എഐ ഇന്ധനക്ഷമതയിൽ എങ്ങനെ വിപ്ലവം സൃഷ്ടിക്കുന്നു: കൂടുതൽ സ്മാർട്ട് ആയ ടേക്ക്-ഓഫുകൾക്കായി IndiGo പരീക്ഷണങ്ങൾ നടത്തുന്നു

വ്യോമയാന മേഖലയിലെ ഏറ്റവും വലിയ പ്രവർത്തനച്ചെലവുകളിലൊന്നായ ഇന്ധനച്ചെലവ് കുറയ്ക്കുന്നതിനായി അത്യാധുനിക ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസിന്റെ (AI) സഹായം തേടുകയാണ് വ്യോമയാന വ്യവസായം. പരിസ്ഥിതി സൗഹൃദവും ചെലവ് കുറഞ്ഞതുമായ പറക്കല hacia ഒരു വലിയ ചുവടുവെപ്പായി, ഇന്ധന ഉപഭോഗം ഒപ്റ്റിമൈസ് ചെയ്യുന്നതിനായി രൂപകൽപ്പന ചെയ്ത AI അധിഷ്ഠിത ടേക്ക്-ഓഫ് നടപടിക്രമങ്ങളുടെ പരീക്ഷണങ്ങൾ IndiGo ഇന്ന് ആരംഭിക്കുന്നു.

ഉയർന്ന ഇന്ധനച്ചെലവും AI പരിഹാരവും

ആഗോള എണ്ണവിലയിലെ ചാഞ്ചാട്ടങ്ങളും പരിസ്ഥിതി നിയമങ്ങളും കാരണം ഏതൊരു വിമാനക്കമ്പനിക്കും ഏറ്റവും വലിയ പ്രവർത്തനച്ചെലവുകളിൽ ഒന്നായി ഇന്ധനം തുടരുന്നു. ഈ ചെലവുകൾ കുറയ്ക്കുന്നതിനായി, വിമാനക്കമ്പനികൾ ഇനി പൈലറ്റുമാരുടെ പരമ്പരാഗതമായ തീരുമാനങ്ങളെ മാത്രം ആശ്രയിക്കുന്നില്ല; പകരം അവരുടെ ഫ്ലൈറ്റ് പ്രവർത്തനങ്ങളിൽ അത്യാധുനിക AI അൽഗോരിതങ്ങൾ അവർ കൂടുതൽ ഉൾപ്പെടുത്തിക്കൊണ്ടിരിക്കുന്നു.

IndiGo-യുടെ പുതിയ സംരംഭം ഒരു വിമാനയാത്രയിലെ ഏറ്റവും കൂടുതൽ ഇന്ധനം ഉപയോഗിക്കുന്ന ഘട്ടമായ 'ടേക്ക്-ഓഫ്' (takeoff) ആണ് ലക്ഷ്യമിടുന്നത്. ഏറ്റവും കാര്യക്ഷമമായ ക്ലൈംബ് പ്രൊഫൈലുകളും (climb profiles) പവർ സെറ്റിംഗുകളും കണക്കാക്കാൻ AI ഉപയോഗിക്കുന്നതിലൂടെ, ഓരോ യാത്രയിലും ഉപയോഗിക്കുന്ന മണ്ണെണ്ണയുടെ അളവ് കുറയ്ക്കാൻ വിമാനക്കമ്പനി ലക്ഷ്യമിടുന്നു. ദിവസേനയുള്ള ആയിരക്കണക്കിന് വിമാനയാത്രകളിൽ ഇത്തരം സൂക്ഷ്മമായ മാറ്റങ്ങൾ വരുത്തുന്നത് വലിയ തോതിലുള്ള ലാഭത്തിനും വിമാനക്കമ്പനിയുടെ മൊത്തത്തിലുള്ള കാർബൺ ഫൂട്ട്പ്രിന്റ് (carbon footprint) ഗണ്യമായി കുറയ്ക്കുന്നതിനും സഹായിക്കും.

ഫ്ലൈറ്റ് പ്രവർത്തനങ്ങളിലെ കൃത്യതയാർന്ന എഞ്ചിനീയറിംഗ്

IndiGo ആരംഭിക്കുന്ന പരീക്ഷണത്തിൽ ഒരേസമയം നിരവധി ഘടകങ്ങൾ പരിഗണിക്കുന്ന തത്സമയ ഡാറ്റാ പ്രോസസ്സിംഗ് ഉൾപ്പെടുന്നു. പരമ്പരാഗത ടേക്ക്-ഓഫ് രീതികൾ പലപ്പോഴും ഏകീകൃതമായ മാതൃകകളെയാണ് ആശ്രയിക്കുന്നത്, എന്നാൽ AI താഴെ പറയുന്നവ വിശകലനം ചെയ്തുകൊണ്ട് "പ്രിസിഷൻ ടേക്ക്-ഓഫുകൾ" (precision takeoffs) സാധ്യമാക്കുന്നു:

• തത്സമയ അന്തരീക്ഷ സാഹചര്യങ്ങൾ: യാത്ര തുടങ്ങുന്ന കൃത്യസമയത്തെ കാറ്റിന്റെ വേഗത, വായുവിന്റെ സാന്ദ്രത, താപനില എന്നിവയ്ക്ക് അനുസൃതമായി ക്രമീകരിക്കുന്നു.
• വിമാനത്തിന്റെ ഭാരവും സന്തുലിതാവസ്ഥയും: യാത്രക്കാരും ചരക്കും ഉൾപ്പെടെയുള്ള നിലവിലെ ഭാരം കണക്കിലെടുത്ത് ആവശ്യമായ കൃത്യമായ ത്രസ്റ്റ് (thrust) കണക്കാക്കുന്നു.
• ഡൈനാമിക് റൺവേ ഡാറ്റ: എൻജിന് അനാവശ്യമായ സമ്മർദ്ദം നൽകാതെ തന്നെ വിമാനം പറക്കാനുള്ള വേഗതയിൽ എത്തുന്നുണ്ടെന്ന് ഉറപ്പാക്കാൻ ആക്സിലറേഷൻ കർവ് (acceleration curve) ഒപ്റ്റിമൈസ് ചെയ്യുന്നു.

