Réduction des émissions aéroportuaires liées aux taxis grâce à une attribution des stations tenant compte des perturbations

La gestion des aéroports est souvent confrontée à la tâche de gérer les positions de stationnement des avions le plus efficacement possible, tout en respectant les réglementations environnementales et les restrictions de capacité. Souvent, cette tâche est en outre affectée par diverses perturbations qui nuisent à la ponctualité des opérations aéroportuaires. Cet article présente une approche innovante pour obtenir une affectation efficace des postes de stationnement en tenant compte de la nature stochastique de l'environnement aéroportuaire et de l'objectif de réduction des émissions de l'industrie moderne du transport aérien. Ce document illustre l'application de la méthodologie présentée combinée à la simulation et démontre l'impact de l'application de la modélisation bayésienne et de l'optimisation métaheuristique pour la réduction des émissions liées aux taxis.

Introduction

Les aéroports modernes sont confrontés à un défi mondial consistant à réduire de manière significative les émissions de polluants et à évoluer vers des opérations neutres en carbone tout en faisant face à la croissance rapide du trafic aérien et en maintenant le niveau de service requis (OACI 2019a). Les émissions produites par les activités aéroportuaires influencent la qualité de l'air au niveau local dans et autour des aéroports. L'une des principales sources d'émissions à l'aéroport est l'exploitation des aéronefs, comme l'atterrissage, le roulage et le décollage (OACI 2019b). Ainsi, outre les innovations technologiques et le passage à des carburants aéronautiques durables, l'amélioration de l'efficacité de ces opérations est considérée dans le cadre des mesures globales de l'industrie aérienne (ATAG 2020).

Le niveau des émissions produites pendant le roulage dans l'aéroport dépend de la quantité de carburant consommée et du temps pendant lequel un aéronef doit se déplacer entre sa position de stationnement assignée (stand) et les points d'entrée/sortie de la piste. En général, plus d'un tiers des émissions totales des aéronefs en dehors de la phase de croisière peut être généré pendant le roulage (Fleuti et Maraini 2017). Il est donc nécessaire de répartir les aéronefs de manière à minimiser la distance et le temps de roulage, ce qui permet de réduire la consommation de carburant et les émissions qui en découlent.

Le programme d'affectation des stands peut souvent être perturbé par des changements de dernière minute dans l'horaire des vols au cours de la journée. Ces changements peuvent entraîner des temps de rotation plus longs et une détérioration des performances de l'aéroport. En conséquence, certains aéronefs peuvent devoir attendre au sol et d'autres dans les airs dans la zone de gestion terminale de l'aéroport, ce qui se traduit par une augmentation de la consommation de carburant et des émissions. Une gestion inefficace des installations terminales peut entraîner une propagation des perturbations de l'horaire aux vols successifs et aux aéroports connectés, ce qui a également une incidence sur le niveau des émissions. Il est donc nécessaire de gérer efficacement les installations terminales, telles que les postes de stationnement, afin d'atténuer l'impact des perturbations des horaires et de réduire simultanément le niveau des émissions polluantes créées pendant le roulage.

Le problème de l'attribution des postes de stationnement (également connu sous le nom de problème d'affectation des postes de stationnement), abordé dans le présent document, a déjà été abordé par de nombreux chercheurs. Cependant, seuls certains d'entre eux ont pris en compte le caractère stochastique des opérations aéroportuaires dans leur méthodologie. Très souvent, pour réduire le nombre de conflits d'attribution de postes de stationnement et les temps d'attente des avions qui en découlent, un poste de stationnement dispose d'un certain temps d'inactivité entre deux vols consécutifs qui lui sont attribués. Ce temps d'inactivité est appelé temps tampon et s'est avéré être la meilleure mesure de travail pour les écarts de vol jusqu'à 30 minutes (Hassounah et Steuart 1993 ; Yan et Chang 1998 ; Yan et Huo 2001 ; Yan et al. 2002). Néanmoins, une telle mesure peut réduire de manière significative la capacité du terminal de l'aéroport et devrait donc être évitée dans les aéroports modernes encombrés.

On estime que l'attente au ralenti et le roulage au sol contribuent le plus à la consommation de carburant des aéronefs et aux émissions des aéroports (Nikoleris et al. 2011). Par conséquent, les objectifs de réduction de l'attente au ralenti et d'optimisation de l'empreinte du roulage ont été abordés par de nombreux chercheurs. Duinkerken et al. (2013), Li et Zhang (2017) ont estimé que l'utilisation d'une approche monomoteur, d'un moteur électrique externe et de sources de remorquage pour le roulage peut réduire considérablement les émissions. Tsao et al. (2009) ont démontré que le temps d'attente au sol des avions peut être réduit par l'optimisation des séquences de roulage et de décollage. Les applications du contrôle du refoulement, de la mise en attente des portes d'embarquement et de l'optimisation des séquences de départ (Simaiakis et Balakrishnan 2016) appliquées par Khadilkar et Balakrishnan (2012), Simaiakis et al. (2014), et Ashok et al. (2017) ont montré une réduction significative des émissions liées à l'encombrement des voies de circulation et des pistes.

Bien que les méthodes susmentionnées aient permis de réduire l'empreinte environnementale, certaines d'entre elles ont également entraîné une augmentation du temps d'occupation des stands, réduisant ainsi considérablement la capacité de l'aéroport, ce qui peut devenir problématique dans les aéroports encombrés. En outre, ces travaux n'ont pris en compte ni les perturbations de l'heure d'arrivée des vols, ni le roulage entre la piste et les stands (la phase de roulage), qui peuvent avoir un impact considérable sur le temps de roulage et les émissions qui y sont liées (Hao et al. 2016). Afin de combler les lacunes dans ce domaine et de fournir à la gestion du transport aérien une méthodologie permettant d'améliorer à la fois l'efficacité et l'impact environnemental des opérations d'affectation des stands, cet article présente la manière dont ces deux objectifs peuvent être combinés dans l'affectation des stands et démontre leur réalisation à l'aide de techniques de simulation.

