Redução das emissões aeroportuárias relacionadas a táxis com a atribuição de estandes com reconhecimento de interrupções

A administração de aeroportos é frequentemente desafiada pela tarefa de gerenciar as posições de estacionamento de aeronaves da forma mais eficiente possível e, ao mesmo tempo, cumprir as normas ambientais e as restrições de capacidade. Frequentemente, essa tarefa também é afetada por várias perturbações que afetam a pontualidade das operações do aeroporto. Este documento apresenta uma abordagem inovadora para a obtenção de uma atribuição eficiente de posições, considerando a natureza estocástica do ambiente aeroportuário e a meta de redução de emissões do moderno setor de transporte aéreo. Além disso, a metodologia apresentada demonstra como o mesmo procedimento de criação de uma atribuição de posições pode ajudar a identificar um potencial de mitigação de emissões. Este documento ilustra a aplicação da metodologia apresentada combinada com a simulação e demonstra o impacto da aplicação da modelagem bayesiana e da otimização metaheurística para a redução das emissões relacionadas a táxis.

Introdução

Os aeroportos modernos estão enfrentando um desafio global de redução significativa das emissões de poluentes e de mudança para operações neutras em termos de carbono, ao mesmo tempo em que lidam com o rápido crescimento do tráfego aéreo e mantêm o nível de serviço necessário (ICAO 2019a). As emissões produzidas pelas atividades aeroportuárias influenciam a qualidade do ar local nos aeroportos e em seus arredores. Uma das fontes mais importantes de emissões no aeroporto são as operações de aeronaves, como pouso, taxiamento e decolagem (ICAO 2019b). Assim, além das inovações tecnológicas e da mudança para combustíveis de aviação sustentáveis, a melhoria da eficiência dessas operações é considerada no escopo das medidas globais do setor aéreo (ATAG 2020).

O nível de emissões produzidas durante o taxiamento no aeroporto depende da quantidade de combustível queimado e do tempo que a aeronave tem para se deslocar entre a posição de estacionamento designada (stand) e os pontos de entrada/saída da pista. Em geral, mais de um terço do total de emissões da aeronave fora da fase de cruzeiro pode ser gerado durante o taxiamento (Fleuti e Maraini 2017). Portanto, é necessário alocar as aeronaves de modo que a distância e o tempo de taxiamento sejam minimizados, garantindo a redução do consumo de combustível e das emissões relacionadas.

Um cronograma de atribuição de estande pode ser frequentemente interrompido por alterações de última hora no cronograma de voos durante o dia. Essas mudanças podem levar a tempos de retorno mais longos e deteriorar o desempenho do aeroporto. Como resultado, algumas aeronaves podem ter de esperar no solo e outras podem ter de esperar no ar na TMA do aeroporto, o que culmina em maior consumo de combustível e emissões adicionais. O gerenciamento ineficaz das instalações do terminal pode criar uma propagação de interrupções de programação para os voos sucessivos e aeroportos conectados, afetando também o nível de emissões. Portanto, é necessário gerenciar de forma eficiente as instalações do terminal, como os pontos de parada, para atenuar o impacto das perturbações programadas e, ao mesmo tempo, reduzir o nível de emissões de poluentes, criadas durante o táxi.

O problema de alocação de pontos de parada (também conhecido como problema de atribuição de pontos de parada), abordado neste artigo, foi abordado anteriormente por muitos pesquisadores. Entretanto, apenas alguns deles consideraram a estocasticidade das operações aeroportuárias em sua metodologia. Muitas vezes, para diminuir o número de conflitos de alocação de estandes e os tempos de espera das aeronaves relacionados, um estande tem um certo tempo ocioso entre dois voos consecutivos atribuídos a ele. Esse tempo ocioso é chamado de tempo de buffer e foi comprovado como a melhor medida de trabalho para desvios de voo de até 30 minutos (Hassounah e Steuart 1993; Yan e Chang 1998; Yan e Huo 2001; Yan et al. 2002). No entanto, essa ação pode reduzir significativamente a capacidade do terminal do aeroporto e, portanto, deve ser evitada em aeroportos modernos e congestionados.

Estima-se que a espera ociosa e o taxiamento são os fatores que mais contribuem para o consumo de combustível da aeronave e para as emissões do aeroporto (Nikoleris et al. 2011). Portanto, os objetivos da redução da espera ociosa e da otimização da pegada de taxiamento foram abordados por muitos pesquisadores. Duinkerken et al. (2013), Li e Zhang (2017) estimaram que o uso de uma abordagem de motor único, motor elétrico externo e fontes de reboque para taxiamento pode reduzir significativamente as emissões. Tsao et al. (2009) demonstraram que o tempo de espera ocioso da aeronave no solo pode ser reduzido pela otimização das sequências de taxiamento e decolagem. As aplicações de controle de pushback, retenção de portão e otimização da sequência de partida (Simaiakis e Balakrishnan 2016) aplicadas por Khadilkar e Balakrishnan (2012), Simaiakis et al. (2014) e Ashok et al. (2017) mostraram uma redução significativa das emissões relacionadas aos congestionamentos de taxiway e pista.

Embora os métodos mencionados anteriormente tenham comprovado a redução da pegada ambiental, alguns deles também levaram ao aumento dos tempos de ocupação dos estandes, reduzindo significativamente a capacidade do aeroporto, o que pode se tornar problemático em aeroportos congestionados. Além disso, esses trabalhos não consideraram as perturbações no horário de chegada dos voos nem o taxiamento da pista para os estandes (a fase de taxiamento), que podem afetar substancialmente o tempo de taxiamento e as emissões relacionadas (Hao et al. 2016). Para preencher a lacuna nessa área e fornecer ao gerenciamento do transporte aéreo uma metodologia para melhorar a eficiência e o impacto ambiental das operações de atribuição de estandes, este documento apresenta como esses dois objetivos podem ser combinados na atribuição de estandes e demonstra sua realização usando técnicas de simulação.

