Aircraft sound modeling through simulation for route optimization

Aircraft noise is the most important cause of adverse community reactions related to airport operation and expansion. Control of noise exposure in communities can be achieved in a variety of ways, but its implementation must follow a balanced approach to achieve maximum environmental benefit in the most cost-effective manner. The following work focused on defining a simplified aircraft noise model to study the impact of noise directivity patterns in a trajectory optimization tool called NOICE, which currently models aircraft noise as a single source with spherical spreading. The literature best practice models suggest regression from actual measurements, but in this case, a simulation approach was tried for the model definition due to the impossibility of accessing these measurements. The simulations were performed using an implemented model in compliance with ECAC Doc. 29 guidelines, used to create airport noise contour maps. Although the goal of this tool is not for simulation purposes, it was possible to define a simplified aircraft noise model that accounts for directivity. Case study analyses focused on Milano Malpensa Airport (LIMC) were then carried out to evaluate the current performance of NOICE against the current noise abatement Standard Instrumental Departure (SID), as well as the sensitivity of its results with respect to the noise model used. The analysis performed determined the importance of a preliminary study of the potential application scenario to define intrinsic constraints. Also, a minimal difference on the optimal route was shown according to the new noise model, achieving a 1.31% decrease in Sound Exposure Level (SEL) over the communities more exposed to noise. Despite the new noise model being approximately 60 times slower than the spherical spreading approximation, the absolute difference in computing time could be negligible and depends on the NOICE optimization program setup. In general, this work was limited to the non-access to actual measurements. Therefore, the future guidelines focus on developing an embedded system that permits acquiring data to validate the developed models and eventually trying with other approaches like machine learning ones.

Il rumore degli aerei è la causa più importante delle reazioni avverse delle comunità legate al funzionamento e all’espansione degli aeroporti. Il controllo dell’esposizione al rumore nelle comunità può essere ottenuto in una varietà di modi, ma la sua implementazione deve seguire un approccio equilibrato per ottenere il massimo beneficio ambientale nel modo più conveniente. Il seguente lavoro si è concentrato sulla definizione di un modello semplificato di rumore degli aerei per studiare l’impatto della direttività del rumore in uno strumento di ottimizzazione della traiettoria chiamato NOICE, che attualmente modella il rumore degli aerei come una singola sorgente con diffusione sferica. I modelli best practice della letteratura suggeriscono la regressione da misure reali, ma in questo caso, è stato provato un approccio di simulazione per la definizione del modello a causa dell’impossibilità di accedervi. La simulazione è stata eseguita utilizzando un modello implementato in conformità con le linee guida ECAC Doc. 29, utilizzato per creare mappe di contorno del rumore aeroportuale. Anche se l’obiettivo di questo strumento non è a scopo di simulazione, è stato possibile definire un modello semplificato di rumore degli aerei che tiene conto della direttività. In seguito, sono state condotte analisi di casi di studio incentrati sull’aeroporto di Milano Malpensa per valutare le prestazioni attuali di NOICE rispetto all’attuale SID di abbattimento del rumore, così come la sensibilità dei suoi risultati rispetto al modello di rumore utilizzato. L’analisi effettuata ha determinato l’importanza di uno studio preliminare del potenziale scenario di applicazione per definire i vincoli intrinseci. Inoltre, è stata mostrata una differenza minima sul percorso ottimale secondo il nuovo modello di rumore, ottenendo una diminuzione dell’1,31% di SEL sulle comunità più esposte al rumore. Nonostante il nuovo modello di rumore sia circa 60 volte più lento dell’approssimazione di diffusione sferica, la differenza assoluta nel tempo di calcolo potrebbe essere trascurabile e dipende dalla configurazione del programma di ottimizzazione NOICE. In generale, questo lavoro è stato limitato dal mancato accesso a misure reali. Pertanto, le linee guida future si concentrano sullo sviluppo di un sistema incorporato che permetta di acquisire dati per convalidare i modelli sviluppati ed eventualmente provare con altri approcci come quelli basati in machine learning.