„Saving Jet Fuel“ ist ein Blogbeitrag, der zu einer Erkundung der Luft- und Raumfahrttechnik, verteilten Systeme und Open-Source-Software wurde. Der Autor des Beitrags, ein Forscher namens Junzi Sun, möchte einen günstigeren Weg über den Atlantik finden – und zeigt dabei eine Python-Virtual-Machine, Flugmodelle einer niederländischen Universität und eine Wetterdatenbank von NOAA.
Das Problem ist einfach zu formulieren, aber schwer zu lösen. Ein Boeing 787-9 Dreamliner, der nonstop vom Newark Liberty International Airport (EWR) zum Leonardo da Vinci-Fiumicino Airport (FCO) fliegt, könnte für einen 8,5-stündigen Flug 68.000 US-Dollar an Flugbenzin benötigen. Windbedingungen ändern sich ständig, und die Anpassung der Flugroute an diese Veränderungen könnte den Treibstoffverbrauch reduzieren und möglicherweise ein paar tausend Dollar sparen.
Die Werkzeuge hinter dem Beitrag
Suns Setup liest sich wie ein Hardware-Spezifikationsblatt für einen High-End-Workstation. Er verwendet eine 5,7 GHz AMD Ryzen 9 9950X CPU mit 16 Kernen und 32 Threads, 96 GB DDR5 RAM bei 4.800 MT/s und eine 4 TB Crucial T700 NVMe SSD mit bis zu 12.400 MB/s Lesegeschwindigkeit. Das System wird von einem Flüssigkeitskühler gekühlt und befindet sich in einem Cooler Master HAF 700 Gehäuse, das von einem 1.200-Watt-Corsair-Netzteil und einem ASRock X870E Nova 90 Mainboard betrieben wird.
Das Betriebssystem ist Ubuntu 24 LTS, das über Microsofts Ubuntu für Windows auf Windows 11 Pro ausgeführt wird. Sun erklärt, dass er bei Windows bleibt, weil seine Nvidia GTX 1080 GPU dort eine bessere Treiberunterstützung hat, und ArcGIS Pro nur auf dieser Plattform funktioniert.
Von OpenAP zu Scikit-Decide
Der Kern des Beitrags ist ein Vergleich zwischen zwei Flugrouten, die beide mit dem Airbus A320 und OpenAPs Treibstoffverbrauchsmodell geflogen wurden. OpenAP ist ein Flugzeugleistungsmodell und Toolkit, das von Sun selbst entwickelt wurde. Er hat einen Doktortitel in Luftverkehrsmanagement und unterrichtet das Fach als ordentlicher Assistenzprofessor an der TU Delft in den Niederlanden.
Scikit-decide ist das Planungs-Framework, das die eigentliche Arbeit leistet. Es befindet sich seit sechs Jahren in der Entwicklung und ist ein Framework für Reinforcement Learning, automatisierte Planung und Zeitplanung. Es kann Flugrouten optimieren, Fluggesellschaften-Arbeitskräftepläne neu organisieren und Drohnen-Schwarmpfade berechnen. Das Projekt kann so konfiguriert werden, dass es verschiedene Treibstoffverbrauchsmodelle verwendet.
The installation process is thorough. Sun sets up a Python Virtual Environment with python3 -m venv ~/.flight_planning and source ~/.flight_planning/bin/activate, then installs scikit-decide, OpenAP and OpenTop. OpenTop is another flight trajectory toolkit developed by Sun.
Die Daten, die den Solver antreiben
OpenAP’s Modell stützt sich auf eine große Anzahl von Datensätzen, die mit seinem Code verpackt sind. Die Datensätze decken eine Vielzahl von Flugzeugen ab, und Sun liefert eine Aufzählung der Hersteller:
- Boeing: 17 Einträge
- Airbus: 13 Einträge
- Embraer: 5 Einträge
- Gulfstream: 1 Eintrag
- Cessna: 1 Eintrag
Er öffnet auch die Dateien selbst. Der Eintrag für den Airbus A380-800 listet maximales Startgewicht, maximales Landegewicht, Leergewicht, maximale Treibstoffkapazität, Geschwindigkeitsgrenzen und mehr auf. Die Drag-Polar-Datei fügt eigene Koeffizienten hinzu, und eine separate Textdatei enthält zusätzliche Wrap-Daten.