Este artigo apresenta uma aplicação de dois objetivos de uma abordagem de atribuição de estandes, que foi introduzida anteriormente por Bagamanova e Mujica Mota (2020), para avaliar várias políticas de atribuição de estandes em termos de sua sensibilidade às perturbações do cronograma e da pegada ambiental. A metodologia apresentada combina os benefícios da mineração de dados e da otimização evolutiva para gerar uma atribuição de estande que minimize as emissões e, por meio de simulação, comprova-se a eficiência em relação a possíveis desvios do cronograma e a redução das emissões relacionadas. A abordagem apresentada aprende probabilidades de desvios de programação dependendo das características dos voos programados usando modelagem multinível bayesiana (Bürkner 2017) a partir de dados históricos de desempenho do aeroporto. Essas probabilidades são então usadas para calcular o nível mais provável de desvio para cada voo na programação de voos de destino. Os desvios calculados são, então, considerados na geração da atribuição de posição, que é otimizada para atender à meta de minimização das emissões geradas durante o taxiamento de uma aeronave.

Este artigo continua da seguinte forma. A Seção 2 descreve a metodologia de atribuição de estandes. A Seção 3 apresenta um estudo de caso e os resultados dos experimentos de simulação. As conclusões e pesquisas futuras são apresentadas na Seção 4.

Metodologia

O método de atribuição de estandes apresentado neste documento é composto pela abordagem de dois módulos e por experimentos em um modelo de simulação. A abordagem de dois módulos gera alocações de estandes otimizadas com base na programação de voos alvo, nos dados históricos sobre interrupções de programação do período anterior e nas políticas de atribuição e metas de otimização definidas pelo usuário. Depois disso, as alocações obtidas são estimadas no modelo de simulação que permite avaliar a qualidade da pegada ambiental das alocações de estandes geradas na abordagem de dois módulos sob a estocasticidade de um sistema aeroportuário real.

Descrição do algoritmo

Esta seção apresenta uma breve descrição da abordagem de dois módulos que gera atribuições de estandes otimizadas. Uma descrição mais geral pode ser encontrada em Bagamanova e Mujica Mota (2020).

A abordagem de dois módulos é composta de dois elementos. O módulo I se encarrega de estimar as probabilidades de desvios de programação a partir dos dados históricos do aeroporto. Essas probabilidades são expressas na forma de modelos de distribuição bayesiana e descrevem a probabilidade de determinados níveis de desvios de programação para várias características de voo disponíveis nos dados históricos (por exemplo, nome da companhia aérea, horário programado de chegada e dia da semana). Ao considerar as prováveis interrupções no planejamento da atribuição, pretende-se reduzir o tempo ocioso que a aeronave pode ter de passar aguardando a disponibilidade da posição planejada e as emissões relacionadas.

O Módulo II atribui a programação de voo de destino aos estandes disponíveis, respeitando a política e as restrições de atribuição definidas pelo usuário, considerando as interrupções de programação mais prováveis ou de nível de probabilidade definido pelo usuário nos tempos de ocupação do estande. Em seguida, a atribuição gerada é otimizada com um algoritmo genético de acordo com as metas de otimização especificadas pelo usuário. O resultado dessa otimização não é necessariamente uma solução ótima; no entanto, a aleatoriedade usada no algoritmo genético na forma de operadores de cruzamento e mutação nos permite obter uma solução de boa qualidade em um tempo razoável (Bagamanova e Mujica Mota 2020). A atribuição de talhões resultante considera a estocasticidade na forma de desvios de tempos de ocupação de talhões gerados a partir dos modelos de distribuição de desvios de programação.

Objetivo da otimização

Para aumentar a eficiência da atribuição de estandes e reduzir a pegada de poluentes, produzida pelo movimento da aeronave no solo e pela ociosidade da aeronave aguardando a disponibilidade do estande, a seguinte função de objetivo de otimização com dois objetivos foi implementada no componente de otimização do Módulo II da abordagem de dois módulos:
min(w₁ ∗ O_taxi+ w₂ ∗ O_hold)(1)
A função objetivo (1) consiste nos seguintes objetivos individuais:

• Minimizar a distância do táxi de e para as posições de estacionamento e, portanto, as emissões relacionadas:
  O taxi = dsched.taxi ⁄ Max dairport
• Minimizar o número de aeronaves que aguardam a disponibilidade do estande e, portanto, o uso ocioso dos motores:
  O hold = ∑fl. hold ⁄ ∑ fl.

Onde:

• dsched.taxi ⁄- a distância média de táxi de e para o estande na programação alocada;
• Max dairport a distância máxima possível de táxi no aeroporto para a configuração de pista considerada;
• ∑fl. hold - o número de aeronaves que devem aguardar a disponibilidade do estande;
• ⁄ ∑ fl - o número total de aeronaves na programação a ser alocada;
• wn - peso da prioridade para o objetivo correspondente. No escopo deste documento, todos os pesos são iguais a 1 para obter uma alocação de estande igualmente equilibrada para ambos os objetivos considerados. Para uso prático, as diferentes partes interessadas do aeroporto podem decidir os pesos com base em suas preferências.

Na implementação original da abordagem de dois módulos feita por Bagamanova e Mujica Mota (2020), a função do objetivo de otimização no Módulo II também incluía a maximização do uso de estandes de contato. Essa é uma preferência geral de muitos aeroportos, pois permite aproveitar ao máximo a construção do terminal em termos de experiência do passageiro e reduz o número de veículos de serviço terrestre que circulam no pátio. No entanto, pode ser interessante investigar o custo ambiental de priorizar o uso do ponto de contato no componente de otimização em trabalhos futuros.