ഈ ഘടകങ്ങൾ കൃത്യമായി ക്രമീകരിക്കുന്നതിലൂടെ, ടയറുകൾ റൺവേയിൽ നിന്ന് ഉയരുന്ന നിമിഷം മുതൽ എൻജിനുകൾ പരമാവധി കാര്യക്ഷമതയോടെ ഉപയോഗിക്കുന്നുണ്ടെന്ന് ഉറപ്പാക്കാനും കുറഞ്ഞ ഇന്ധനം ഉപയോഗിച്ചുള്ള ടേക്ക്-ഓഫ് നടത്താനും AI ക്രൂവിനെ സഹായിക്കുന്നു.

സുസ്ഥിരതയും ലാഭവും

AI അധിഷ്ഠിത കാര്യക്ഷമതയിലേക്കുള്ള ഈ മാറ്റം ലാഭവിഹിതം വർദ്ധിപ്പിക്കാൻ വേണ്ടി മാത്രമല്ല; വ്യോമയാന മേഖലയുടെ സുസ്ഥിരതയോടുള്ള പ്രതിബദ്ധതയുടെ ഒരു പ്രധാന ഭാഗം കൂടിയാണിത്. ഇന്ത്യയിലെ വ്യോമയാന മേഖല അതിവേഗം വളരുന്ന സാഹചര്യത്തിൽ, മലിനീകരണം കുറയ്ക്കാനുള്ള സമ്മർദ്ദവും വർദ്ധിച്ചുവരികയാണ്.

ഇന്ത്യൻ ആഭ്യന്തര വിപണിയിലെ മുൻനിരക്കാരായ IndiGo-യെ സംബന്ധിച്ചിടത്തോളം, ഈ പരീക്ഷണങ്ങൾ നടപ്പിലാക്കുന്നത് സാങ്കേതികവിദ്യയുടെ ഉപയോഗത്തിൽ അവരെ മുൻനിരയിൽ എത്തിക്കുന്നു. ഇവ വിജയകരമായാൽ, ഈ AI-ഒപ്റ്റിമൈസ് ചെയ്ത ടേക്ക്-ഓഫ് പ്രോട്ടോക്കോളുകൾ വ്യോമയാന മേഖലയിൽ പുതിയൊരു മാനദണ്ഡം നിശ്ചയിക്കും. വാണിജ്യപരമായ ലാഭവും പരിസ്ഥിതി ഉത്തരവാദിത്തവും തമ്മിൽ സന്തുലിതാവസ്ഥ നിലനിർത്താൻ സാങ്കേതിക നവീകരണമാണ് ഏറ്റവും അനുയോജ്യമായ മാർഗ്ഗമെന്ന് ഇത് തെളിയിക്കും. കൂടുതൽ വിമാനക്കമ്പനികൾ സമാനമായ സാങ്കേതികവിദ്യകൾ സ്വീകരിക്കാൻ ശ്രമിക്കുമ്പോൾ, ഫ്ലൈറ്റ് ഡെക്കുകളിൽ മെഷീൻ ലേണിംഗ് (machine learning) ഉൾപ്പെടുത്തുന്നത് ഒരു ഓപ്ഷൻ എന്നതിലുപരി ഒരു അനിവാര്യതയായി മാറും.

പ്രധാന കാര്യങ്ങൾ

• എൻജിൻ പ്രകടനം മെച്ചപ്പെടുത്തുന്നതിനും ഇന്ധനനഷ്ടം കുറയ്ക്കുന്നതിനുമായി AI അധിഷ്ഠിത ടേക്ക്-ഓഫ് നടപടിക്രമങ്ങളുടെ പരീക്ഷണങ്ങൾ IndiGo ആരംഭിക്കുന്നു.
• കാലാവസ്ഥ, വിമാനത്തിന്റെ ഭാരം, വായുവിന്റെ സാന്ദ്രത എന്നിവയുൾപ്പെടെയുള്ള തത്സമയ ഡാറ്റ ഉപയോഗിച്ച് വളരെ കാര്യക്ഷമമായതും പ്രത്യേകമായി തയ്യാറാക്കിയതുമായ ഫ്ലൈറ്റ് പ്രൊഫൈലുകൾ ഈ സാങ്കേതികവിദ്യ സൃഷ്ടിക്കുന്നു.
• ചെലവ് കുറയ്ക്കുന്നതിലുപരി, അതിവേഗം വളരുന്ന ഇന്ത്യൻ വ്യോമയാന മേഖലയിലെ കാർബൺ പുറന്തള്ളൽ കുറയ്ക്കുന്നതിന് ഈ AI ഇടപെടലുകൾ നിർണ്ണായകമാണ്.