การพัฒนาตัวแบบพยากรณ์ของปริมาณเชื้อเพลิงเพิ่มพิเศษสำหรับเครื่องบินแบบแอร์บัส A320-200 ทำการบินลงสนาม ณ ท่าอากาศยานสุวรรณภูมิ : กรณีศึกษาสายการบินไทยสมายล์ (Developing a Model Forecasting Extra Fuel for Airbus A320-200 Landing at Suvarnabhumi Airport: a case study of Thai Smile Airways)
Article Sidebar
Main Article Content
บทคัดย่อ
งานวิจัยฉบับนี้มีวัตถุประสงค์เพื่อพัฒนาตัวแบบพยากรณ์ปริมาณเชื้อเพลิงเพิ่มพิเศษของเครื่องบินแบบแอร์บัส A320-200 ทำการบินลงสนาม ณ ท่าอากาศยานสุวรรณภูมิ เพื่อให้เกิดความประหยัดในขณะที่ความปลอดภัยด้านการบินยังคงอยู่ในเกณฑ์ที่ยอมรับได้ การวิจัยนี้เป็นการวิจัยแบบผสมผสานโดยใช้เทคนิคเชิงปริมาณนำเชิงคุณภาพ โดยทำการรวบรวมตัวแปรด้านการบินจากการสัมภาษณ์กัปตันซึ่งสามารถสรุปได้จำนวน 8 ตัวแปร และนำข้อมูลทุติยภูมิที่ได้จากข้อมูลด้านการบินในอดีตจำนวน 427 เที่ยวบิน มาวิเคราะห์ข้อมูลด้วยเทคนิคโครงข่ายประสาทเทียมเพื่อสร้างตัวแบบพยากรณ์ปริมาณเชื้อเพลิงเพิ่มพิเศษ โดยให้ชุดข้อมูลฝึกมีจำนวน 307 เที่ยวบิน และชุดข้อมูลทดสอบมีจำนวน 120 เที่ยวบิน แล้วทำการพยากรณ์ข้อมูลในอดีตเพื่อเปรียบเทียบประสิทธิภาพและค่าใช้จ่าย ตลอดจนทดสอบการใช้งานจริงโดยนักบินผลการวิจัยพบว่า
ตัวแบบมีผลรวมค่าความคลาดเคลื่อนกำลังสองเป็น 0.346 จากนั้นจึงนำตัวแบบไปทดสอบในเที่ยวบินจริงพบว่ามีค่าความถูกต้อง 91.67% และหากสายการบินไทยสมายล์ใช้ตัวแบบพยากรณ์นี้ช่วงระหว่างวันที่ 1 เมษายน 2562 – 31 มีนาคม 2563 จะทำให้สายการบินไทยสมายล์สามารถประหยัดค่าใช้จ่ายได้ 10,929,197.60 บาท สรุปได้ว่าตัวแบบพยากรณ์ปริมาณเชื้อเพลิงเพิ่มพิเศษฯ นี้สามารถนำไปใช้งานจริงได้เพื่อช่วยให้สายการบินประหยัดค่าเชื้อเพลิง ในขณะที่นักบินก็มีความมั่นใจในความปลอดภัยด้านการบินอีกด้วย
Article Details
เอกสารอ้างอิง
Casado, R., and Bermúdez, A. (2020). Neural Network-Based Aircraft Conflict Prediction in Final Approach Maneuvers. Electronics, 9(10), 1708.
Chiewchanwattana, S. (2020). Artificial Neural Networks. Khon Kaen: Klungnan Vitthaya. (in Thai)
Eiampan, T. (2019). Human Error Management in Aviation. Sripatum Review of Humanities and Social Sciences, 19(2), 166-176. (in Thai)
Hongboonmee, N. (2021). Predictive System for Risk of Herniated Disc via Smartphone using Data Mining Techniques. Sripatum Review of Science and Technology, 13(1), 128-143. (in Thai)
Kanthananon, K. (2018). Statistical Forecasting. Bangkok: Se-Education. (in Thai)
Kengpol, A., and Wangkananon, W. (2015). An assessment of customer contentment for ready-to-drink tea flavor notes using artificial neural networks. In V. Kachitvichyanukul, K. Sethanan, P. Golinska-Dawson (Eds.), Toward sustainable operations of supply chain and logistics systems. (pp. 421-434). Springer.
Mazraati, M., and Alyousif, O. M. (2009). Aviation Fuel Demand Modelling in OECD and Developing Countries: Impacts of Fuel Efficiency. OPEC Energy Review, 33(1), 23-46.
Paul, S., Kapoor, K., Jasani, D., Dudhwewala, R., Gowda, V. B., and Nair, T. R. (2010). Application of artificial neural networks in aircraft maintenance, repair and overhaul solutions. The Proceedings of Total Engineering, Analysis and Manufacturing Technologies [TEAMTECH2008], 22nd- 24th September 2008 at IISc, Bangalore.
Singh, V., and Sharma, S. K. (2014). Evolving Base for The Fuel Consumption Optimization in Indian Air Transport: Application of Structural Equation Modeling. European Transport Research Review, 6(3), 315-332.
Singh, V., and Sharma, S. K. (2015). Fuel Consumption Optimization in Air Transport: A Review, Classification, Critique, Simple Meta-analysis, and Future Research Implications. European Transport Research Review, 7(2), 1-24.
Sirinaovakul, B. (2013). Artificial Intelligence: Swarm Intelligence. Bangkok: Top Publishing. (in Thai)
Thai Smile Airways Co., Ltd. (2020a). Operation Manual Part A (Unpublished confidential document). Bangkok: Author.
Thai Smile Airways Co., Ltd. (2020b, January 23). Thai Smile Airways’ expense of Fuel [Paper presentation]. Thai Airways International Public Company Limited’s Board Meeting. Bangkok. (in Thai)