ESTUDO DE CASO: AEROPORTO INTERNACIONAL DA CIDADE DO MÉXICO

Esta seção discute a aplicação da abordagem de dois módulos para encontrar políticas de atribuição de estandes mais eficientes do ponto de vista ambiental para um aeroporto de estudo de caso.

Informações gerais

O Aeroporto Internacional da Cidade do México (código IATA: MEX) é o principal aeroporto do México, com aproximadamente 450 mil pousos e decolagens por ano. Há dois edifícios de terminais, separados por duas pistas paralelas. Essas pistas nunca são operadas simultaneamente devido à proximidade uma da outra. Esse layout restringe a capacidade do MEX e, desde 2017, ele foi oficialmente limitado a 61 movimentos por hora, com um máximo de 40 pousos (SCT 2017).

No escopo deste documento, considera-se que 26 companhias aéreas estão operando em dois terminais no MEX, realizando voos internacionais e domésticos. Do total de 91 estandes disponíveis no MEX, apenas 84 foram considerados neste trabalho, pois o restante não é usado para voos de passageiros. Portanto, o Terminal 1 é representado por 11 estandes abertos e 33 estandes de contato, dos quais 16 estandes são dedicados a voos domésticos e 17 a voos internacionais. O Terminal 2 é representado por 17 estandes abertos e 23 estandes de contato, sendo que 13 são usados para voos domésticos e 10 para internacionais.

Interrupções de horários e emissões

Em nível global, em 2018, o México gerou aproximadamente 1,5% das emissões globais relacionadas ao transporte aéreo de passageiros (Graver et al. 2019). O MEX está localizado nas proximidades diretas das zonas urbanas da Cidade do México, o que faz com que o aeroporto afete significativamente a qualidade do ar e os níveis de ruído da cidade. De acordo com a SEDEMA (2018), o MEX produz cerca de 15% do total de emissões de poluentes da Cidade do México.

Em 2017, o México aderiu oficialmente a uma iniciativa global para operações de transporte aéreo neutras em carbono (ICAO 2020), o que implica que todos os aeroportos do país devem seguir as políticas e os padrões de redução de emissões da ICAO. Apesar desses fatos, até a data em que este artigo foi escrito, o site oficial da MEX não publicou nenhuma estimativa oficial do nível de emissões do aeroporto nem divulgou nenhuma medida para reduzir a pegada ambiental de suas operações.

A MEX frequentemente sofre com problemas de pontualidade. Em 2018, apenas 67% de todos os voos foram realizados no horário (SCT 2019), com mais de 20% dos voos de partida atrasados em 46 minutos, em média (Flightstats 2018). Considerando um nível tão alto de perturbações e o recente envolvimento na iniciativa global de redução da pegada de poluentes, a MEX se torna um bom alvo para a aplicação da abordagem de dois módulos para descobrir o potencial oculto de redução de emissões relacionado ao planejamento de atribuição de estandes.

Implementação da abordagem de dois módulos

Como dados de entrada para este estudo, usamos um relatório oficial de desempenho para um período de 28.05.2018 a 03.06.2018, recuperado do Aeroporto Internacional da Cidade do México (2018). Esse relatório consistia em mais de 8.000 voos com horários de chegada reais e programados, números de voos, nomes de companhias aéreas e tipo de aeronave usada. Na semana escolhida, aproximadamente 7% dos voos de chegada se desviaram por mais de uma hora de sua programação. Mais de 53% das chegadas programadas sofreram um atraso substancial de mais de 15 minutos, o que é uma perturbação significativa em um aeroporto congestionado.

Devido à indisponibilidade de dados reais sobre os tempos de retorno e a correspondência entre as aeronaves de chegada e partida, presumiu-se usar apenas os voos de passageiros que chegavam do relatório obtido e definir um tempo de retorno de 60 minutos para todos os voos nos experimentos realizados. Essas limitações reduziram o número de voos para 3.914 chegadas, sendo 31,7% de voos internacionais e 68,3% de voos domésticos.

Os dados selecionados de 3.914 voos foram processados no Módulo I e os modelos bayesianos para os desvios do horário de chegada foram criados, assumindo a correlação dos desvios com o nome da companhia aérea e a hora de chegada programada. A descrição detalhada dos parâmetros resultantes dos modelos de regressão, que compõem o modelo bayesiano somativo, e o resultado do Módulo I podem ser encontrados em Bagamanova e Mujica Mota (2020).

Por fim, o Módulo II criou uma atribuição, considerando os desvios programados mais prováveis e as restrições da política de atribuição, e a otimizou de acordo com a função objetivo (1). Como a abordagem de dois módulos é considerada um substituto mais eficaz para os tempos de buffer tradicionalmente usados, para a geração da atribuição de estandes no Módulo II, nenhum tempo de buffer foi intencionalmente adicionado entre voos consecutivos atribuídos ao mesmo estande. As estatísticas de atribuição resultantes são mostradas na Figura 1.

Cada aeroporto tem suas próprias restrições de política de atribuição de estandes, o que implica determinado uso dos estandes. A seguir estão as restrições consideradas no algoritmo apresentado:

• Os voos domésticos e internacionais devem ser atribuídos aos estandes específicos nas zonas designadas. Essas são especificações internas do aeroporto, por exemplo, os voos internacionais são atribuídos aos estandes que têm acesso às áreas de controle de fronteira designadas;
• Os atrasos dos voos devem ser considerados na atribuição (de acordo com as distribuições de probabilidade condicional do Módulo I). Neste documento, apenas os atrasos de chegada são considerados devido à indisponibilidade de dados de atendimento em solo e à correspondência entre as aeronaves que chegam e as que partem;
• Um estande atribuído deve corresponder ao tamanho de uma aeronave (aeronaves grandes exigem espaço extra devido à maior envergadura). Isso é implementado por meio da identificação dos estandes permitidos para cada voo na etapa de processamento dos dados de entrada no Módulo II.

