion effectue quatre vols et chaque simulateur cinq vols, ce qui représente une capacité pour chaque ressource d'équipement. Les conditions météorologiques et la maintenance des avions limitent la disponibilité de ces derniers, tandis que la disponibilité des simulateurs est limitée par les temps d'arrêt liés à la maintenance et aux mises à jour logicielles. La moyenne historique du temps opérationnel perdu en raison des conditions météorologiques et de la maintenance est respectivement de 23,6 % et de 3,5 %. Les simulateurs ne sont pas affectés par les conditions météorologiques, mais sont indisponibles 0,3 % du temps pour la maintenance et les mises à jour logicielles.
Les effets de la météo sont modélisés par une entité qui saisit tous les avions les jours où la météo empêche les vols, par tirage au sort. La maintenance de chaque type d'avion est un facteur de fiabilité individuel lié à chaque ressource d'équipement. Les pannes sont basées sur un décompte d'utilisation et le décompte entre les pannes suit une distribution uniforme à la fois pour les avions et les simulateurs. Les temps d'arrêt ont été modélisés comme une journée entière, ce qui rend l'équipement inutilisable pendant quatre et cinq vols, respectivement, pour les avions et les simulateurs. Pour simuler le temps d'indisponibilité de 3,5 % de l'avion comme quatre vols, le temps de disponibilité par avion était de 114 vols et a été modélisé comme une distribution uniforme avec un minimum de 104 et un maximum de 124. Le temps d'indisponibilité du simulateur de 0,3 % a été modélisé comme une distribution uniforme avec un maximum de 1 800 vols et un minimum de 1 400 vols pour capturer les cinq vols d'indisponibilité.
Les programmes de formation décomposent les événements en fonction du temps (heures) requis pour chacun d'entre eux. Les événements consistent en des cours théoriques, des vols de simulation et des vols dans l'aéronef, et la documentation énumère les événements à réaliser au cours de chaque journée de formation (Department of the Air Force 2018). Les cinq cours différents sont représentés par des serveurs qui traitent des entités. Chaque serveur contient un tableau de tâches répertoriant tous les événements et la progression nécessaire pour ce programme, sur la base du manuel de formation du MQ-9, comme illustré à la figure 1. Chaque tableau de tâches représentant un programme d'études contient les différents aspects de chaque événement de formation, notamment le nom de la tâche, le temps de traitement, les tâches précédentes, la probabilité d'échec de l'élève, les besoins en ressources du pilote, les besoins en ressources de l'opérateur du capteur, les besoins en équipement, le processus de démarrage de la tâche et le processus d'achèvement de la tâche. Les probabilités d'échec des élèves pour chaque événement sont basées sur des données historiques. Tous les délais de traitement des tâches sont fixés à huit heures, car il faut normalement une journée entière pour les mener à bien.
Certaines tâches peuvent être accomplies dans un ordre différent, en fonction des conditions préalables requises. La composante prédécesseur permet aux étudiants d'effectuer les tâches selon différents schémas, en fonction de la disponibilité de l'instructeur et de l'équipement. Les exigences relatives au pilote, à l'opérateur de capteur et à l'équipement contiennent la liste des instructeurs ou de l'équipement (avion ou simulateur) applicables à l'événement en question. Pour certains événements, seul un instructeur en classe est requis, et une ressource fictive est utilisée pour combler l'autre besoin d'instructeur. Par ailleurs, certaines journées académiques sont strictement informatisées et ne dépendent d'aucune ressource.
La tâche de départ de chaque formation est soit un processus individuel réalisé par chaque étudiant, soit un événement réalisé par un ensemble de deux étudiants (super-sortie), soit un cours académique réalisé par une classe entière d'étudiants. Le processus individuel vérifie que les ressources sont disponibles pour l'étudiant et que celui-ci n'est pas en train d'effectuer d'autres tâches. Si ces deux critères sont remplis, l'étudiant saisit les ressources appropriées pour la durée de la tâche. Pour les tâches des super-sorties et des classes académiques, le processus de démarrage de la tâche fait attendre les entités étudiantes jusqu'à ce que le nombre approprié d'étudiants soit disponible. Une fois le temps de traitement écoulé dans la simulation, le processus d'achèvement de la tâche est mis en œuvre. Ce processus est similaire pour tous les événements : l'étudiant libère les ressources saisies pour la tâche.