Cet article présente une application bi-objective d'une approche d'affectation des postes de stationnement, introduite précédemment par Bagamanova et Mujica Mota (2020), pour évaluer diverses politiques d'affectation des postes de stationnement en termes de sensibilité aux perturbations du calendrier et d'empreinte environnementale. La méthodologie présentée combine les avantages de l'exploration de données et de l'optimisation évolutionnaire pour générer une affectation de stand qui minimise les émissions et, en utilisant la simulation, l'efficacité contre les déviations possibles du calendrier et la réduction des émissions qui en découle est prouvée. L'approche présentée apprend les probabilités de déviation des horaires en fonction des caractéristiques des vols programmés à l'aide de la modélisation bayésienne multiniveaux (Bürkner 2017) à partir des données historiques de performance des aéroports. Ces probabilités sont ensuite utilisées pour calculer le niveau de déviation le plus probable pour chaque vol dans le programme de vol cible. Les écarts calculés sont ensuite pris en compte dans la génération de l'affectation des stands, qui est optimisée pour atteindre l'objectif de minimisation des émissions générées pendant le roulage d'un avion.

Le présent document se poursuit comme suit. La section 2 présente la méthodologie d'affectation des postes de stationnement. La section 3 présente une étude de cas et les résultats d'expériences de simulation. Les conclusions et les recherches ultérieures sont présentées à la section 4.

La méthodologie

La méthode d'attribution des places de stationnement présentée dans ce document se compose d'une approche à deux modules et d'expériences dans un modèle de simulation. L'approche à deux modules génère des affectations de stands optimisées sur la base du programme de vols cible, des données historiques sur les perturbations du programme pour la période précédente, et des politiques d'affectation et des objectifs d'optimisation définis par l'utilisateur. Ensuite, les attributions obtenues sont estimées dans le modèle de simulation qui permet d'évaluer la qualité de l'empreinte environnementale des attributions de stands générées par l'approche à deux modules dans le cadre de la stochasticité d'un système aéroportuaire réel.

Description de l'algorithme

Cette section donne une brève description de l'approche à deux modules qui génère des affectations de stands optimisées. Une description plus générale peut être trouvée dans Bagamanova et Mujica Mota (2020).

L'approche à deux modules est composée de deux éléments. Le module I se charge d'estimer les probabilités de déviation des horaires à partir des données historiques de l'aéroport. Ces probabilités sont exprimées sous la forme de modèles de distribution bayésiens et décrivent la probabilité de certains niveaux d'écarts de programmation pour diverses caractéristiques de vol disponibles dans les données historiques (par exemple, le nom de la compagnie aérienne, l'heure d'arrivée prévue et le jour de la semaine). La prise en compte des perturbations probables dans la planification de l'affectation vise à réduire le temps d'inactivité que les aéronefs pourraient avoir à passer dans l'attente de la disponibilité du stand prévu et les émissions correspondantes.

Le module II affecte le programme de vol cible aux stands disponibles, en respectant la politique d'affectation et les restrictions définies par l'utilisateur, en tenant compte des perturbations les plus probables ou du niveau de probabilité défini par l'utilisateur dans les temps d'occupation des stands. L'affectation générée est ensuite optimisée à l'aide d'un algorithme génétique en fonction des objectifs d'optimisation spécifiés par l'utilisateur. Le résultat de cette optimisation n'est pas nécessairement une solution optimale, mais le caractère aléatoire utilisé dans l'algorithme génétique sous la forme d'opérateurs de croisement et de mutation nous permet d'obtenir une solution de bonne qualité dans un délai raisonnable (Bagamanova et Mujica Mota 2020). L'affectation des peuplements qui en résulte tient compte de la stochasticité sous la forme d'écarts de temps d'occupation des peuplements générés à partir des modèles de distribution des écarts de calendrier.

Objectif d'optimisation

Afin d'augmenter l'efficacité de l'attribution des stands et d'atténuer l'empreinte polluante, produite par le mouvement de l'avion au sol et l'immobilisation de l'avion en attendant la disponibilité du stand, la fonction d'objectif d'optimisation bi-objectif suivante a été mise en œuvre dans la composante d'optimisation du module II de l'approche à deux modules :
min(w₁ ∗ O_taxi+ w₂ ∗ O_hold)(1)
La fonction objectif (1) se compose des objectifs individuels suivants :

• Minimiser la distance des taxis vers et depuis les positions de stationnement et donc les émissions associées :
  O taxi = dsched.taxi ⁄ Max dairport
• Minimiser le nombre d'avions qui attendent la disponibilité d'un poste de stationnement et, par conséquent, l'utilisation des moteurs au ralenti :
  O hold = ∑fl. hold ⁄ ∑ fl.

Où :

• dsched.taxi ⁄- la distance moyenne de taxi vers et depuis le stand dans l'horaire alloué ;
• Max dairport la distance de roulage maximale possible à l'aéroport pour la configuration de piste considérée ;
• ∑fl. hold - le nombre d'avions qui doivent attendre la disponibilité du stand ;
• ⁄ ∑ fl - le nombre total d'aéronefs dans le programme à allouer ;
• wn - poids de la priorité pour l'objectif correspondant. Dans le cadre du présent document, toutes les pondérations sont égales à 1 afin d'obtenir une attribution de stand équilibrée pour les deux objectifs considérés. Dans la pratique, les différentes parties prenantes de l'aéroport peuvent décider des pondérations en fonction de leurs préférences.