Figura 1: Estatísticas de atribuição para alocação de estandes gerada pelo Módulo II.

Como pode ser observado na Figura 1, a maioria dos voos foi alocada em posições localizadas não muito longe das pistas. No Terminal 1, aproximadamente 61,1% dos voos programados foram atribuídos a um estande localizado mais próximo do que a distância média de táxi do Terminal 1, de 4,2 km da pista; no Terminal 2, 61,3% dos voos foram atribuídos a estandes com distância de táxi inferior à média do Terminal 2, de 5,6 km. Naturalmente, alguns dos voos tiveram de ser atribuídos a estandes mais distantes devido a restrições de política de atribuição, zonas de controle de fronteira designadas e indisponibilidade de estandes mais próximos. No entanto, a Figura 1 demonstra o sucesso do algoritmo com a minimização da distância de táxi.

Uma das limitações dos dados usados para este estudo é a indisponibilidade de atribuições históricas reais de estandes do MEX. Portanto, no momento, é impossível comparar a qualidade dos resultados da abordagem de dois módulos com as atribuições reais dos pontos de parada do MEX. Assim, para avaliar a qualidade da atribuição obtida e devido à ausência de atribuições de estandes históricos reais no MEX, a atribuição da abordagem de dois módulos foi testada no ambiente do modelo de simulação do MEX, conforme descrito na próxima seção. A descrição detalhada e a validação desse modelo de simulação podem ser encontradas em Mujica Mota e Flores (2019).

Experimentos de simulação

O principal objetivo do uso de um modelo de simulação neste estudo é avaliar os efeitos da consideração de desvios de programação na atribuição de estandes sobre as emissões relacionadas a táxis em condições próximas à realidade e encontrar maneiras de melhorar o desempenho do aeroporto e o nível de emissões. O modelo de simulação usado neste estudo nos permite incorporar elementos estocásticos (como situações de stop-go, espera por push-back no portão) que não foram considerados na geração da atribuição, mas que influenciam os movimentos das aeronaves no solo na vida real.

Para cada replicação da simulação, os seguintes indicadores de desempenho foram rastreados:

• distância total de táxi para todas as aeronaves da programação alocada: d total táxi = ∑ N
  i=1 (d in i + d out i ) ;
• tempo total de táxi para todas as aeronaves da programação alocada: t total taxi = ∑ N
  i=1 (t in i + t out i + t wait i ) ;
• quantidade total de emissões de poluentes relacionadas ao táxi e total de táxi = t total de táxi ∗ F NO + t total de táxi ∗ F CO ;

onde:

• d in i - distância percorrida pela aeronave i da saída da pista até um ponto de parada;
• d out i - distância percorrida pela aeronave i de um ponto de parada até o ponto de entrada na pista;
• t in i - tempo percorrido pela aeronave i da saída da pista até o ponto de parada;
• t out i - tempo percorrido pela aeronave i de um ponto de parada até o ponto de entrada na pista;
• t wait i - tempo gasto pela aeronave i aguardando a disponibilidade do estande;
• F NO e F CO - fatores de emissão de NOx e CO 2, respectivamente;
• i... N - número de aeronaves.

Os fatores de emissão dependem das características do motor, do tipo de combustível usado e do peso da aeronave, entre outros (ICAO 2019b). Devido à indisponibilidade de quaisquer dados reais sobre as especificações do motor e o peso da aeronave para a programação de voo estudada, a quantidade de emissões totais e o táxi total foram calculados assumindo uma velocidade de táxi constante e a referência de emissões de táxi para o Airbus A320 (motor CFM56) (European Environment Agency 2016). Esse tipo de aeronave foi escolhido por ter sido usado em 55% dos voos estudados. Menos de 1% dos voos estudados foram realizados com um tipo de aeronave grande e o restante dos voos foi representado principalmente pela classe regional. Os fatores de emissão adaptados por minuto de taxiamento são mostrados na tabela.

Tabela 1: Fatores de emissão por minuto de taxiamento.

Tipo de aeronave	Fator, kg/min
Consumo de combustível	14.52
Emissão de NOx por minuto, F NO	0.065196
Emissão de CO 2 por minuto, F CO	1.7604

A suposição de determinados fatores de emissão neste documento foi feita para obter uma estimativa geral do impacto da aplicação da abordagem de dois módulos nas emissões do aeroporto. No entanto, considera-se a possibilidade de realizar um cálculo mais detalhado no futuro, considerando diferentes fatores de emissão para todos os tipos atuais de aeronaves, quando mais dados reais sobre as especificações das aeronaves estiverem disponíveis.

No momento da realização deste estudo, não havia informações disponíveis sobre as designações exatas ou históricas de estandes no MEX. Portanto, as atribuições geradas pela abordagem de dois módulos foram comparadas a uma atribuição aleatória de última hora, gerada diretamente durante cada execução de simulação. Uma atribuição aleatória de última hora aloca um voo durante a simulação em qualquer estande adequado disponível no momento em que a aeronave inicia a aproximação para pouso. Isso significa que qualquer estande adequado que não esteja ocupado no momento da decisão pode ser escolhido, independentemente da distância de táxi até a pista. Como a escolha é feita aleatoriamente, cada simulação resulta em um uso diferente dos estandes. Como não há atribuição planejada preliminar nessa alocação de última hora, considera-se que os efeitos das interrupções de programação no uso do estande são minimizados e há menos possibilidade de conflitos de atribuição. No entanto, não se estima o custo ambiental desses efeitos. Nesta seção, os efeitos dessa alocação aleatória de última hora sobre as emissões relacionadas aos táxis são estimados e comparados a um planejamento de alocação proativo, executado pela abordagem de dois módulos. Além disso, para rastrear os efeitos dos desvios de programação sobre as emissões relacionadas aos táxis, foram incluídos neste estudo cenários de simulação com chegadas pontuais e com interrupções.