Un tirage au sort permet de déterminer si l'étudiant a échoué à l'épreuve. Si l'élève échoue, il n'a pas satisfait à l'exigence du prédécesseur pour la tâche suivante et répétera la tâche jusqu'à ce qu'il la réussisse.
Les entités représentent un équipage, composé d'un élève pilote et d'un élève opérateur de capteurs, qui passe par les événements de chaque cours. L'arrivée des étudiants a été déterminée par la moyenne historique du nombre de classes et de leur taille. Pour le cours IQT, les étudiants arrivent tous les 41 jours, tous les 365 jours pour le cours TX-2, tous les 219 jours pour le cours TX-3, tous les 183 jours pour le cours TX-4 et tous les 37 jours pour la piste FIUT. La taille moyenne historique des classes pour le cours IQT était de dix étudiants, de six étudiants pour le cours TX-4, et les autres cours avaient tous une taille moyenne de deux étudiants.
Les hypothèses du modèle sont nécessaires pour saisir correctement les aspects réels de l'ATKS qui ne peuvent pas être recréés dans la simulation. Les données fournissent des informations sur l'indisponibilité des enseignants, mais elles ne sont pas ventilées par motif. Par conséquent, le pourcentage d'instructeurs indisponibles a été implémenté comme une proportion déterministe par jour de l'ensemble de la banque d'instructeurs.
Les conditions météorologiques entravent également la capacité à mener à bien la formation. Pendant la saison des pluies (juillet à septembre), de nombreux vols programmés sont soit effectués en simulation, soit annulés. Plutôt que d'appliquer l'effet saisonnier des conditions météorologiques, le modèle applique un taux moyen global d'annulation des vols en raison des conditions météorologiques. Cette probabilité est appliquée simultanément à tous les aéronefs.
La maintenance des aéronefs et des simulateurs entraîne également des retards dans la formation. Les temps d'arrêt de ces deux types d'équipement sont pris en compte grâce à un facteur de fiabilité indépendant intégré à chaque ressource matérielle. Le temps de disponibilité entre les pannes est déterminé à l'aide d'une distribution uniforme avec un temps d'indisponibilité supposé d'un jour.
Le cours FIUT est utilisé pour former les étudiants qui deviendront instructeurs pour les quatre autres cours dispensés. Tous les vols requis pour le cours dépendent du déroulement du programme de l'IQT, les étudiants de la FIUT instruisant les étudiants de l'IQT dans le cadre des exigences de leur cours. Cet aspect de la formation FIUT n'a pas été modélisé en raison de la complexité de la situation réelle de formation. Les retards dus à cette dépendance ont été intégrés dans le tableau des tâches du cours de FIUT pour représenter le délai.
Toutes les données utilisées pour l'entrée du modèle ont été fournies par le 9e ATKS et le 16e escadron d'entraînement (16 ETA). Le directeur adjoint des opérations du 16e Escadron d'entraînement supervise les opérations du 9e Escadron d'entraînement et conserve des données historiques sur le nombre d'étudiants qui suivent les cours et sur les taux de disponibilité des instructeurs. La 16ème TRS a également fourni les taux d'annulation des vols en raison des conditions météorologiques et des problèmes de maintenance. Les informations sur le nombre d'instructeurs et leurs compétences ont été fournies par le directeur du personnel de la 9ème ATKS, ce qui a guidé la création des listes de ressources et le nombre de ressources représentatives des opérations actuelles. Les préférences en matière de sélection des instructeurs ont été fournies par le planificateur de l'EPER, qui a également donné des indications sur l'utilisation moyenne des instructeurs pour des tâches supplémentaires, ce qui a permis de créer un modèle plus réaliste. Le planificateur a également fourni le nombre moyen de vols effectués chaque semaine par chaque type d'instructeur et la fréquence à laquelle les membres doivent effectuer des vols de recertification.
