PREDICCIÓN DEL CONSUMO DE COMBUSTIBLE EN AERONAVES MEDIANTE APRENDIZAJE AUTOMÁTICO Y PROFUNDO

Abstract

El presente Trabajo Fin de Grado aborda la estimaci¿ on del consumo de combustible en aeronaves comerciales mediante t¿ecnicas de aprendizaje autom¿ atico y profundo. La correcta predicci¿ on del consumo de combustible es un problema de gran relevancia en la industria de la aviaci¿ on, dado su impacto econ¿ omico, operativo y ambiental. El combustible representa entre el 17% y el 25% de los costos operativos de las aerol¿¿neas, y su consumo est¿ a directamente relacionado con la eficiencia del vuelo y la reducci¿on de emisiones contaminantes. En este contexto, el desarrollo de modelos predictivos precisos es clave para optimizar la planificaci¿on de vuelos y minimizar costes. El objetivo principal de este trabajo es dise¿ nar un modelo que permita estimar con alta precisi¿ on el consumo de combustible a partir de datos operacionales obtenidos del sistema FDR. Para ello, se emplea una metodolog¿¿a basada en la segmentaci¿ on del vuelo en ocho fases distintas, que permite analizar los patrones de consumo espec¿ ¿ficos de cada etapa. Este enfoque mejora la capacidad del modelo para identificar tendencias y factores clave en el consumo de combustible. El proceso metodol¿ ogico seguido incluye varias etapas fundamentales. En primer lugar, se lleva a cabo un preprocesamiento de los datos que involucra la limpieza y normalizaci¿ on de par¿ ametros, la eliminaci¿ on de valores at¿ ¿picos y la generaci¿ on de particiones adecuadas para el entrenamiento de los modelos. Posteriormente, se realiza un proceso de selecci¿ on de caracter¿ ¿sticas para reducir la dimensionalidad de los datos, asegurando que solo las variables m¿ as relevantes sean utilizadas en el modelado. Para la predicci¿ on del consumo, se implementan y comparan diversas arquitecturas de apren dizaje autom¿atico y profundo. Entre los modelos empleados se incluyen regresores simples, como regresi¿ on lineal y ¿ arboles de decisi¿on, as¿ ¿ como modelos m¿ as avanzados, como redes neuronales recurrentes, incluyendo arquitecturas LSTM y GRU. Estas arquitecturas permiten capturar dependencias temporales en los datos, lo que resulta esencial para la estimaci¿ on precisa del consumo de combustible en cada fase del vuelo. Los resultados obtenidos muestran que la segmentaci¿on en fases del vuelo permite mejorar significativamente la precisi¿ on de la predicci¿on en comparaci¿ on con enfoques tradicionales. Adem¿ as, se observan diferencias significativas en el desempe¿no de los modelos seg¿ un la fase del vuelo analizada, lo que reafirma la importancia de segmentar el problema en etapas espec¿ ¿ficas. No obstante, la calidad de la predicci¿ on depende no solo del modelo empleado, sino tambi¿ en del adecuado tratamiento de los datos, que resulta esencial para garantizar que la informaci¿ on utilizada sea representativa para el modelado. En particular, los modelos basados en LSTM y GRU obtienen mejores resultados al introducir la secuencia completa del vuelo, ya que son capaces de obtener m¿ as dependencias temporales de los datos.