Uma visão geral dos cenários de atribuição de estandes definidos é apresentada na Tabela 2. Esses cenários podem ser descritos da seguinte forma:

• Cenário A. Caso base. Representa uma situação ideal com todos os voos chegando no horário, atribuição de estandes gerada somente com o uso do Módulo II (ou seja, alocação otimizada sem considerar desvios).
• Cenário B. Atribuição de estandes gerada somente com o uso do Módulo II (ou seja, alocação otimizada sem considerar desvios). Os voos chegaram com desvios de horário de chegada, gerados com base nas distribuições de desvio de horário de chegada aprendidas no Módulo I.
• Cenário C. Atribuição de estande gerada considerando o atraso esperado com o uso do Módulo I e do Módulo II. Os voos chegaram com desvios de horário de chegada, gerados com base nas distribuições de desvio de horário de chegada aprendidas no Módulo I.
• Cenário D. Os voos que chegam são atribuídos aos estandes usando a alocação aleatória de última hora. Os voos chegaram no horário, de acordo com a programação
• Cenário E. Os voos que chegam são atribuídos aos estandes usando alocação aleatória de última hora. Os voos chegaram com desvios de horário de chegada, gerados com base nas distribuições de desvio de horário de chegada aprendidas no Módulo I.

Tabela 2: Cenários de atribuição de estandes.

Nome do cenário	Interrupções na programação	Interrupções de programação consideradas	Otimização da atribuição	Geração de atribuições
A	-	-	SIM	MÓDULO II
B	SIM	-	SIM	MÓDULO II
C	SIM	SIM	SIM	Dois módulos
D	SIM	SIM	SIM	Aleatório de última hora
E	SIM	-	-	Aleatório de último minuto

O objetivo deste documento é descobrir o potencial oculto para a redução das emissões relacionadas aos táxis por meio da otimização da atribuição de estandes. E, como foi observado na análise da atribuição gerada na seção 3.3, a distribuição atual das áreas domésticas e internacionais nos terminais tem uma influência considerável nos resultados da atribuição e, portanto, no nível de emissões relacionadas ao táxi. Portanto, a flexibilização de algumas restrições do MEX foi considerada para verificar se essa ação pode trazer algum benefício para a pegada ambiental das operações reais de atribuição de estandes. Portanto, decidiu-se manipular algumas das restrições de atribuição disponíveis e, assim, criar novas políticas de atribuição que não exigiriam uma grande reconstrução das instalações do aeroporto. O único requisito que permanece rigoroso em todas as políticas de atribuição simuladas é o requisito de atribuição de aeronaves de grande porte somente aos estandes especialmente equipados. As novas políticas de atribuição foram comparadas com a política original, que contém restrições rígidas de atribuição, por meio de uma série de experimentos, simulando cenários de A a E sem o alcance das políticas definidas. Dessa forma, para cada política de atribuição, o desempenho da abordagem de dois módulos em chegadas pontuais e com interrupções foi avaliado e comparado com a alocação aleatória de última hora. As políticas de atribuição definidas incluem o seguinte:

• Grupo I - experimentos de caso base. Atribuição de estande gerada de acordo com o conjunto original de restrições de atribuição com adesão estrita ao terminal designado e à zona internacional/doméstica.
• Grupo II - as aeronaves são alocadas em qualquer estande disponível no terminal originalmente planejado. Isso significa que tanto os voos internacionais quanto os domésticos podem ser alocados no mesmo estande.
• Grupo III - as aeronaves podem escolher estandes em qualquer terminal, mas devem obedecer à política de zonas designadas. Isso significa que um voo doméstico deve ser alocado na zona doméstica, mas pode ser alocado na zona doméstica de qualquer terminal.
• Grupo IV - as aeronaves podem ser designadas para qualquer zona de qualquer terminal. Essa é uma política de atribuição sem restrições de layout que permite chegar mais perto da distância mínima possível de táxi e das emissões relacionadas a táxi para a programação de voo estudada.
• Grupo V - O Terminal 1 é totalmente designado para voos domésticos. Isso significa que, mesmo que um voo tenha sido originalmente planejado para o Terminal 2, se for doméstico, ele será designado para o Terminal 1.
• Grupo VI - O Terminal 1 é totalmente designado para voos internacionais. Isso significa que, mesmo que um voo tenha sido originalmente planejado para o Terminal 2, se for internacional, ele será atribuído ao Terminal 1.

O uso dos mesmos dados para aprender modelos de distribuição bayesiana para interrupções de programação e para gerar experimentos de simulação com estocasticidade pode ser considerado uma limitação deste documento. No entanto, o principal objetivo da abordagem proposta é atenuar o impacto negativo das interrupções de programação no ambiente do aeroporto, e não prever o atraso exato ou o horário de chegada antecipada dos voos programados. Ao considerar um determinado intervalo de probabilidade no planejamento da atribuição, pretendemos fornecer uma ferramenta para influenciar a robustez da alocação de estandes. Com um intervalo de probabilidade maior, mais perturbações podem ser consideradas; no entanto, isso pode reduzir a capacidade de recursos do estande e, portanto, pode ser visto como uma limitação para alguns aeroportos congestionados. Intervalos de probabilidade menores resultariam em tempos de bloqueio de estande menores, mas poderiam aumentar o número de aeronaves que poderiam esperar pela disponibilidade do estande. Essa compensação não é discutida neste documento, mas será explorada em pesquisas futuras.