L'objectif de l'étude était de fournir des informations sur le nombre d'instructeurs nécessaires pour atteindre le nombre souhaité d'élèves terminant leur formation dans un laps de temps donné. Pour la validation du modèle et l'analyse des opérations, l'utilisation de l'avion, du simulateur et de l'instructeur a été enregistrée. Afin de fournir des indications sur les points susceptibles d'être améliorés, le temps d'attente pour l'exécution de chaque tâche a été enregistré afin d'identifier les événements qui, dans chaque programme, entraînaient des retards.
Tout au long de la construction du modèle, les membres des 9 ATKS les plus familiers avec les fonctions de l'escadron ont été consultés pour confirmer l'exactitude des représentations dans le modèle. Le nombre d'étudiants a été contrôlé à l'aide d'un affichage visuel pendant les essais, montrant le nombre d'étudiants actuellement dans le cours et le nombre d'étudiants qui ont terminé le cours. Cela a permis de vérifier que les cours commençaient et se terminaient en même temps et que les étudiants suivaient avec succès l'ensemble du programme. En outre, pour établir une base de référence, le nombre de jours nécessaires pour terminer le programme a été enregistré dans des conditions parfaites, sans annulation pour des raisons météorologiques ou de maintenance, et avec tous les instructeurs disponibles. Le temps nécessaire à la réalisation du programme pour chaque classe d'étudiants correspondait directement à la projection du programme du cours de formation initiale à la qualification et à la requalification du MQ-9.
Le modèle a été validé en comparant le temps nécessaire à l'achèvement de chaque programme avec les résultats historiques fournis. La simulation a été réalisée avec le même nombre d'étudiants que ceux qui ont suivi les différents cours de formation par le passé. La simulation a effectué vingt cycles pendant 730 jours. Le nombre moyen de jours nécessaires pour terminer chaque cours a été comparé au nombre moyen de jours nécessaires aux étudiants simulés pour terminer chaque cours. Un intervalle de confiance modifié à deux échantillons n'a pas indiqué de différence significative entre le temps moyen d'achèvement simulé et le temps d'achèvement historique.
En outre, le nombre historique d'étudiants ayant terminé chaque syllabus en 2017-2018 a été comparé au nombre simulé d'étudiants ayant terminé chaque syllabus. Avec un débit presque identique dans le monde réel et les données simulées pour tous les syllabus, le modèle a été validé comme capturant avec précision les opérations actuelles.
Le 9e ATKS prévoit une augmentation de la demande d'équipages de MQ-9 entraînés et, par conséquent, une augmentation de la taille des classes IQT. Afin d'évaluer l'impact de l'augmentation de la taille des classes sur l'escadron, des expériences ont été menées avec une fourchette de 10 à 18 étudiants par classe. En outre, le 9e ATKS souhaitait connaître l'impact d'une augmentation du nombre d'instructeurs sur le flux d'étudiants, ce qui a conduit à une expérience consistant à augmenter le nombre d'instructeurs actuels jusqu'à 100 % des niveaux autorisés, soit une augmentation pouvant aller jusqu'à 18 pour les pilotes et les opérateurs de capteurs. Une autre solution étudiée consistait à augmenter la fréquence des cours. Une expérience a été menée avec des intervalles entre les classes passant de tous les 50 jours à 40 et 30 jours. Les niveaux des instructeurs sont restés constants et la taille des classes a varié de 10 à 18 étudiants. Les niveaux des instructeurs sont restés constants et la taille des classes a varié de 10 à 18 étudiants. Les résultats des expériences ont été utilisés.