Dans la mise en œuvre originale de l'approche à deux modules par Bagamanova et Mujica Mota (2020), la fonction d'objectif d'optimisation du module II comprenait également la maximisation de l'utilisation des stands de contact. Il s'agit d'une préférence générale pour de nombreux aéroports, car elle permet de tirer pleinement parti de l'aérogare en termes d'expérience des passagers et de réduire le nombre de véhicules de service au sol qui se déplacent sur l'aire de trafic. Néanmoins, il pourrait être intéressant d'étudier le coût environnemental de la priorisation de l'utilisation des stands de contact dans la composante d'optimisation dans le cadre de travaux futurs.

ÉTUDE DE CAS : AÉROPORT INTERNATIONAL DE MEXICO CITY

Cette section traite de l'application de l'approche à deux modules pour trouver des politiques d'affectation des stands plus efficaces d'un point de vue environnemental pour un aéroport d'étude de cas.

Informations générales

L'aéroport international de Mexico (code IATA : MEX) est le principal aéroport du Mexique, avec environ 450 000 atterrissages et décollages par an. Il y a deux terminaux, séparés par deux pistes parallèles. Ces pistes ne sont jamais exploitées simultanément en raison de leur proximité. Cette configuration limite la capacité de MEX et, depuis 2017, elle est officiellement limitée à 61 mouvements par heure, avec un maximum de 40 atterrissages (SCT 2017).

Dans le cadre de ce document, on considère que 26 compagnies aériennes opèrent dans deux terminaux au MEX, effectuant à la fois des vols internationaux et domestiques. Sur les 91 stands disponibles au MEX, seuls 84 ont été pris en compte dans ce document, le reste n'étant pas utilisé pour les vols de passagers. Ainsi, le Terminal 1 est représenté par 11 stands ouverts et 33 stands de contact, dont 16 stands sont dédiés aux vols domestiques et 17 aux vols internationaux. Le terminal 2 est représenté par 17 stands ouverts et 23 stands de contact, dont 13 sont utilisés pour les vols intérieurs et 10 pour les vols internationaux.

Perturbations des horaires et émissions

Au niveau mondial, le Mexique a généré en 2018 environ 1,5 % des émissions liées au transport aérien de passagers (Graver et al. 2019). MEX est situé à proximité directe des zones urbaines de Mexico, ce qui fait que l'aéroport affecte de manière significative la qualité de l'air et les niveaux de bruit de la ville. Selon SEDEMA (2018), MEX produit environ 15 % des émissions polluantes totales de la ville de Mexico.

En 2017, le Mexique a officiellement rejoint une initiative mondiale pour des opérations de transport aérien neutres en carbone (OACI 2020), ce qui implique que tous les aéroports du pays doivent suivre les politiques et les normes de réduction des émissions de l'OACI. Malgré ces faits, jusqu'à la date de rédaction du présent document, le site officiel de la MEX ne publiait aucune estimation officielle du niveau d'émissions de l'aéroport et ne divulguait aucune mesure visant à réduire l'empreinte environnementale de ses opérations.

MEX souffre fréquemment de problèmes de ponctualité. En 2018, seuls 67 % des vols ont été effectués à l'heure (SCT 2019) et plus de 20 % des vols au départ ont été retardés de 46 minutes en moyenne (Flightstats 2018). Compte tenu d'un tel niveau de perturbations et de l'engagement récent dans l'initiative mondiale de réduction de l'empreinte polluante, MEX devient une bonne cible pour l'application de l'approche à deux modules afin de découvrir le potentiel caché de réduction des émissions lié à la planification de l'affectation des stands.

Mise en œuvre de l'approche à deux modules

Comme données d'entrée pour cette étude, nous avons utilisé un rapport de performance officiel pour une période allant du 28.05.2018 au 03.06.2018, extrait de l'aéroport international de Mexico (2018). Ce rapport comprenait plus de 8 000 vols avec les heures d'arrivée réelles et prévues, les numéros de vol, les noms des compagnies aériennes et le type d'avion utilisé. Au cours de la semaine choisie, environ 7 % des vols à l'arrivée se sont écartés de plus d'une heure de leur horaire. Plus de 53 % des arrivées programmées ont subi un retard substantiel de plus de 15 minutes, ce qui constitue une perturbation importante pour un aéroport encombré.

En raison de l'indisponibilité de données réelles sur les temps de rotation et la correspondance entre les avions à l'arrivée et au départ, il a été supposé d'utiliser uniquement les vols de passagers à l'arrivée figurant dans le rapport obtenu et de définir un temps de rotation de 60 minutes pour tous les vols dans les expériences réalisées. Ces limitations ont réduit le nombre de vols à 3 914 arrivées, dont 31,7 % étaient des vols internationaux et 68,3 % des vols nationaux.

Les données sélectionnées de 3 914 vols ont été traitées dans le module I et les modèles bayésiens pour les écarts d'heure d'arrivée ont été construits, en supposant la corrélation des écarts avec le nom de la compagnie aérienne et l'heure d'arrivée prévue. La description détaillée des paramètres résultants des modèles de régression, composant le modèle bayésien sommatif, et des résultats du module I se trouve dans Bagamanova et Mujica Mota (2020).

Enfin, le module II a créé une affectation, en tenant compte des déviations programmées les plus probables et des restrictions de la politique d'affectation, et l'a optimisée en fonction de la fonction objective (1). L'approche à deux modules étant considérée comme une solution de remplacement plus efficace que les temps tampons traditionnellement utilisés, aucun temps tampon n'a été ajouté intentionnellement entre les vols consécutifs affectés au même stand pour la génération de l'affectation au stand dans le module II. Les statistiques d'affectation qui en résultent sont présentées dans la figure 1.