Para cada política de atribuição, os experimentos de A a E foram executados com 30 replicações cada. Cada replicação teve a duração de 7 dias mais horas extras para desvios na programação de chegada. A próxima seção apresenta e discute os resultados dos experimentos realizados.

Resultados dos experimentos

Os resultados dos experimentos realizados foram comparados entre os cenários para identificar uma política de atribuição que permita reduzir significativamente as emissões. As estatísticas comparativas dos indicadores rastreados para os experimentos dos Grupos I a VI são apresentadas nas Figuras 2 a 4.

Como pode ser visto na Figura 2, os cenários A e B têm valores de distância de táxi semelhantes, pois usaram a mesma atribuição de ponto de parada; o cenário B difere do cenário A somente na presença de desvios estocásticos do horário de chegada. Os cenários D e E geralmente resultaram em valores mais altos de distância de táxi, pois não otimizaram a atribuição para minimizar o tempo de táxi. A menor distância de táxi foi obtida no Grupo V, que corresponde à política de atribuição com o Terminal 1 sendo totalmente dedicado aos voos domésticos e o Terminal 2 - aos internacionais. Com essa política, tanto a abordagem de dois módulos quanto a alocação aleatória de última hora geraram valores próximos, com uma diferença de 0,2%. A distância de táxi mais baixa corresponde ao cenário E no Grupo V, que é 4,2% menor do que a atribuição gerada pela abordagem de dois módulos sob a política de atribuição original no cenário C do Grupo I. Nesses experimentos, a atribuição aleatória de última hora com desempenho inferior ao de uma atribuição otimizada de estande pode ser explicada pelo fato de que a atribuição de última hora nos cenários D e E permitia atribuições sobrepostas ao mesmo estande se todos os outros estandes adequados já estivessem ocupados. Em geral, os resultados demonstrados na Figura 2 revelam que, reorganizando o uso dos edifícios do terminal do MEX e dedicando o Terminal 1 inteiramente aos voos domésticos, é possível reduzir a distância de táxi em 4,2% semanalmente.

Figura 2: Comparação da distância total de táxi para os cenários A - E nos grupos de experimentos.
Com relação ao tempo total de táxi, mostrado na Figura 3, pode-se notar que o cenário B apresenta maior variabilidade e valores médios mais altos do que o cenário A devido à presença de desvios estocásticos e tempos de espera das aeronaves. O menor valor de tempo de táxi corresponde ao cenário C no Grupo V, que é a alocação gerada pela abordagem de dois módulos. O tempo total de táxi obtido nesse cenário é 9% menor do que no cenário C do Grupo I.

Notavelmente, o tempo de táxi no cenário C em todos os grupos é sempre menor do que nos cenários com alocação aleatória de última hora e interrupções de programação não consideradas na alocação (B, D e E). Essa observação permite concluir que a consideração de desvios de programação esperados na atribuição de estandes é benéfica para as operações aeroportuárias, pois resulta em tempos de táxi mais curtos devido à redução dos tempos de espera de disponibilidade de estandes.

Quando a quantidade total de emissões de poluentes é comparada, o valor mais baixo corresponde novamente ao Grupo V para os Cenários C (veja a Figura 4). A quantidade de emissões no Grupo V do cenário C é aproximadamente 9% menor do que a quantidade produzida sob a política de atribuição original do Grupo I. A alocação aleatória de última hora no cenário E do Grupo V, curiosamente, resultou em apenas 3,8% de emissões mais altas do que no cenário C. Entretanto, essa alocação aleatória demonstrou uma variabilidade bastante alta em todas as políticas de atribuição.

Pode-se notar que a Figura 3 e a Figura 4 têm valores semelhantes, o que pode ser explicado pela suposição de fatores de emissões uniformes para todo o estudo. No entanto, pode ser interessante repetir os experimentos no futuro com fatores de emissão mais específicos, por exemplo, adaptados do BADA (EUROCONTROL 2020), e analisar a correlação entre o total de emissões e o tempo total de táxi com o objetivo de combiná-los em um único objetivo de otimização.

Figura 3: Comparação do tempo total de táxi para os cenários A - E nos grupos de experimentos.
Figura 4: Comparação do total de emissões de CO 2 + NOx para os cenários A - E por meio dos grupos de experimentos. Resumindo os resultados, pode-se concluir que a política de atribuição de estandes mais benéfica em termos de emissões relacionadas é a do Grupo V. Isso significa que reorganizar o uso dos edifícios do terminal e dedicar o Terminal 1 aos voos domésticos pode economizar para a MEX cerca de 9% do total de emissões de poluentes semanalmente em comparação com a designação dos edifícios do terminal existente nas condições operacionais consideradas nos experimentos.

Conclusões e pesquisas futuras

Este artigo apresenta a aplicação de uma abordagem inovadora que combina métodos bayesianos e uma otimização heurística com dois objetivos para resolver o problema de alocação de estandes em aeroportos sob a perspectiva da minimização das emissões relacionadas. Para validar o impacto da abordagem apresentada na pegada ambiental do aeroporto, a simulação foi incluída na metodologia para introduzir os efeitos da natureza estocástica do sistema real. No caso apresentado, a metodologia mostrou um benefício claro da consideração de possíveis interrupções de horários no planejamento da atribuição de estandes para a atenuação das emissões. Além disso, a aplicação da abordagem de dois módulos com o relaxamento das restrições de atribuição revelou um potencial oculto de atenuação das emissões de poluentes relacionadas aos táxis. No caso do Aeroporto Internacional da Cidade do México, os melhores resultados obtidos correspondem à dedicação de todo o Terminal 1 a voos domésticos e do Terminal 2 a voos internacionais. Esse rearranjo dos edifícios do terminal poderia reduzir as emissões de poluentes relacionadas ao táxi em aproximadamente 9% por semana, em comparação com o uso atual dos terminais.

