본문 바로가기 주메뉴 바로가기
22대 대한민국 국회 국회정보길라잡이 국회의원검색
회원가입 로그인
HOME

정보검색

소장정보 검색

국회도서관 홈으로 정보검색 소장정보 검색
결과 내 검색 동의어 포함
결과 내 검색 동의어 포함

-

목차보기

표제지

초록

Abstract

목차

제1장 서론 14

1.1. 연구 배경 14

1.2. 연구 목표 15

1.3. 연구 방향 15

제2장 최종접근경로 과이탈 17

2.1. ADS-B 항적 데이터 17

2.2. 최종접근경로 과이탈 18

2.3. 최종접근경로 과이탈 산출 과정 18

2.3.1. 과이탈 거리 산출 방법 18

2.3.2. 착륙 활주로 판별 19

2.3.3. 과이탈 판별 조건 20

2.4. 최종접근경로 과이탈 산출 결과 22

2.4.1. 김해공항 22

2.4.2. 인천공항 22

2.4.3. 김포공항 23

2.4.4. 제주공항 24

제3장 최종접근경로 과이탈 분석 26

3.1. 속도 분석 26

3.2. 바람 분석 29

3.2.1. 바람 성분 추출 지점 29

3.2.2. 바람 성분 추출 32

3.2.3. 바람 장미 33

3.2.4. 공항 별 바람 분석 결과 36

3.3. 클러스터링 분석 52

3.3.1. 클러스터링 결과 재 군집 52

3.3.2. 클러스터링 분석 54

제4장 심층 신경망을 이용한 과이탈 예측 61

4.1. 심층 신경망 61

4.2. 과이탈 예측 결과 62

제5장 결론 64

제6장 참고 문헌 65

표목차

표 1. ADS-B 항적 데이터 예시 17

표 2. 국내 공항 과이탈 요약 30

표 3. 대군집별 과이탈 비율 54

표 4. MASTA-1의 군집 별 과이탈 55

표 5. KALEK-1의 군집 별 과이탈 58

표 6. 심층 신경망 파라미터 62

표 7. Layer node 62

표 8. 과이탈 예측 결과 및 비교 63

그림목차

그림 1. 비행 단계 별 안전사고 분포 14

그림 2. 연구 방향 16

그림 3. 최종접근경로 과이탈 개념도 18

그림 4. 과이탈 발생 항공기의 투영 궤적 19

그림 5. 활주로 판별 알고리즘 20

그림 6. 착륙 활주로 및 과이탈 지점 판별 결과 21

그림 7. 김해공항의 과이탈 결과 22

그림 8. 인천공항 과이탈 결과 23

그림 9. 김포공항 과이탈 결과 24

그림 10. 제주공항 과이탈 결과 25

그림 11. 김해공항 36L 활주로 접근구간 속도분포 26

그림 12. 김해공항 과이탈(Over) 및 정상(Normal) 항공기 속도 비교 26

그림 13. 인천공항 과이탈(Over) 및 정상(Normal) 항공기 속도 비교 27

그림 14. 제주공항 과이탈(Over) 및 정상(Normal) 항공기 속도 비교 28

그림 15. 김포공항 과이탈(Over) 및 정상(Normal) 항공기 속도 비교 28

그림 16. 김해공항 36L 활주로의 과이탈 히트맵 29

그림 17. 인천공항 과이탈 히트맵 30

그림 18. 제주공항 과이탈 히트맵 31

그림 19. 김포공항 과이탈 히트맵 31

그림 20. 등압면에서 고도면으로 기상 데이터 변환 과정 32

그림 21. 기상 데이터와 항적데이터 결합 과정 33

그림 22. 김해공항 36L 활주로의 바람 장미 34

그림 23. 과이탈 유무와 과이탈 방향에 기반한 바람 장미 분류 과정 35

그림 24. 36L 활주로의 측풍 성분에 따른 과이탈 비율 37

그림 25. 36L 활주로의 배풍 성분에 따른 과이탈 비율 37

그림 26. 15L 활주로와 16 활주로의 바람 장미 38