Après validation, les données d'entrée du modèle ont été mises à jour pour refléter la taille typique des classes de l'IQT, avec sept classes enseignées par an. Vingt réplications du modèle actualisé reflétant les opérations normales ont été exécutées pendant 730 jours, avec les paramètres d'entrée énumérés dans le tableau 3. Les données de sortie ont été analysées pour déterminer les taux d'utilisation des ressources. Le taux d'utilisation global par type d'équipement indique que les avions et les simulateurs ont des taux d'utilisation de 50,2 % et 57,9 %, respectivement. Cela indique que la disponibilité de ces ressources dans des conditions normales d'exploitation n'est pas un facteur limitant le débit des élèves.
Les taux d'utilisation moyens des instructeurs, par ensemble de compétences, incluent les 12 % de temps où ils sont saisis pour des tâches en dehors de l'instruction et sont sensiblement plus élevés que les ressources en aéronefs et en simulateurs. Les pilotes instructeurs qualifiés en tant que superviseur des opérations (TOP 3), évaluateur de vol en service supplémentaire/évaluateur de vol (ADFE/FE), lancement et récupération (LR) et toutes les compétences avancées sont utilisés plus de 90 % du temps. Les instructeurs désignés (DI), qui sont les plus utilisés pour les cours FIUT, ont un taux d'utilisation de près de 86%. Les instructeurs qualifiés uniquement pour les simulateurs sont utilisés à 77 %. Les taux d'utilisation des opérateurs de capteurs sont inférieurs à ceux des pilotes en raison du nombre plus restreint de tâches supplémentaires qu'ils doivent accomplir. De nombreux instructeurs possèdent des qualifications multiples et les taux d'utilisation ne s'excluent donc pas mutuellement.
L'effet d'instructeurs supplémentaires sur le débit des élèves de l'IQT a été analysé en augmentant le nombre de pilotes et d'opérateurs de capteurs de différents ensembles de compétences par augmentation. Comme prévu, l'augmentation du nombre d'instructeurs a permis d'augmenter le nombre moyen d'étudiants ayant terminé le cours par an et de réduire le temps moyen nécessaire pour terminer le cours. Un intervalle de confiance t apparié a été utilisé pour identifier les différences significatives dans le nombre moyen d'étudiants terminant le programme IQT en un an et dans le temps moyen d'achèvement. Le modèle de base a été analysé par rapport à chaque augmentation du nombre d'instructeurs, ainsi que par rapport à chaque comparaison par paire entre les augmentations du nombre d'instructeurs. Des différences significatives par rapport au modèle de base sont observées lorsque six instructeurs ou plus sont ajoutés, comme le montre le tableau 4. Les augmentations au-delà de six instructeurs ne se traduisent pas par un nombre significativement plus élevé d'étudiants complétant le syllabus en un an, mais réduisent le temps d'achèvement du syllabus, tandis que l'ajout de neuf instructeurs n'entraîne pas d'amélioration du temps d'achèvement. On peut raisonnablement supposer que l'atténuation de l'amélioration peut être attribuée au fait que les enseignants ne sont plus le facteur limitant du débit des étudiants.
Les temps d'attente des étudiants pour chaque tâche ont également été collectés. Sur les 72 tâches du programme de l'IQT, 33 avaient un temps d'attente moyen supérieur à un jour, 19 d'entre elles étant des cours académiques nécessitant que toute la classe les accomplisse ensemble. La tâche 39 a le temps d'attente moyen le plus long et suit une série de sept vols, dont deux ont le taux d'échec le plus élevé du programme. Les cours théoriques représentent 55,1 % des temps d'attente, tandis que les vols en avion et en simulateur représentent respectivement 24,2 % et 20,7 % des temps d'attente. Le tableau 5 indique le temps d'attente moyen et le temps d'attente le plus long observé pour les tâches dépassant un temps d'attente moyen de deux jours.
Avec un niveau d'effort normal, l'ATKS 9 devrait produire 120 BCE par an. Le débit annuel de BCE, par programme, dans la simulation de base est indiqué dans le tableau 6. Dans le cadre d'opérations normales, avec les effectifs actuels, la taille des classes et la fréquence des cours, l'objectif de 120 BCE est réalisable.