Como trabalho futuro, outras variáveis, como os tempos de retorno reais e os desvios do horário de partida, e mais dados históricos de desempenho seriam considerados no Módulo I para fornecer mais precisão sobre as perturbações esperadas. Quando mais dados históricos estiverem disponíveis, também seria vantajoso usar conjuntos de dados diferentes, mas comparáveis, para aprender os modelos de desvio e realizar os experimentos de simulação para estimar melhor a precisão dos modelos de desvio obtidos. O aprimoramento do componente de otimização da abordagem de dois módulos e o estudo de simulação com especificações de emissões de aeronaves também são considerados para uma estimativa mais precisa das emissões e seu impacto na alocação de estandes.

Além disso, seria interessante comparar a qualidade das alocações de pátio geradas por dois módulos com as alocações de pátio históricas (reais) para o mesmo aeroporto e testar a abordagem apresentada em outras configurações de aeroporto e políticas de alocação de pátio. Além disso, pode-se investigar se os objetivos de redução da distância de táxi e de redução de emissões podem ser combinados em um único objetivo de otimização e qual seria o impacto no nível de emissões se os tempos de espera das aeronaves fossem considerados em vez do número de aeronaves em espera. Além disso, o uso de informações obtidas do modelo de simulação será incorporado ao loop de otimização para fornecer soluções ainda mais qualitativas.

Agradecimentos

Os autores gostariam de agradecer à Universidade Autônoma de Barcelona, à Academia de Aviação da Universidade de Ciências Aplicadas de Amsterdã pelo apoio a este estudo e à Dutch Benelux Simulation Society(www.dutchbss.org) e à EUROSIM pela divulgação dos resultados deste estudo.

Biografias dos autores

MARGARITA BAGAMANOVA é professora e pesquisadora da Universidade de Ciências Aplicadas de Amsterdã e estudante de doutorado na unidade departamental de Aeronáutica e Logística da Escola de Engenharia da Universidade Autônoma de Barcelona. Sua pesquisa se concentra na aplicação de simulação, otimização multivariada e técnicas de inferência bayesiana para o aprimoramento das operações aeroportuárias. Ela tem publicações em diferentes revistas internacionais revisadas por pares e em anais de conferências internacionais. Além disso, ela é membro ativo do Comitê Diretor da Sociedade Holandesa de Simulação do Benelux (EUROSIM) desde 2018. Seus endereços de e-mail são mm.bagamanova@hva.nl e margaritabagamanova@gmail.com

MIGUEL MUJICA MOTA é professor associado em Gestão de Aviação e pesquisador sênior na Academia de Aviação da Universidade de Ciências Aplicadas de Amsterdã, na Holanda. Possui Ph.D. e mestrado em informática pela Universidade Autônoma de Barcelona e Ph.D. e mestrado em pesquisa operacional pela Universidade Nacional do México. Ele é o atual presidente da EUROSIM, a Federação das Sociedades de Simulação da Europa, e presidente da Sociedade Holandesa de Simulação Benelux. Participou de vários projetos internacionais para o setor e projetos de pesquisa financiados pela Comissão Europeia, pelo Banco Mundial ou pelo setor privado. É coautor de quatro livros e de vários artigos científicos sobre simulação, pesquisa operacional, aviação, manufatura e logística. Seus interesses de pesquisa estão no uso de simulação, formalismos de modelagem e heurística para a otimização e análise de desempenho de operações aeronáuticas, fabricação e logística. Seu endereço de e-mail é m.mujica.mota@hva.nl. Seu site é www.mmujicamota.com

Anais da Conferência de Simulação de Inverno de 2020 K.-H. Bae, B. Feng, S. Kim, S. Lazarova-Molnar, Z. Zheng, T. Roeder e R. Thiesing, eds.

Margarita Bagamanova
Unidade Departamental de Aeronáutica e LogísticaC
Universidade Autônoma de Barcelona
Campus Universitário da UAB
Bellaterra, 08193, ESPANHA
Miguel Mujica Mota
Academia de Aviação
Universidade de Ciências Aplicadas de Amsterdã
Ciências Aplicadas de Amsterdã 190 Weesperzijde
Amsterdã, 1097 DZ, PAÍSES BAIXOS