Chaque aéroport a ses propres restrictions en matière de politique d'attribution des postes de stationnement, ce qui implique une certaine utilisation des postes de stationnement. Les restrictions suivantes sont prises en compte dans l'algorithme présenté :

• Les vols nationaux et internationaux doivent être assignés aux stands spécifiques dans les zones désignées. Il s'agit de spécifications internes à l'aéroport, par exemple les vols internationaux sont assignés aux stands qui ont accès aux zones de contrôle frontalier désignées ;
• Les retards des vols doivent être pris en compte dans l'affectation (selon les distributions de probabilités conditionnelles du module I). Dans le présent document, seuls les retards à l'arrivée sont pris en compte en raison de l'indisponibilité des données d'assistance au sol et de la correspondance entre les aéronefs à l'arrivée et les aéronefs au départ ;
• Le stand attribué doit correspondre à la taille de l'aéronef (les gros aéronefs ont besoin d'un espace supplémentaire en raison de leur plus grande envergure). Ceci est mis en œuvre par l'identification des postes de stationnement autorisés pour chaque vol lors de l'étape de traitement des données d'entrée dans le module II.

Figure 1 : Statistiques d'affectation pour l'attribution des postes de stationnement générée par le module II.

Comme le montre la Figure 1, la plupart des vols ont été affectés à des postes de stationnement situés à proximité des pistes. Au terminal 1, environ 61,1 % des vols programmés ont été affectés à un stand situé à une distance inférieure à la distance moyenne de roulage du terminal 1, soit 4,2 km de la piste ; pour le terminal 2, 61,3 % des vols ont été affectés à des stands situés à une distance inférieure à la distance moyenne de roulage du terminal 2, soit 5,6 km. Naturellement, certains vols ont dû être affectés à des postes de stationnement plus éloignés en raison de contraintes liées à la politique d'affectation, de zones de contrôle frontalier désignées et de l'indisponibilité de postes de stationnement plus proches. Néanmoins, la figure 1 montre que l'algorithme a réussi à minimiser la distance de roulage.

L'une des limites des données utilisées pour cette étude est la non-disponibilité de l'historique des affectations des stands MEX. Par conséquent, il est impossible pour l'instant de comparer la qualité des résultats de l'approche à deux modules avec les affectations réelles des postes de stationnement du MEX. Ainsi, pour évaluer la qualité de l'affectation obtenue et en raison de l'absence d'affectations historiques réelles des stands au MEX, l'affectation de l'approche à deux modules a été testée dans l'environnement du modèle de simulation du MEX, comme décrit dans la section suivante. La description détaillée et la validation de ce modèle de simulation peuvent être consultées dans Mujica Mota et Flores (2019).

Expériences de simulation

L'objectif principal de l'utilisation d'un modèle de simulation dans cette étude est d'évaluer les effets de la prise en compte des écarts d'horaires dans l'attribution des places sur les émissions liées aux taxis dans des conditions proches de la réalité et de trouver des moyens d'améliorer les performances de l'aéroport et le niveau d'émissions. Le modèle de simulation utilisé dans cette étude nous permet d'incorporer des éléments stochastiques (tels que les situations d'arrêt, l'attente d'un refoulement à la porte d'embarquement) qui n'ont pas été pris en compte dans la génération de l'affectation, mais qui influencent les mouvements d'aéronefs au sol dans la vie réelle.

Pour chaque réplication de la simulation, les indicateurs de performance suivants ont été suivis :

• distance totale de roulage pour tous les aéronefs de l'horaire attribué : d total taxi = ∑ N
  i=1 (d in i + d out i ) ;
• temps total de roulage pour tous les avions de l'horaire alloué : t total taxi = ∑ N
  i=1 (t in i + t out i + t wait i ) ;
• quantité totale d'émissions polluantes liées au roulage e total taxi = t total taxi ∗ F NO + t total taxi ∗ F CO ;

où :

• d in i - distance parcourue par l'aéronef i entre la sortie de la piste et un poste de stationnement ;
• d out i - distance parcourue par l'aéronef i d'un poste de stationnement au point d'entrée de la piste ;
• t in i - temps parcouru par l'aéronef i entre la sortie de la piste et un poste de stationnement ;
• t out i - temps parcouru par l'aéronef i d'un poste de stationnement à un point d'entrée sur la piste ;
• t wait i - temps passé par l'aéronef i à attendre la disponibilité d'un stand ;
• F NO et F CO - facteurs d'émission pour les NOx et le CO 2 respectivement ;
• i... N - nombre d'aéronefs.

Les facteurs d'émission dépendent notamment des caractéristiques du moteur, du type de carburant utilisé et du poids de l'aéronef (OACI 2019b). En raison de l'absence de données réelles sur les caractéristiques du moteur et le poids de l'aéronef pour le programme de vol étudié, la quantité d'émissions totales e total taxi a été calculée en supposant une vitesse de roulage constante et la référence des émissions de roulage pour l'Airbus A320 (moteur CFM56) (Agence européenne pour l'environnement 2016). Ce type d'avion a été choisi car il a été utilisé dans 55% des vols étudiés. Moins de 1% des vols étudiés ont été effectués avec un grand type d'avion et le reste des vols a été représenté principalement par la classe régionale. Les facteurs d'émission adaptés par minute de roulage sont présentés dans le tableau 1.

Tableau 1 : Facteurs d'émission par minute de roulage.

L'hypothèse de certains facteurs d'émission dans le présent document est faite pour obtenir une estimation générale de l'impact de l'application de l'approche à deux modules sur les émissions de l'aéroport. Néanmoins, il est envisagé d'effectuer un calcul plus détaillé à l'avenir, en tenant compte de différents facteurs d'émission pour tous les types d'aéronefs actuels, lorsque davantage de données réelles sur les spécifications des aéronefs seront disponibles.