그림 27. 15L 활주로와 16 활주로의 바람 성분에 따른 과이탈 비율 39

그림 28. 33R 활주로 바람 장미 40

그림 29. 33R 활주로의 바람 성분에 따른 과이탈 비율 41

그림 30. 34 활주로 바람 장미 42

그림 31. 34 활주로의 바람 성분에 따른 과이탈 비율 42

그림 32. 07 활주로 바람 장미 43

그림 33. 07 활주로의 바람 성분에 따른 과이탈 비율 44

그림 34. 25 활주로 바람 장미 45

그림 35. 25 활주로의 바람 성분에 따른 과이탈 비율 46

그림 36. 14R 활주로 바람 장미 47

그림 37. 14R 활주로의 바람 성분에 따른 과이탈 비율 47

그림 38. 32L 활주로 바람 장미 48

그림 39. 32L 활주로의 바람 성분에 따른 과이탈 비율 49

그림 40. 32R 활주로 바람 장미 50

그림 41. 32R 활주로의 바람 성분에 따른 과이탈 비율 51

그림 42. 김해공항의 STAR 지점 52

그림 43. 86개의 군집 재 군집화 53

그림 44. MASTA-1의 19개 군집 56

그림 45. 과이탈 비율이 큰 MASTA-1 군집 57

그림 46. KALEK-1의 8개 군집 59

그림 47. 과이탈 비율이 큰 KALEK-1 군집 60

그림 48. 심층 신경망 구조 61

초록보기

 항공기는 여러 비행단계를 거쳐 운항을 시작하고 종료한다. 운항 중 안전사고는 주로 착륙 단계에서 발생하며, 이는 이전 접근 단계에서의 영향을 받을 수 있다. 따라서 접근 단계 중 발생할 수 있는 최종접근경로 과이탈 현상에 대한 연구를 진행하였다. 최종접근경로 과이탈이 발생하면 Glideslope 편차나 Localizer 편차와 같은 불안전 접근을 유래할 수 있고, 나아가 복행이나 경착륙 같은 심각한 안전문제로 이어질 수 있다. 본 논문에서는 최종접근경로 과이탈에 대해 분석하고, 이를 이용하여 과이탈을 예측하고자 한다.

최종접근경로 과이탈을 분석하기 위해 ADS-B 항적 데이터를 사용하는 과이탈 산출 알고리즘을 개발하였고 이를 이용하여 과이탈을 산출하였다. 산출된 결과는 지상속도, 바람 성분, 클러스터링을 활용하여 분석하였다. 항적 데이터에는 바람에 관한 정보가 포함되어 있지 않기 때문에 기상청에서 제공하는 KLAPS 기상데이터를 활용하였으며, 바람 정보를 추출하기위해 기상 데이터를 전처리하고 항적데이터와 결합하는 과정을 진행하였다. 클러스터링을 활용한 분석은 이전 김해공항을 대상으로 실행한 연구결과와 과이탈을 비교하여 분석을 진행하였다. 분석 결과 접근 구간에서 과이탈이 발생한 항공기의 지상속도가 더 큰 것을 확인했으며, 측풍 성분과 배풍 성분의 속도가 증가함에 따라 과이탈이 증가하는 경향을 확인였고, 특정 군집에서 과이탈 비율이 매우 큰 것을 확인하였다.

최종접근경로 과이탈을 예측하기 위해 머신러닝 기법 중 심층 신경망 기법을 사용하였다. 심층 신경망의 입력 값으로는 과이탈에 영향을 미치는 지상속도, 측풍 속도, 배풍 속도, 클러스터링 결과가 사용되었으며, 과이탈 발생 비율이 출력되도록 모델을 구성하였다. 2019년 김해공항에서 과이탈이 발생하지 않은 항공기와 과이탈이 발생한 항공기 중 각각 무작위 90%를 선택하여 학습을 수행하였고, 나머지 10% 항적의 예측을 시도하였다. 예측 결과와 실제 결과를 비교한 결과 경향성을 따라가긴 하지만 두 값의 차이가 커, 모델을 보완할 필요가 있다.

추천서가 (다양한 추천 자료를 만나보세요)

권호기사보기

권호기사 목록 테이블로 기사명, 저자명, 페이지, 원문, 기사목차 순으로 되어있습니다.
기사명 저자명 페이지 원문 기사목차