Referências

Ashok, A., H. Balakrishnan e S. R. H. Barrett. 2017. "Reducing the Air Quality and CO 2 Climate Impacts of Taxi and Takeoff Operations at Airports". Transportation Research Part D: Transport and Environment 54:287-303. ATAG 2020. Aviation Industry Reducing Its Environmental Footprint (Indústria da aviação reduzindo sua pegada ambiental): Aviation: Benefits Beyond Borders. https://www.aviationbenefits.org/environmental-efficiency/climate-action/, acessado em 12 de fevereiro.
Bagamanova, M., e 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 e G. Lodewijks. 2013. "Reducing Emissions of Taxiing at Airports" (Redução de emissões de táxi em aeroportos). Na Conferência Europeia de Simulação e Modelagem de 2013, editada por S. Onggo e A. Kavicka, 331-335. Ostend: Sociedade Multidisciplinar Europeia para Tecnologia de Modelagem e Simulação.
EUROCONTROL 2020. Base of Aircraft Data. https://www.eurocontrol.int/eec/public/standard_page/proj_BADA.html, acessado em 13 de abril. Agência Europeia do Meio Ambiente. 2016. European Monitoring and Evaluation Programme/European Environment Agency Air Pollutant Emission Inventory Guidebook. https://www.eea.europa.eu/publications/emep-eea-guidebook-2016, acessado em 8 de abril de 2020. Fleuti, E., e 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, acessado em 10 de fevereiro de 2020. Flightstats. 2018. Airport On-Time Performance Reports. https://www.flightstats.com/v2/monthly-performance-reports/airports, acessado em 10 de janeiro de 2019. Graver, B., K. Zhang e D. Rutherford. 2019. CO 2 Emissions from Commercial Aviation, 2018. https://theicct.org/publications/co2-emissions-commercial-aviation-2018, acessado em 12 de fevereiro de 2020. Hao, L., M. Hansen e M. S. Ryerson. 2016. "Fueling for Contingencies: The Hidden Cost of Unpredictability in the Air Transportation System" (Abastecimento para contingências: o custo oculto da imprevisibilidade no sistema de transporte aéreo). Transportation Research Part D: Transport and Environment 44:199-210. Hassounah, M. e G. Steuart. 1993. "Demand for Aircraft Gates" [Demanda por portões de aeronaves]. Transportation Research Record 1423:26-33. ICAO 2019a. ICAO Environmental Report. https://www.icao.int/environmental-protection/Documents/ICAO-ENV-Report2019- F1-WEB%20%281%29.pdf, acessado em 25 de março.
ICAO 2019b. The ICAO Aircraft Engine Emissions Databank. https://www.easa.europa.eu/easa-and-you/environment/icao- aircraft-engine-emissions-databank, acessado em 16 de novembro. ICAO 2020. CORSIA Participation. https://www.icao.int/environmental-protection/Lists/CORSIAParticipation/AllItems.aspx, acessado em 12 de fevereiro. Aeroporto Internacional da Cidade do México. 2018. Operaciones de Llegada y Salida Semanal (Operações Semanais de Chegada e Partida). https://www.aicm.com.mx/wp-content/uploads/2019/04/OperacionesdeLlegadaySalida25al31Marz2019.pdf, acessado em 10 de abril de 2019. Khadilkar, H. e H. Balakrishnan. 2012. "Estimation of Aircraft Taxi Fuel Burn Using Flight Data Recorder Archives" (Estimativa da queima de combustível em táxi de aeronaves usando arquivos do registrador de dados de voo). Transportation Research Part D: Transport and Environment 17(7):532-537.
Li, N. e H. Zhang. 2017. "Calculating Aircraft Pollutant Emissions during Taxiing at the Airport" [Calculando as emissões de poluentes de aeronaves durante a rolagem no aeroporto]. Huanjing Kexue Xuebao/Acta Scientiae Circumstantiae 37(5):1872-1876. Mujica Mota, M., e I. Flores. 2019. "Metodologia baseada em modelos para identificar limitações de capacidade em aeroportos: Mexico City Airport Case". SNE Simulation Notes Europe 29(1):13-25. Nikoleris, T., G. Gupta e M. Kistler. 2011. "Detailed Estimation of Fuel Consumption and Emissions during Aircraft Taxi Operations at Dallas/Fort Worth International Airport" (Estimativa detalhada do consumo de combustível e emissões durante operações de táxi de aeronaves no Aeroporto Internacional de Dallas/Fort Worth). Transportation Research Part D: Transport and Environment 16(4):302-308. SCT 2017. Capacidad de Operaciones (Capacidade de Operações). https://www.aicm.com.mx/wp- content/uploads/2017/12/OF1747CapacidadDeOperaciones.pdf, acessado em 11 de dezembro de 2018.
SCT 2019. Estadística Operacional de Aerolíneas (Estatísticas de Tráfego por Companhia Aérea) - Aeroporto Internacional da Cidade do México. http://www.sct.gob.mx/transporte-y-medicina-preventiva/aeronautica-civil/7-inconformidades-de-aerolineas/71- demorasindice-de-puntualidad/aeropuerto-internacional-de-la-ciudad-de-mexico-aicm/, acessado em 15 de novembro de 2019. SEDEMA 2018. Inventario de Emisiones de La CDMX 2016 (Inventário de Emissões da Cidade do México 2016). http://www.aire.cdmx.gob.mx/descargas/publicaciones/flippingbook/inventario-emisiones-2016/mobile/, acessado em 20 de abril de 2020. Simaiakis, I. e H. Balakrishnan. 2016. "A Queuing Model of the Airport Departure Process" (Um modelo de filas do processo de partida do aeroporto). Transportation Science 50(1):94- 109. Simaiakis, I., H. Khadilkar, H. Balakrishnan, T. G. Reynolds e R. J. Hansman. 2014. "Demonstration of Reduced Airport Congestion through Pushback Rate Control".
Transportation Research Part A: Policy and Practice 66(1):251-267. Tsao, H. S. J., W. Wei, A. Pratama e J. R. Tsao. 2009. "Integrated Taxiing and Take-Off Scheduling for Optimization of Airport Surface Operations" (Programação integrada de taxiamento e decolagem para otimização das operações de superfície do aeroporto). Em Proceedings of Indian Subcontinent Decision Sciences Institute Conference 2009, 3 a 5 de janeiro, Bombaim, Índia, 1-12.
Yan, S. e C. Chang. 1998. "A Network Model for Gate Assignment" (Um modelo de rede para atribuição de portões). Journal of Advanced Transportation 32:176-189. Yan, S. e 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 e M. Chen. 2002. "A Simulation Framework for Evaluating Airport Gate Assignments". Transportation Research Part A: Policy and Practice 36(10):885-898