Au moment de la réalisation de cette étude, il n'y avait pas d'informations disponibles sur les affectations exactes ou historiques des postes de stationnement dans le MEX. Par conséquent, les affectations générées par l'approche à deux modules ont été comparées à une affectation aléatoire de dernière minute, générée directement au cours de chaque simulation. Une affectation aléatoire de dernière minute attribue un vol pendant la simulation à tout stand approprié disponible au moment où l'avion commence son approche d'atterrissage. Cela signifie que tout stand approprié non occupé au moment de la décision peut être choisi, quelle que soit sa distance de roulage par rapport à la piste. Comme le choix est fait de manière aléatoire, chaque simulation aboutit à une utilisation différente des postes de stationnement. Comme il n'y a pas d'affectation planifiée au préalable dans ce type d'affectation de dernière minute, on considère que les effets des perturbations de l'horaire sur l'utilisation des stands sont minimisés et qu'il y a moins de risques de conflits d'affectation. Cependant, il n'est pas estimé à quel coût environnemental ces effets sont minimisés. Dans cette section, les effets d'une telle attribution aléatoire de dernière minute sur les émissions liées aux taxis sont estimés et comparés à une planification proactive de l'attribution, réalisée par l'approche à deux modules. En outre, pour retracer les effets des écarts de programmation sur les émissions liées aux taxis, des scénarios de simulation contenant à la fois des arrivées à l'heure et des arrivées perturbées ont été inclus dans cette étude.

Le tableau 2 présente une vue d'ensemble des scénarios d'affectation des places de stationnement. Ces scénarios peuvent être décrits comme suit :

• Scénario A. Cas de base. Il représente une situation idéale avec tous les vols arrivant à l'heure, l'assignation de stand générée uniquement avec l'utilisation du module II (c'est-à-dire l'allocation optimisée sans tenir compte des déviations).
• Scénario B. Attribution des stands générée uniquement à l'aide du module II (c.-à-d. attribution optimisée sans tenir compte des écarts). Les vols sont arrivés avec des écarts d'heure d'arrivée, générés sur la base des distributions d'écarts d'heure d'arrivée apprises dans le module I.
• Scénario C. Affectation du stand générée en tenant compte du retard prévu avec l'utilisation des modules I et II. Les vols arrivent avec des écarts d'heure d'arrivée, générés sur la base des distributions d'écarts d'heure d'arrivée apprises dans le module I.
• Scénario D. Les vols arrivant sont assignés aux stands en utilisant l'allocation aléatoire de dernière minute. Les vols arrivent à l'heure, conformément à l'horaire.
• Scénario E. Les vols à l'arrivée sont assignés aux stands en utilisant une allocation aléatoire de dernière minute. Les vols sont arrivés avec des écarts d'heure d'arrivée, générés sur la base des distributions d'écarts d'heure d'arrivée apprises dans le module I.

Tableau 2 : Scénarios d'affectation aux stands.

L'objectif de ce document est de découvrir le potentiel caché de réduction des émissions liées aux taxis grâce à l'optimisation de l'affectation des stands. Comme nous l'avons observé dans l'analyse de l'affectation générée dans la section 3.3, la distribution actuelle des zones domestiques et internationales dans les terminaux a une influence considérable sur les résultats de l'affectation et donc sur le niveau des émissions liées à la taxation. Il a donc été décidé de manipuler certaines des restrictions d'affectation disponibles et de proposer ainsi de nouvelles politiques d'affectation qui ne nécessiteraient pas de reconstruction majeure des installations aéroportuaires. La seule exigence qui reste stricte pour toutes les politiques d'affectation simulées est celle de l'affectation des gros avions uniquement aux postes de stationnement spécialement équipés. Les nouvelles politiques d'affectation ont été comparées à la politique originale, qui contient des contraintes d'affectation strictes, par le biais d'une série d'expériences, simulant les scénarios A à E en cas de non-respect des politiques définies. Ainsi, pour chaque politique d'affectation, les performances de l'approche à deux modules en cas d'arrivée ponctuelle et perturbée ont été évaluées et comparées à l'affectation aléatoire de dernière minute. Les politiques d'affectation définies sont les suivantes :

• Groupe I - expériences du cas de base. L'affectation des postes de stationnement est générée conformément à l'ensemble original de restrictions d'affectation, dans le strict respect du terminal désigné et de la zone internationale/domestique.
• Groupe II - les aéronefs sont affectés à n'importe quel stand disponible dans le terminal prévu à l'origine. Cela signifie que les vols internationaux et nationaux peuvent être affectés à la même tribune.
• Groupe III - les aéronefs peuvent choisir des postes de stationnement dans n'importe quel terminal, mais doivent respecter la politique des zones désignées. Cela signifie qu'un vol intérieur doit être affecté à la zone intérieure, mais qu'il peut être affecté à la zone intérieure de n'importe quel terminal.
• Groupe IV - les aéronefs peuvent être affectés à n'importe quelle zone de n'importe quel terminal. Il s'agit d'une politique d'affectation sans restriction d'agencement qui permet de se rapprocher de la distance minimale de roulage et des émissions liées au roulage pour le programme de vol étudié.
• Groupe V - Le terminal 1 est entièrement réservé aux vols intérieurs. Cela signifie que même si un vol était initialement prévu au terminal 2, s'il s'agit d'un vol intérieur, il sera affecté au terminal 1.
• Groupe VI - L'aérogare 1 est entièrement réservée aux vols internationaux. Cela signifie que même si un vol était initialement prévu au terminal 2, s'il s'agit d'un vol international, il sera affecté au terminal 1.