L'ATKS s'est également intéressée à l'estimation du débit si le soutien des contractants était remplacé par des effectifs militaires. L'effectif actuel comprend 15 pilotes et 18 opérateurs de capteurs sous contrat, dont huit et sept, respectivement, sont certifiés pour enseigner uniquement dans les simulateurs. La simulation s'est déroulée sur 730 jours avec 20 répétitions de chaque scénario en utilisant uniquement les instructeurs non contractuels. Chaque scénario a augmenté le nombre d'instructeurs pilotes et opérateurs de capteurs de trois, jusqu'à ce que 24 instructeurs de chaque type soient ajoutés au modèle. Cette analyse a permis de constater que les effectifs des sous-traitants ont un impact sur le nombre d'élèves. Un intervalle de confiance t apparié a permis de déterminer que 12 à 15 pilotes militaires et opérateurs de capteurs supplémentaires seraient nécessaires pour atteindre un débit et des délais d'achèvement similaires à ceux actuellement constatés en cas de suppression de la force de sous-traitance, comme le montre le tableau 7.
L'intérêt étant porté sur l'augmentation du débit des étudiants pour le programme de l'IQT, les deux facteurs de réponse qui indiquent le mieux le débit des étudiants sont le nombre d'étudiants qui terminent le programme en un an et le temps d'achèvement du cours. Les deux facteurs contrôlables qui ont un impact sur le rendement des étudiants sont la modification du nombre d'instructeurs et de la taille des classes. Un plan expérimental a été mis en œuvre pour identifier les niveaux d'augmentation du nombre d'instructeurs et de la taille des classes qui auraient le plus d'impact sur le débit des étudiants.
L'éventail des tailles de classe à prendre en considération était basé sur les données historiques et sur les prévisions de taille des classes à l'avenir. La fourchette des effectifs d'instructeurs était basée sur les niveaux d'effectifs autorisés et allait de zéro à une augmentation de 18 instructeurs pour les pilotes et les opérateurs de capteurs. Les niveaux sélectionnés pour chaque facteur sont énumérés ci-dessous dans le tableau 8. Un plan composite central avec des points axiaux sur la face et un point central supplémentaire a été utilisé pour analyser les différents niveaux de taille des classes d'instructeurs et d'étudiants.
Dix scénarios ont été analysés avec un modèle complet de second ordre à l'aide de JMP. Afin de satisfaire aux hypothèses relatives à la surface de réponse, une transformation de Box-Cox a été appliquée à la réponse, ce qui a permis de résoudre les problèmes de validité du modèle. Les équations (1) et (2) fournissent le modèle réduit de surface de réponse en espace codé pour le nombre annuel d'étudiants ayant terminé et le temps moyen nécessaire pour terminer le programme de l'IQT.
Des cartes thermiques ont été créées avec un éventail de combinaisons possibles pour chaque équation de prédiction. La figure 2 montre que les temps d'achèvement les plus courts sont obtenus lorsque la taille des classes est plus petite et qu'il y a plus d'instructeurs. Le débit des étudiants est maximisé lorsque la taille des classes est la plus grande, mais n'est pas radicalement affecté par l'augmentation du nombre d'instructeurs, comme le montre la figure (3).
Pour approfondir l'analyse de la relation entre la taille des classes, les instructeurs, le débit des étudiants et le temps nécessaire pour terminer le programme de l'IQT, la fonction complémentaire d'OptQuest a été utilisée. La taille des classes a été augmentée par deux, tandis que l'augmentation du nombre d'instructeurs a été fixée à trois. Chaque scénario développé par OptQuest a été exécuté au moins dix fois afin de produire une moyenne de débit et de temps d'achèvement pour les étudiants. Chaque objectif a été optimisé individuellement. Lorsqu'il est maximisé, le nombre d'étudiants est de 125 en 186,7 jours avec 18 instructeurs supplémentaires et des classes de 18 personnes. La minimisation du temps d'achèvement a permis d'obtenir 140,6 jours, avec 68 étudiants terminant le cours IQT en un an. Ce résultat a été obtenu avec des classes de 10 personnes et 12 instructeurs supplémentaires. Ces résultats ont été comparés au modèle de base avec des classes de 16 élèves et aucun instructeur supplémentaire, les deux réponses étant significativement différentes.
