Tytuł pozycji:
A review of machine learning applications in aviation engineering
This review paper investigates how machine learning (ML) has transformed multiple facets of aviation engineering. The work demonstrates substantial progress in flight operations and air traffic management (ATM) optimization through frameworks such as Reinforcement-Learning-Informed Prescriptive Analytics (RLIPA) and deep reinforcement learning (DRL) techniques applied to conflict resolution. The study highlights how ML contributes to operational efficiency through faster computational processes and better decision-making abilities for those who control air traffic. The paper examines how leading firms such as SpaceX and Raytheon use ML technology to enhance manufacturing processes, including predictive maintenance (PdM) and autonomous systems development. The paper discusses ML implementation obstacles, including model interpretability, and highlights further research requirements for adapting to real-world issues such as changing traffic volumes and weather variations. Overall, the study demonstrates how ML technology can transform aviation engineering through enhancements in safety standards as well as operational and process efficiency.
W niniejszym artykule przeglądowym przedstawiono w jaki sposób uczenie maszynowe (ang. machine learning - ML) przekształciło wiele aspektów inżynierii lotniczej. Artykuł przedstawia znaczny postęp w optymalizacji operacji lotniczych i zarządzania ruchem lotniczym poprzez preskryptywną analizę opartą na uczeniu się przez wzmacnianie i techniki głębokiego uczenia się ze wzmocnieniem stosowane do rozwiązywania konfliktów. Badanie podkreśla w jaki sposób ML decyduje o wydajności operacyjnej poprzez szybsze procesy obliczeniowe i lepsze zdolności podejmowania decyzji przez osoby kontrolujące ruch lotniczy. Artykuł analizuje, w jaki sposób wiodące firmy, takie jak SpaceX i Raytheon, wykorzystują technologię ML do ulepszania procesów produkcyjnych, w tym utrzymania predykcyjnego i rozwoju systemów autonomicznych. Omówiono również przeszkody we wdrażaniu ML, w tym interpretowalność modelu, oraz wskazano dalsze wymagania badawcze dotyczące dostosowywania się ML do rzeczywistych problemów, takich jak zmieniające się natężenie ruchu i wahania pogody. Ogólnie rzecz biorąc, wyniki badań omówione w artykule przedstawiają w jaki sposób technologia ML może wspomagać inżynierię lotniczą poprzez udoskonalenie norm bezpieczeństwa, a także wydajność operacyjną i procesową.
Opracowanie rekordu ze środków MNiSW, umowa nr POPUL/SP/0154/2024/02 w ramach programu "Społeczna odpowiedzialność nauki II" - moduł: Popularyzacja nauki (2025).
