Tối ưu hóa đường bay bằng mã nguồn mở: Tiết kiệm hàng nghìn đô la nhiên liệu máy bay

Một chiếc Boeing 787-9 Dreamliner bay thẳng từ sân bay Newark Liberty (EWR) đến sân bay Leonardo da Vinci-Fiumicino (FCO) có thể tiêu tốn tới 68.000 USD tiền nhiên liệu trong suốt 8,5 giờ bay. Chỉ cần điều chỉnh đường bay phù hợp với điều kiện gió, các hãng hàng không có thể giảm mức tiêu thụ và tiết kiệm vài nghìn đô la mỗi chuyến.

Đây không còn là bài toán độc quyền của các tập đoàn lớn. Với sự kết hợp giữa khung học tăng cường Scikit-decide, mô hình tiêu thụ nhiên liệu OpenAP do một giáo sư Đại học Công nghệ Delft phát triển, cùng dữ liệu gió từ NOAA, giờ đây các kỹ sư và nhà nghiên cứu có thể tiếp cận giải pháp mã nguồn mở cho bài toán tối ưu đường bay.

Scikit-decide: Sáu năm phát triển cho bài toán tối ưu hóa

Scikit-decide là một framework dành cho học tăng cường (reinforcement learning), lập kế hoạch và điều độ tự động. Dự án đã được phát triển suốt sáu năm và có khả năng ứng dụng đa dạng: tối ưu đường bay, sắp xếp lại lịch làm việc của phi hành đoàn, thậm chí tính toán đường bay cho bầy drone.

Bộ giải tối ưu đường bay của Scikit-decide cho phép cấu hình nhiều mô hình tiêu thụ nhiên liệu khác nhau. Trong bài thử nghiệm này, tác giả so sánh hai đường bay sử dụng máy bay Airbus A320 kết hợp mô hình tiêu thụ nhiên liệu của OpenAP.

Giao diện QGIS hiển thị dữ liệu khí tượng toàn cầu

OpenAP: Mô hình hiệu suất máy bay mã nguồn mở

OpenAP là mô hình hiệu suất máy bay và bộ công cụ được phát triển bởi Tiến sĩ Junzi Sun — người có bằng tiến sĩ về quản lý không lưu và hiện là phó giáo sư tại Đại học Công nghệ Delft (Hà Lan). Ông cũng giảng dạy một khóa học chuyên sâu về lĩnh vực này.

Kho dữ liệu của OpenAP bao gồm thông số kỹ thuật chi tiết cho nhiều loại máy bay:

• 17 mẫu Boeing, 13 mẫu Airbus, 5 mẫu Embraer, 1 Gulfstream và 1 Cessna
• Gần 14.000 sân bay với mã ICAO, tọa độ và độ cao
• Hơn 26.000 thiết bị dẫn đường (nav aids) và điểm waypoint
• 427 loại động cơ từ các nhà sản xuất như GE, CFM International, Pratt & Whitney và Rolls-Royce

Mỗi mẫu máy bay đi kèm thông số chi tiết về khối lượng (mtow, mlw, oew), hệ số cản (drag coefficients), cấu hình cánh, và đặc tính động cơ. Ví dụ, Airbus A380-800 có hệ số cản cd0 là 0.016, hệ số k là 0.050 và hiệu suất khí động e là 0.855.

Quy trình tối ưu hóa thực tế

Quá trình tối ưu bắt đầu bằng việc cài đặt môi trường Python 3.12 cùng các thư viện cần thiết:

$ pip install 'scikit-decide[all]' 'openap[all]' opentop

Hệ thống cần ít nhất 8 GB dung lượng lưu trữ, bao gồm các thư viện như PyTorch Geometric, Ray, TensorboardX và Z3-solver. Ngoài ra, DuckDB với các tiện ích mở rộng H3, Lindel, Parquet và Spatial được sử dụng để xử lý dữ liệu không lưu.

Bước quan trọng nhất là tải dữ liệu khí tượng từ NOAA. Mỗi file GRIB2 chứa dữ liệu gió cho toàn bộ hành tinh với dung lượng khoảng 144 MB. Với chuyến bay trong vòng sáu tháng gần nhất, hệ thống sẽ tự động tải file dữ liệu theo khung giờ 00:00, 06:00, 12:00 và 18:00.

Bản đồ dữ liệu khí tượng toàn cầu được hiển thị trên QGIS

Thuật toán A* và kết quả cụ thể

Bài thử nghiệm tìm đường bay tối ưu từ Toulouse-Blagnac (LFBO/TLS) đến Berlin Brandenburg (EDDB/BER) với máy bay A320. Bộ giải sử dụng thuật toán A* với heuristic lazy_fuel và hàm chi phí fuel (nhiên liệu).

Không gian tìm kiếm được cấu hình với:

• 20 điểm hướng trước và 10 điểm ngang
• 5 bước leo lên và hạ xuống
• Độ cao hành trình từ 30.000 đến 38.000 ft
• Mach hành trình 0.78, mach leo lên 0.7, mach hạ xuống 0.65

Kết quả sau 19 bước: tổng thời gian 7.666 giây và tiêu thụ 5.855 kg nhiên liệu — tối ưu hơn so với đường bay thông thường.

Bộ giải hoàn thành trong 0,28 giây, nhanh đến mức gần như tức thời với người dùng cuối. Quỹ đạo bay cho thấy máy bay duy trì độ cao 30.000 ft trong phần lớn hành trình, chỉ nâng lên 32.000 ft trong một đoạn ngắn để tận dụng điều kiện gió thuận lợi.

Sơ đồ mạng lưới không gian tìm kiếm đường bay

Ý nghĩa với ngành hàng không

Việc tiết kiệm nhiên liệu không chỉ mang ý nghĩa kinh tế mà còn tác động trực tiếp đến môi trường. Mỗi kg nhiên liệu tiết kiệm được tương đương khoảng 3,16 kg CO₂ không thải ra khí quyển. Với hàng chục nghìn chuyến bay mỗi ngày trên toàn cầu, tiềm năng giảm phát thải là rất lớn.

Các hãng hàng không lớn từ lâu đã sử dụng dịch vụ tối ưu đường bay của các công ty như Jeppesen (thuộc Boeing). Tuy nhiên, giải pháp mã nguồn mở này mở ra cơ hội cho các hãng nhỏ hơn, các nhà nghiên cứu và cả các startup hàng không tiếp cận công nghệ tương tự mà không cần đầu tư chi phí khổng lồ.

Điểm đáng chú ý là hệ thống hoàn toàn có thể chạy trên workstation cá nhân. Cấu hình thử nghiệm sử dụng AMD Ryzen 9 995X xung nhịp 5,7 GHz với 16 nhân, 32 luồng, 96 GB RAM DDR5 và SSD NVMe 4 TB — một cấu hình khá mạnh nhưng không quá xa vời so với các máy trạm chuyên nghiệp.

Trong bối cảnh ngành hàng không toàn cầu đang chịu áp lực giảm chi phí và cắt giảm phát thải, việc ứng dụng AI và dữ liệu mở vào tối ưu hóa đường bay hứa hẹn là một hướng đi thiết thực. Với các kỹ sư Việt Nam đang làm việc trong lĩnh vực hàng không, logistics hoặc nghiên cứu vận trù học, đây là bài toán thú vị đáng để thử sức với nguồn tài nguyên mã nguồn mở ngày càng phong phú.