Les deux objectifs ont été normalisés et pondérés de manière égale pour la fonction multi-objectifs d'OptQuest. Tous les scénarios expérimentaux envisagés ont été exécutés et terminés avec une taille de classe de 16 et une augmentation du nombre d'instructeurs de 15 comme solution optimale. Ces valeurs variables ont produit un débit moyen de 116 étudiants et un temps moyen d'achèvement de 167,3 jours. Avec cette solution optimale, l'écart entre le nombre d'étudiants ayant terminé le cours et le meilleur débit de 126 est de dix étudiants, tandis que le temps d'achèvement montre un écart de 26 jours par rapport au meilleur temps d'achèvement de 141,3 jours. Les solutions trouvées à l'aide des équations de prédiction de la surface de réponse étaient similaires lorsque l'on évaluait les objectifs individuellement. Cependant, lors de l'utilisation d'OptQuest, seuls les scénarios pouvant être traités par le modèle sont exécutés, ce qui limite l'espace de solution à des classes de taille égale et à l'ajout d'instructeurs par incréments de trois.
Pendant les périodes de pointe, le 9e cours de l'ATKS devrait produire 140 BCE par an. Les quatre autres cours étant maintenus constants, il faut 125 étudiants pour terminer le programme de l'IQT au cours de l'année. Comme le montre la figure 3, une telle exigence nécessite un effectif de 18 élèves par classe et une augmentation du nombre d'instructeurs de 17 ou 18. Dans le cadre des effectifs actuels, une augmentation de la taille des classes ne permet de former en moyenne que 114 étudiants par an et d'augmenter le taux d'utilisation des instructeurs de 3 %. C'est pourquoi la fréquence des cours a été étudiée. En ajustant la fréquence et la taille des classes, un plan d'expériences a été réalisé pour identifier les effets sur le débit des étudiants. Les niveaux de taille des classes sont restés les mêmes que dans le tableau 8, tandis que les valeurs codées pour la fréquence des cours allaient de 30 à 50 jours. Un plan composite central avec des points axiaux sur la face et deux points centraux a été utilisé pour analyser les différents taux d'arrivée et la taille des classes.
Des modèles de second ordre mesurant les effets sur le débit des étudiants et le temps d'achèvement ont été analysés. Les équations (3) et (4) fournissent les surfaces de réponse réduites dans l'espace codé pour le débit et le temps d'achèvement, respectivement.
Le débit des étudiants a été maximisé avec une fréquence de cours de 30 jours et une taille de classe de 14, ce qui a donné 126 étudiants par an et un temps d'achèvement moyen de 272,1 jours. Le temps d'achèvement a été minimisé avec dix étudiants arrivant tous les 49 jours, ce qui a permis à 69 étudiants d'achever leur formation chaque année, avec un temps d'achèvement moyen de 145 jours. Les solutions optimales pour les deux objectifs ont produit un débit moyen et un temps d'achèvement significativement différents de la ligne de base. Les cartes thermiques, présentées dans les figures 4 et 5, illustrent l'éventail des combinaisons pour le débit et les délais d'achèvement. Plus important encore, cela montre que les modifications apportées à la fréquence et à la taille des classes permettent de répondre à l'exigence d'une augmentation de 125 étudiants sans effectifs supplémentaires.
En simulant le débit maximal de 126 élèves, obtenu avec une classe de 14 élèves arrivant tous les 30 jours, l'utilisation des pilotes et des opérateurs de capteurs était respectivement de 94,1 % et de 77,8 %, soit une augmentation de 5,5 % et de 2,9 % par rapport aux opérations de base, mais il est possible de produire 18 équipages de MQ-9 supplémentaires par an en moyenne.