L'utilisation des mêmes données pour apprendre des modèles de distribution bayésiens pour les perturbations des horaires et pour générer des expériences de simulation stochastiques peut être considérée comme une limitation de cet article. Néanmoins, l'objectif principal de l'approche proposée est d'atténuer l'impact négatif des perturbations d'horaires sur l'environnement aéroportuaire, et non de prédire le retard exact ou l'heure d'arrivée anticipée des vols programmés. En tenant compte d'un certain intervalle de probabilité dans la planification de l'affectation, nous entendons fournir un outil permettant d'influencer la robustesse de l'affectation des stands. Avec un intervalle de probabilité plus grand, davantage de perturbations peuvent être prises en compte ; cependant, cela peut réduire la capacité des ressources des stands et peut donc être considéré comme une limitation pour certains aéroports encombrés. Des intervalles de probabilité plus petits se traduiraient par des temps de blocage du stand plus courts, mais pourraient augmenter le nombre d'aéronefs susceptibles d'attendre la disponibilité du stand. Ce compromis n'est pas abordé dans le présent document, mais il sera étudié dans le cadre de recherches futures.

Pour chaque politique d'affectation, les expériences A à E ont été exécutées avec 30 répétitions chacune. Chaque réplication avait une durée de 7 jours plus des heures supplémentaires pour les écarts par rapport à l'horaire d'arrivée. La section suivante présente et analyse les résultats des expériences réalisées.

Résultats des expériences

Les résultats des expériences réalisées ont été comparés entre les scénarios afin d'identifier une politique d'affectation qui permette de réduire les émissions de manière significative. Les statistiques comparatives des indicateurs suivis pour les expériences des groupes I à VI sont présentées dans les figures 2 à 4.

Comme le montre la figure 2, les scénarios A et B ont des valeurs de distance de taxi similaires, puisqu'ils utilisent la même affectation de station ; le scénario B ne diffère du scénario A qu'en présence d'écarts stochastiques de l'heure d'arrivée. Les scénarios D et E se traduisent généralement par une distance de taxi plus élevée, car ils n'optimisent pas l'affectation pour minimiser le temps de trajet. La distance en taxi la plus faible a été obtenue dans le groupe V, qui correspond à la politique d'affectation selon laquelle le terminal 1 est entièrement consacré aux vols intérieurs et le terminal 2 aux vols internationaux. Dans le cadre de cette politique, l'approche à deux modules et l'affectation aléatoire de dernière minute ont généré des valeurs proches, avec une différence de 0,2 %. La distance de roulage la plus faible correspond au scénario E dans le groupe V, qui est inférieure de 4,2 % à l'affectation générée par l'approche à deux modules dans le cadre de la politique d'affectation initiale dans le scénario C du groupe I. Dans ces expériences, l'affectation aléatoire de dernière minute n'a pas permis d'optimiser l'affectation des postes de stationnement, ce qui peut s'expliquer par le fait que l'affectation de dernière minute dans les scénarios D et E a permis des affectations en chevauchement au même poste de stationnement si tous les autres postes de stationnement appropriés avaient déjà été occupés. Dans l'ensemble, les résultats présentés dans la figure 2 révèlent qu'en réorganisant l'utilisation des bâtiments du terminal de MEX et en consacrant le terminal 1 entièrement aux vols intérieurs, il est possible de réduire la distance de roulage de 4,2 % par semaine.

Figure 2 : Comparaison de la distance totale parcourue par les taxis pour les scénarios A à E à travers les groupes d'expériences.
En ce qui concerne le temps de roulage total, illustré à la Figure 3, on peut remarquer que le scénario B présente une plus grande variabilité et des valeurs moyennes plus élevées que le scénario A en raison de la présence d'écarts stochastiques et de temps d'attente des aéronefs. La valeur la plus faible du temps de roulage correspond au scénario C du groupe V, qui est l'allocation générée par l'approche à deux modules. Le temps de roulage total obtenu dans ce scénario est inférieur de 9 % à celui du scénario C du groupe I.

Il est remarquable que le temps de trajet en taxi dans le scénario C de tous les groupes soit toujours inférieur à celui des scénarios avec allocation aléatoire de dernière minute et perturbations de l'horaire non prises en compte dans l'allocation (B, D et E). Cette observation permet de conclure que la prise en compte des écarts de programmation prévus dans l'attribution des postes de stationnement est bénéfique pour les opérations aéroportuaires, car elle permet de réduire les temps de roulage en raison de la diminution des temps d'attente liés à la disponibilité des postes de stationnement.

Lorsque l'on compare la quantité d'émissions polluantes totales, la valeur la plus faible correspond à nouveau au groupe V pour les scénarios C (voir figure 4). La quantité d'émissions dans le groupe V du scénario C est inférieure d'environ 9 % à la quantité produite dans le cadre de la politique d'affectation initiale du groupe I. Il est intéressant de noter que l'affectation aléatoire de dernière minute dans le groupe V du scénario E n'a entraîné que 3,8 % d'émissions supplémentaires par rapport au scénario C. Toutefois, cette affectation aléatoire a montré une variabilité assez élevée pour toutes les politiques d'affectation.

On peut remarquer que les figures 3 et 4 présentent des valeurs similaires, ce qui pourrait s'expliquer par l'hypothèse de facteurs d'émission uniformes pour l'ensemble de l'étude. Néanmoins, il pourrait être intéressant de répéter les expériences à l'avenir avec des facteurs d'émission plus spécifiques, par exemple adaptés de BADA (EUROCONTROL 2020), et d'analyser la corrélation entre les émissions totales et le temps de conduite total dans le but de les combiner en un seul objectif d'optimisation.