Sun verwendet DuckDB zur Handhabung der Daten und lädt seine H3-, JSON-, Lindel-, Parquet- und Spatial-Erweiterungen. Er richtet eine Konfigurationsdatei ein, sodass jede Erweiterung beim Start automatisch geladen wird.
Was der Vergleich zeigt
Der Beitrag veröffentlicht nicht die genauen Einsparungen von seinen zwei Flugrouten. Stattdessen führt er die Leser durch die Werkzeuge und Daten, die den Vergleich ermöglichten. Der Vergleich selbst ist die Methode, nicht das Ergebnis.
Der wichtigere Punkt ist, dass es Open-Source-Werkzeuge für diese Art von Arbeit gibt. Unternehmen wie Jeppesen bieten kommerzielle Lösungen an, aber Scikit-decide, die Modelle der TU Delft und NOAA’s Winddaten bieten eine kostenlose Alternative. Sun’s Beitrag demonstriert, dass ein Forscher eine funktionierende Pipeline aus frei verfügbaren Komponenten zusammenstellen kann.
Der Beitrag ist dicht mit technischen Details und setzt einen Leser voraus, der Python und Shell-Scripting kennt. Aber die zugrunde liegende Idee ist leicht zu verstehen: ein Flugverlauf ist nicht festgelegt, und kleine Anpassungen können Kosten senken.
Schlüsselzahlen ()
- Flug: Boeing 787-9 Dreamliner von EWR nach FCO, 8,5 Stunden ()
- Geschätzte Treibstoffkosten: 68.000 US-Dollar ()
- Mögliche Einsparungen: einige tausend Dollar ()
- OpenAP Flugzeugtypen: 3.369 Zeilen Python, 17 Boeing, 13 Airbus, 5 Embraer, 1 Gulfstream, 1 Cessna ()
- Installierte Pakete: insgesamt 26, einschließlich scikit-decide 1.1.1 und OpenAP ()
- Workstation: 5,7 GHz Ryzen 9 9950X, 96 GB DDR5, 4 TB Crucial T700 SSD ()
- Betriebssystem: Ubuntu 24 LTS über Ubuntu für Windows auf Windows 11 Pro ()
Zeitplan der Installationsschritte ()
| Schritt () | Befehl () |
|---|---|
| Python-Repository hinzufügen () | sudo add-apt-repository ppa:deadsnakes/ppa |
| Pakete aktualisieren | sudo apt update |
| Voraussetzungen installieren | sudo apt install jq python3-pip python3.12-venv |
| Virtuelle Umgebung einrichten | python3 -m venv ~/.flight_planning; source ~/.flight_planning/bin/activate |
| Bibliotheken installieren | pip install 'scikit-decide[all]' 'openap[all]' opentop |
| DuckDB-Erweiterungen laden | INSTALL h3 FROM community; INSTALL lindel FROM community; INSTALL json; INSTALL parquet; INSTALL spatial |
Der Beitrag ist eine nützliche Demonstration dessen, was Open-Source-Tools in der Luft- und Raumfahrtsforschung leisten können. Er zeigt, wie ein Forscher eine maßgeschneiderte Flugplanungs-Pipeline aus frei verfügbaren Modellen und Daten erstellen kann, ohne auf proprietäre Software angewiesen zu sein.
Der Vergleich selbst ist eine methodische Aussage. Sun veröffentlicht keine endgültige Zahl, sondern zeigt, dass die Frage der Kraftstoffeffizienz mit den richtigen Werkzeugen angegangen werden kann. Das ist der Wert der Übung.
Die Hardware-Details sind in ihrer Spezifität unterhaltsam. Ein 5,7 GHz-Prozessor, ein 1.200-Watt-Netzteil, eine GTX 1080 – dies ist keine bescheidene Laborumgebung. Suns Entscheidung, bei Windows zu bleiben wegen ArcGIS Pro, ist ein kleines, aber aussagekräftiges Detail darüber, wie institutionelle Softwareanforderungen persönliche Arbeitsabläufe prägen.
Der Beitrag ist eine Erinnerung daran, dass die Werkzeuge der Wissenschaft inzwischen breit verfügbar sind, auch wenn das dahinterliegende Wissen nicht immer einfach zugänglich ist. Suns Arbeit ist eine Brücke zwischen beiden, und seine Bereitschaft, sie Schritt für Schritt zu dokumentieren, ist großzügig.
Das Notizbuch abonnieren.
Die besten Geschichten des Tages und jedes neue Urteil, in klarem Deutsch, um sieben im Postfach. Eine Mail am Tag, nicht mehr.