L'analyse et les résultats du modèle sont précieux pour les décideurs, car ils peuvent avoir besoin d'ajuster de multiples facteurs pour répondre à la demande de la FA en matière d'équipages de MQ-9. La simulation a permis d'analyser les opérations de l'ATKS 9 sans perturber la formation en cours. À partir des scénarios testés dans la simulation, des équations de régression multiples ont été développées qui peuvent être utilisées pour fournir des prévisions sur le débit des étudiants et le temps d'achèvement des cours. Un aperçu du système réel a été obtenu en analysant différents aspects de la simulation lorsque les paramètres étaient représentatifs des effectifs et des opérations actuels. Des hypothèses et des simplifications ont été nécessaires pour représenter le système réel dans la simulation d'événements discrets, et les résultats sont donc fiables, mais pas précis.
Les effectifs actuels permettent de dépasser le nombre annuel d'étudiants souhaité. Cependant, cela nécessite une forte utilisation des pilotes les plus qualifiés. Si les étudiants ont parfois été retardés en raison de vols de cours sur l'avion ou le simulateur, ce sont les cours qui ont causé les retards les plus importants, en grande partie parce que les étudiants doivent suivre des cours en classe.
L'analyse a permis de déterminer que la taille des classes avait plus d'influence sur le débit des étudiants que le nombre d'instructeurs. Si le nombre de cours IQT par an ne change pas, 17 à 18 personnes supplémentaires, tant pour les pilotes instructeurs que pour les opérateurs de capteurs, seraient nécessaires pour atteindre l'objectif de 125 étudiants IQT terminant le cours chaque année. Une telle augmentation des effectifs à 100 % des niveaux autorisés permettrait de répondre à une demande de 140 BCE. Toutefois, il est possible de répondre à cette demande sans augmenter les effectifs en adaptant la taille des classes et en augmentant la fréquence des arrivées.
Les efforts futurs seraient améliorés en augmentant la fidélité du modèle des opérations quotidiennes aux opérations horaires. Cela permettrait une évaluation plus précise de l'utilisation des instructeurs, et permettrait aux instructeurs d'effectuer plus d'un vol par jour. En outre, cela permettrait de modéliser des cours académiques individuels en utilisant des instructeurs spécifiques pour chaque leçon. Une collecte de données accrue et continue sur les taux d'échec par événement peut permettre de prévoir avec plus de précision la réussite globale des étudiants. La collecte de données plus spécifiques sur la disponibilité des instructeurs pourrait permettre d'individualiser les temps d'arrêt. L'impact des différentes pondérations des objectifs pourrait être simulé pour donner un aperçu de l'établissement des priorités. En outre, une distribution des arrivées pourrait être déterminée pour être utilisée dans le modèle afin de capturer plus précisément la variation des arrivées en classe.
Les opinions exprimées dans cet article sont celles des auteurs et ne reflètent pas la politique ou la position officielle de l'armée de l'air des États-Unis, du ministère de la défense ou du gouvernement américain.
THOMAS TALAFUSE est professeur adjoint de recherche opérationnelle au département des sciences opérationnelles de l'Air Force Institute of Technology et titulaire d'un doctorat en ingénierie industrielle de l'université de l'Arkansas. Ses recherches portent sur la fiabilité, l'analyse des risques et les statistiques appliquées. Son adresse électronique est la suivante: tom.talafuse@gmail.com.
LANCE CHAMPAGNE est titulaire d'une licence en ingénierie biomédicale de l'université de Tulane, d'une maîtrise en recherche opérationnelle et d'un doctorat en recherche opérationnelle de l'Air Force Institute of Technology (AFIT). Il est professeur adjoint de recherche opérationnelle au département des sciences opérationnelles de l'Air Force Institute of Technology et ses recherches portent notamment sur la simulation à base d'agents, la modélisation des combats et les techniques d'analyse multivariée. Son adresse électronique est la suivante: lance.champagne@afit.edu.
