Hur rutt- och flygplanshantering sänker bränsleförbrukningen och utsläppen

Finnair är en av de främsta aktörerna när det gäller att använda flygdata för att skapa lösningar för bättre optimering av flottan. Bränsleeffektivitet är alltid en av faktorerna vid rutt- och flygplanshantering, och målsättningen nu är att hitta ännu effektivare sätt att minska bränsleförbrukningen och utsläppen.

Finnair har skapat en skräddarsydd modell för förseningskostnader som gör att användarna kan se den ekonomiska effekten av flygförseningar.

– Med den här modellen har vi kunnat bygga en rad optimeringsverktyg, säger Pertti Määttänen, Finnairs Head of Operations Control Center Development and Flight Planning.

Ett av de verktyg som används dagligen är Tail Swapper. Det gör det möjligt att ändra flygplanstyp snabbt om antalet passagerare ändras. Det hjälper till att undvika att flygningar trafikeras med onödigt stora flygplan och sparar bränsle i enlighet därmed. 

– Särskilt under coronapandemin har det funnits ett konstant behov av små justeringar och det här verktyget har gett oss utmärkta resultat. Vi kommer att fortsätta att använda verktyget, men utöver att minska flygplanens storlek kan vi nog öka storleken allt mer, förklarar Määttänen.  

Ett annat verktyg används av den tekniska verksamheten för att optimera trafiken med flygplan med bred flygplanskropp. Bränsleförbrukningen mellan olika flygplanstyper med bred flygplanskropp varierar stort. Verktyget hjälper till att hitta de bästa kombinationerna av flygplan och rutt, så att minsta möjliga bränsle förbrukas på längre rutter.

Bättre insikt om kostnader

Det senaste verktyget introducerades nyligen. Det bidrar till att optimera långdistanstrafiken på ett sätt som balanserar flyghastighet och bränsleförbrukning. Den nya optimeringslösningen ger data om förseningsrelaterade kostnader till cockpiten under flygresan. Verktyget gör det möjligt att uppskatta om en kort tidsbesparing är värd det extra bränsle som krävs.

– Från och med nu får vi information om förseningskostnader och även bränslekostnader. Med optimeringsverktyget kan vi nu överväga vilken som är den bästa ankomsttiden, så att båda kostnaderna minimeras, förklarar Tom Hakala, Fleet Technical Pilot.

Hakala ser verktyget som ett stort steg framåt och en genuin möjlighet att använda tillgänglig information fullt ut.

– Fram till nu har piloterna inte haft tillgång till alla tillgängliga data och optimeringen har gjorts med hjälp av flygtidtabeller. Individuella piloter har varit tvungna att fatta väldigt oberoende beslut utan att ha insyn i de verkliga kostnaderna, säger han.

Miljöbesparingar följer optimeringen av bränsleförbrukningen

Optimeringen ger också imponerande besparingar när det gäller koldioxidutsläpp. Enligt Finnairs beräkningar kommer det arbete som görs att leda till en besparing på 3 200 ton CO2 under 2021, och för 2022 förväntas en besparing på 10 000 ton. Det motsvarar de årliga utsläppen av cirka 1 000 genomsnittliga finländska konsumenter.

– Våra utsläppsmål är ambitiösa. Vi strävar efter att vara koldioxidneutrala senast 2045 och att minska våra utsläpp med 50 % senast 2025 från 2019 års nivå. Vi följer situationen noggrant genom vår bränsleindexmätare och kan se statusen för olika flygplanstyper och rutter. Vi kan också se hur olika förändringar påverkar resultaten, säger Määttänen.

Både Hakala och Määttänen ser att Finnair står i förgrunden när det gäller att skapa lösningar, både nu och och för framtiden.

– Jag tror att vi är en av de första som använder data på ett sätt som hjälper oss att samarbeta med våra piloter för att optimera förseningskostnader. Vi planerar nu att utvidga det från långdistanstrafik till trafik med flyg med smala flygplanskroppar, säger Määttänen.

Utveckling av många av lösningarna pågår. Applikationen för teknisk drift kommer t.ex. även att användas för flottan med flyg med smal flygplanskropp i framtiden. Verktyget har nu också justerats så att det kan användas närmare flygdatumet. Det ger det operativa kommandocentret ännu bättre alternativ för att finjustera användningen av flottan och garantera optimal hantering.

– Vi bygger också en modell baserad på maskininlärning för att hjälpa oss att förutse förseningar. Vårt mål är att kombinera det med vår modell för förseningskostnader. Om vi kan se framtida problem på ett tidigare stadium kan vi bli ännu effektivare och producera bättre tjänster för våra kunder, avslutar Määttänen.