Figure 3 : Comparaison du temps de roulage total pour les scénarios A - E à travers les groupes d'expériences.
Figure 4 : Comparaison des émissions totales de CO 2 + NOx pour les scénarios A - E à travers les groupes d'expériences. En résumant les résultats, on peut conclure que la politique d'affectation des stands la plus bénéfique en termes d'émissions est celle du groupe V. Cela signifie que la réorganisation de l'utilisation des aérogares et l'affectation de l'aérogare 1 aux vols intérieurs peuvent permettre à MEX d'économiser environ 9 % des émissions totales de polluants par semaine par rapport à la désignation des aérogares existantes dans les conditions d'exploitation considérées dans les expérimentations.

Conclusions et recherches futures

Cet article présente une application d'une approche innovante qui combine des méthodes bayésiennes et une optimisation heuristique bi-objective pour résoudre le problème de l'allocation des stands dans les aéroports dans la perspective de la minimisation des émissions associées. Pour valider l'impact de l'approche présentée sur l'empreinte environnementale des aéroports, la simulation a été incluse dans la méthodologie afin d'introduire les effets de la nature stochastique du système réel. En outre, l'application de l'approche à deux modules avec l'assouplissement des restrictions d'affectation a révélé un potentiel caché d'atténuation des émissions polluantes liées aux taxis. Dans le cas de l'aéroport international de Mexico, les meilleurs résultats obtenus correspondent à l'affectation de l'ensemble du terminal 1 aux vols intérieurs et du terminal 2 aux vols internationaux. Une telle réorganisation des bâtiments du terminal pourrait réduire les émissions polluantes liées aux taxis d'environ 9 % par semaine, par rapport à l'utilisation actuelle des terminaux.

Dans le cadre de travaux futurs, d'autres variables, telles que les temps de rotation réels et les écarts par rapport à l'heure de départ, ainsi que davantage de données historiques sur les performances, seront prises en compte dans le module I afin d'obtenir une plus grande précision sur les perturbations attendues. Lorsque davantage de données historiques seront disponibles, il serait également utile d'utiliser des ensembles de données différents mais comparables pour apprendre les modèles de déviation et réaliser des expériences de simulation afin de mieux estimer la précision des modèles de déviation obtenus. L'amélioration du composant d'optimisation de l'approche à deux modules et de l'étude de simulation avec les spécifications des émissions des aéronefs est également envisagée pour une estimation plus précise des émissions et de leur impact sur l'attribution des stands.

En outre, il serait intéressant de comparer la qualité des affectations de postes de stationnement générées par les deux modules avec les affectations de postes de stationnement historiques (réelles) pour le même aéroport et de tester l'approche présentée sur d'autres configurations d'aéroport et politiques d'affectation des postes de stationnement. En outre, on peut étudier si les objectifs de réduction de la distance de roulage et de réduction des émissions peuvent être combinés en un seul objectif d'optimisation et quel serait l'impact sur le niveau d'émissions si les temps d'attente des avions étaient pris en compte au lieu du nombre d'avions en attente. En outre, l'utilisation des informations obtenues à partir du modèle de simulation sera incorporée dans la boucle d'optimisation afin de fournir des solutions encore plus qualitatives.

Remerciements

Les auteurs souhaitent remercier l'Université autonome de Barcelone, l'Académie de l'aviation de l'Université des sciences appliquées d'Amsterdam pour le soutien apporté à cette étude, ainsi que la Dutch Benelux Simulation Society(www.dutchbss.org) et EUROSIM pour la diffusion des résultats de cette étude.

Biographies des auteurs

MARGARITA BAGAMANOVA est maître de conférences et chercheuse à l'université des sciences appliquées d'Amsterdam et doctorante à l'unité départementale d'aéronautique et de logistique de l'école d'ingénieurs de l'université autonome de Barcelone. Ses recherches portent sur l'application de la simulation, de l'optimisation multivariée et des techniques d'inférence bayésienne pour l'amélioration des opérations aéroportuaires. Elle a publié des articles dans différentes revues internationales évaluées par des pairs et dans des actes de conférences internationales. En outre, elle est un membre actif du comité directeur de la Dutch Benelux Simulation Society (EUROSIM) depuis 2018. Ses adresses électroniques sont mm.bagamanova@hva.nl et margaritabagamanova@gmail.com

MIGUEL MUJICA MOTA est professeur associé en gestion de l'aviation et chercheur principal à l'Académie de l'aviation de l'Université des sciences appliquées d'Amsterdam, aux Pays-Bas. Il est titulaire d'un doctorat et d'une maîtrise en informatique de l'université autonome de Barcelone et d'un doctorat et d'une maîtrise en recherche opérationnelle de l'université nationale du Mexique. Il est l'actuel président d'EUROSIM, la Fédération des sociétés de simulation en Europe, et le président de la Dutch Benelux Simulation Society. Il a participé à plusieurs projets internationaux pour l'industrie et à des projets de recherche financés par la Commission européenne, la Banque mondiale ou l'industrie privée. Il est le co-auteur de quatre livres et de nombreux articles scientifiques sur la simulation, la recherche opérationnelle, l'aviation, la fabrication et la logistique. Ses recherches portent sur l'utilisation de la simulation, des formalismes de modélisation et des heuristiques pour l'optimisation et l'analyse des performances des opérations aéronautiques, de la fabrication et de la logistique. Son adresse électronique est m.mujica.mota@hva.nl. Son site web est www.mmujicamota.com

Actes de la Conférence d'hiver sur la simulation 2020 K.-H. Bae, B. Feng, S. Kim, S. Lazarova-Molnar, Z. Zheng, T. Roeder, et R. Thiesing, eds.