ERIKA GILTS est analyste en recherche opérationnelle dans l'armée de l'air américaine et est affectée à la base aérienne de Ramstein, en Allemagne. Elle est titulaire d'une licence en mathématiques de l'université d'Anderson et d'une maîtrise en recherche opérationnelle de l'Institut de technologie de l'armée de l'air. Ses recherches portent sur la modélisation et la simulation, l'analyse des opérations militaires, l'exploration de textes et les statistiques appliquées. Son adresse électronique esterika.gilts@gmail.com.
April, J., F. Glover, J. P. Kelly et M. Laguna. 2003. "Introduction pratique à l'optimisation de la simulation". Dans Proceedings of the 2003 Winter Simulation Conference, édité par S. Chick, P. Sanchez, D. Ferrin, et D. Morrice, 71 - 78. Piscataway, NJ : Institute of Electrical and Electronics Engineers, Inc.
Banks, J., J. S. Carson, B. L. Nelson et N. M. David. 2010. Discrete-Event System Simulation. Cinquième édition. Upper Saddle River, New Jersey : Pearson Education, Inc.
Billionnet, A. 1999, 4. "Integer Programming to Schedule a Hierarchical Workforce with Variable Demands". European Journal of Operational Research 114(1):105-114.
Département de l'armée de l'air 2018. Cours de formation à la qualification initiale et à la requalification du MQ-9. Joint Base Langley-Eustis, Virginie : Headquarters Air Combat Command.
Ghalwash, M. F., X. H. Cao, I. Stojkovic et Z. Obradovic. 2016. "Structured Feature Selection Using Coordinate Descent Optimization" (Sélection de caractéristiques structurées à l'aide de l'optimisation de la descente de coordonnées). BMC Bioinformatics 1(17):158-172.
Jun, J. B., S. H. Jacobson, et J. R. Swisher. 1999. "Application of Discrete-Event Simulation in Health Care Clinics : A Survey". Journal of the Operational Research Society 50:109-123.
Kleijnen, J. P. C., et J. Wan. 2007. "Optimisation des systèmes simulés : OptQuest and Alternatives". Simulation Modelling Practice and Theory 15:354-362.
Kumar, A. P., et R. Kapur. 1989. "Discrete Simulation Application - Scheduling Staff for the Emergency Room". Dans Proceedings of the 1989 Winter Simulation Conference, édité par E. MacNair, K. Musselman, et P. Heidelberger, 1112-1120. New York, NY : Association for Computing Machinery.
Prochaska, K., et R. M. Thiesing. 2008. "Introduction to Simio". In Proceedings of the 2008 Winter Simulation Conference, édité par S. Mason, R. Hill, L. Monch, O. Rose, T. Jefferson, et J. Fowler, 229-235. Miami, FL : Institute of Electrical and Electronics Engineers, Inc.
Ryan, D., et B. Foster. 1981. "An Integer Programming Approach to Scheduling". Dans Computer Scheduling of Public Transport, édité par A. Wren, 269-280. North-Holland Publishing Company.
Seguin, R., et C. Hunter. 2013. "2 Canadian Forces Flying Training School Resource Allocation Simulation Tool (outil de simulation de l'allocation des ressources de l'école de pilotage des Forces canadiennes). Dans Proceedings of the 2013 Winter Simulation Conference, édité par R. Pasupathy, S. Kim, A. Tolk, R. Hill, et M. Kuhl, 2866- 2877. Washington DC : Institute of Electrical and Electronics Engineers, Inc.
Sepulveda, J. A., W. J. Thompson, F. F. Baesler et M. I. Alvarez. 1999. "The Use of Simulation for Process Improvement in a Cancer Treatment Center". Dans Proceedings of the 1999 Winter Simulation Conference, édité par P. Farrington, H. Nembhard, D. Sturrock, et G. Evans, 1541-1548. Piscataway, NJ : Institute of Electrical and Electronics Engineers, Inc.
Winston, W. 2004. Operations Research:Applications and Algorithms. Belmont, CA : Brooks/Cole.