Machine learning applications in the aeronautical field: a review

Thanks to the huge availability of data in the aeronautical sector, combined with the increasing computational capabilities of modern computers, Machine Learning (ML) has become a transformative tool for aerospace engineering applications. This thesis presents a structured review of Machine Learning methodologies and their applications within the aeronautical field, in particular in the fields of Aerodynamic Modeling, Safety Analysis, Uncertainty Analysis, Air Traffic Controland Management, Unmanned Aerial Vehicles (UAVs) and others. After a brief introduction on the fundaments of ML, the methods used, the work examines key computational models that are used in the reviewed articles. Their theoretical foundations are discussed to provide the necessary framework for understanding aeronautical applications. In Aerodynamic Modeling, ML models significantly reduce the computational burden associated with CFD simulations while maintaining acceptable accuracy. In Safety and Health and Usage Monitoring Systems (HUMS), data-driven anomaly detection methods demonstrate superior capability in identifying latent faults and operational risks compared to traditional threshold-based systems. ML approaches to Uncertainty Analysis improve computational efficiency in nonlinear structural and aerodynamic problems while preserving reliability. Applications in Maneuvering, Flight Phase Recognition, and Air Traffic Control show an enhanced trajectory prediction, fuel optimization, and Estimated Time of Arrival (ETA) forecasting. Furthermore, UAV-related applications highlight the role of ML in autonomous navigation, swarm coordination, and energy management. Finally, various applications are reported, including some military oriented methods. Overall, this work demonstrates that Machine Learning techniques offer computational efficiency, adaptability, and improved decision-support capabilities.

Grazie alla grande disponibilità di dati, combinata con l'aumento delle capacità di elaborazione dei computer moderni, l'utilizzo del Machine Learning (ML) è sempre più diffuso ed efficace nel settore dell’ingegneria aeronautica. Questa tesi presenta un'analisi strutturata delle metodologie di Machine Learning e delle loro applicazioni, in particolare nei campi dell'aerodinamica, dell'analisi della sicurezza, dell'analisi dell'incertezza, del controllo e della gestione del traffico aereo, degli Aeromobile a Pilotaggio Remoto (APR) e altri. Dopo una breve introduzione sulle nozioni base del ML, esaminiamo alcuni dei modelli computazionali che vengono utilizzati negli articoli esaminati. Viene spiegato il principio di funzionamento base per fornire il necessario quadro concettuale utile a comprendere le applicazioni aeronautiche presenti nei capitoli seguenti. Per quanto riguarda l'aerodinamica, i modelli ML riducono significativamente il costo computazionale associato alle simulazioni CFD, mantenendo un livello di accuratezza accettabile. In ambito di Safety and Health and Usage Monitoring Systems (HUMS), i metodi di rilevazione delle anomalie data-driven hanno dimostrato di riuscire ad identificare i guasti latenti e i rischi operativi meglio rispetto ai sistemi tradizionali basati sul superamento delle soglie. Le tecniche di Machine Learning per l'analisi delle incertezze migliorano l'efficienza computazionale nei problemi strutturali e aerodinamici in cui sono presenti nonlinearità, mantenendo però l'affidabilità. Le applicazioni nell'ambito delle manovre, della fase di volo e del controllo del traffico aereo mostrano il miglioramento della previsione delle traiettorie, l'ottimizzazione del consumo di carburante e la previsione del Estimated Time of Arrival (ETA). Inoltre, le applicazioni relative agli APR mettono in risalto il ruolo del ML nella navigazione autonoma, nella coordinazione dello stormo, e nella gestione dell'energia. Infine, vengono riportate varie applicazioni, incluse alcune in ambito militare. In conclusione, questo lavoro dimostra che le tecniche di ML offrono miglioramenti in efficienza computazionale, adattabilità e capacità di supporto decisionale.