Margarita Bagamanova
Unité départementale de l'aéronautique et de la logistiqueC
Université autonome de Barcelone
Campus universitaire de l'UAB
Bellaterra, 08193, ESPAGNE
Miguel Mujica Mota
Académie d'aviation
Université d'Amsterdam
Sciences appliquées 190 Weesperzijde
Amsterdam, 1097 DZ, PAYS-BAS

Références

Ashok, A., H. Balakrishnan, et S. R. H. Barrett. 2017. "Réduire la qualité de l'air et les impacts climatiques du CO 2 des opérations de roulage et de décollage dans les aéroports". Transportation Research Part D : Transport and Environment 54:287-303. ATAG 2020. L'industrie de l'aviation réduit son empreinte environnementale : Aviation : Benefits Beyond Borders. https://www.aviationbenefits.org/environmental-efficiency/climate-action/, consulté le 12 février.
Bagamanova, M., et 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, et G. Lodewijks. 2013. "Reducing Emissions of Taxiing at Airports". In the 2013 European Simulation and Modelling Conference, édité par S. Onggo et A. Kavicka, 331-335. Ostende : The European Multidisciplinary Society for Modelling and Simulation Technology.
EUROCONTROL 2020. Base de données sur les aéronefs. https://www.eurocontrol.int/eec/public/standard_page/proj_BADA.html, consulté le 13 avril. Agence européenne pour l'environnement. 2016. European Monitoring and Evaluation Programme/European Environment Agency Air Pollutant Emission Inventory Guidebook. https://www.eea.europa.eu/publications/emep-eea-guidebook-2016, consulté le 8 avril 2020. Fleuti, E., et 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, consulté le 10 février 2020. Flightstats. 2018. Airport On-Time Performance Reports. https://www.flightstats.com/v2/monthly-performance-reports/airports, consulté le 10 janvier 2019. Graver, B., K. Zhang, et D. Rutherford. 2019. CO 2 Emissions from Commercial Aviation, 2018. https://theicct.org/publications/co2-emissions-commercial-aviation-2018, consulté le 12 février 2020. Hao, L., M. Hansen, et M. S. Ryerson. 2016. "Fueling for Contingencies : The Hidden Cost of Unpredictability in the Air Transportation System". Transportation Research Part D : Transport and Environment 44:199-210. Hassounah, M., et G. Steuart. 1993. "Demand for Aircraft Gates". Transportation Research Record 1423:26-33. OACI 2019a. Rapport environnemental de l'OACI. https://www.icao.int/environmental-protection/Documents/ICAO-ENV-Report2019- F1-WEB%20%281%29.pdf, consulté le 25 mars.
OACI 2019b. The ICAO Aircraft Engine Emissions Databank. https://www.easa.europa.eu/easa-and-you/environment/icao- aircraft-engine-emissions-databank, consulté le 16 novembre. OACI 2020. CORSIA Participation. https://www.icao.int/environmental-protection/Lists/CORSIAParticipation/AllItems.aspx, consulté le 12 février. Aéroport international de Mexico. 2018. Operaciones de Llegada y Salida Semanal (Opérations d'arrivée et de départ hebdomadaires). https://www.aicm.com.mx/wp-content/uploads/2019/04/OperacionesdeLlegadaySalida25al31Marz2019.pdf, consulté le 10 avril 2019. Khadilkar, H., et H. Balakrishnan. 2012. "Estimation de la consommation de carburant au roulage des aéronefs à l'aide des archives des enregistreurs de données de vol". Transportation Research Part D : Transport and Environment 17(7):532-537.
Li, N., et H. Zhang. 2017. "Calculer les émissions de polluants des aéronefs pendant le roulage à l'aéroport". Huanjing Kexue Xuebao/Acta Scientiae Circumstantiae 37(5):1872-1876. Mujica Mota, M., et I. Flores. 2019. "Méthodologie basée sur un modèle pour identifier les limites de capacité dans les aéroports : Mexico City Airport Case". SNE Simulation Notes Europe 29(1):13-25. Nikoleris, T., G. Gupta, et M. Kistler. 2011. "Detailed Estimation of Fuel Consumption and Emissions during Aircraft Taxi Operations at Dallas/Fort Worth International Airport". Transportation Research Part D : Transport and Environment 16(4):302-308. SCT 2017. Capacidad de Operaciones (Capacité d'exploitation). https://www.aicm.com.mx/wp- content/uploads/2017/12/OF1747CapacidadDeOperaciones.pdf, consulté le 11 décembre 2018.
SCT 2019. Estadística Operacional de Aerolíneas (Statistiques du trafic par compagnie aérienne) - Aéroport international de Mexico. 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/, consulté le 15 novembre 2019. SEDEMA 2018. Inventario de Emisiones de La CDMX 2016 (Inventaire des émissions de la ville de Mexico 2016). http://www.aire.cdmx.gob.mx/descargas/publicaciones/flippingbook/inventario-emisiones-2016/mobile/, consulté le 20 avril 2020. Simaiakis, I., et H. Balakrishnan. 2016. "A Queuing Model of the Airport Departure Process". Transportation Science 50(1):94- 109. Simaiakis, I., H. Khadilkar, H. Balakrishnan, T. G. Reynolds, et R. J. Hansman. 2014. "Demonstration of Reduced Airport Congestion through Pushback Rate Control" (Démonstration de la réduction de la congestion aéroportuaire par le contrôle des taux de refoulement).
Transportation Research Part A : Policy and Practice 66(1):251-267. Tsao, H. S. J., W. Wei, A. Pratama, et J. R. Tsao. 2009. "Integrated Taxiing and Take-Off Scheduling for Optimization of Airport Surface Operations". In Proceedings of Indian Subcontinent Decision Sciences Institute Conference 2009, January 3 rd -5 th, Bombay, India, 1-12.
Yan, S., et C. Chang. 1998. "A Network Model for Gate Assignment". Journal of Advanced Transportation 32:176-189. Yan, S. et 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, et M. Chen. 2002. "A Simulation Framework for Evaluating Airport Gate Assignments". Transportation Research Part A : Policy and Practice 36(10):885-898.