A carregar...
Publicação
Physics-Inspired Machine Learning for orbit determination in Low-Earth Orbit
| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 12.19 MB | Adobe PDF |
Autores
Orientador(es)
Resumo(s)
We have always been told since we were little that space is infinite. Having this in mind,
it would not make much sense to be so cautious and aware of the space that lies above us.
However, the area right above the Earth’s surface up to 2000 km is heavily contaminated
with space debris which can have all kinds of origins and dimensions both man-made
(inactive satellites, parts of rockets, minuscule flecks of paint) as well as from natural
sources (small meteoroids). Considering that satellites have their propellant carefully
measured to fulfill the planned trajectory and cannot afford evasion maneuvers at the
slightest danger signal, it is important to quantify the uncertainty on the predictions
made.
To predict when two objects will collide, one will need to model their orbits with
the goal of knowing their positions. Among the multiple elements involved, such as the
gravity potential or the shape of the object, space weather is the most difficult to predict.
Because of these stochastic variables, the early discoveries from multiple scientists in
the eighteenth century were only enough to describe an orbit in the perfect case scenario.
These variables make the modeling of a real orbit more challenging since they are random
and have to be considered when modeling them since their effects are not negligible. One
of the variables that has the most impact on calculating the orbit of a space object is
atmospheric density. Since we are dealing with a physical system that abides by physical
laws, even if not perfectly, this will be used to our advantage to improve the predictions
made. As aforementioned, these laws known for centuries can be too tailored for the
perfect-case scenario and new equations can be discovered to better model a real-case
scenario. The objective of this research is to employ physically informed machine learning
techniques for orbit determination as well as to model atmospheric density by leveraging
physical domain knowledge and improving upon the standard approach.
Sempre nos foi dito desde pequenos que o espaço é infinito. Tendo isto em conta, não faria muito sentido ser tão cauteloso e consciente acerca do espaço que se encontra acima de nós. No entanto, a zona mesmo acima da superfície terrestre até 2000 km está bastante poluída com detritos espaciais que podem ter todo o tipo de origens e dimensões tanto de origem humana (satélites inactivos, pequenas partes de foguetes, lascas de tinta), bem como de fontes naturais (pequenos meteoroides). Considerando que os satélites têm o seu combustivel cuidadosamente medido para a trajectória que está planeada e não pode realizar manobras evasivas ao menor perigo, é importante quantificar a incerteza sobre as previsões feitas. Para prever quando dois objectos irão colidir, será necessária a modelação das suas órbitas com o objectivo de conhecer as posições respetivas, cujo procedimento tem múlti- plas variáveis envolvidas, sendo as mais difíceis de prever, as relacionadas com o tempo espacial. Estas variáveis estocásticas mudam a forma de como as descobertas de múltiplos cientistas do século XVIII descreverem como se definia uma órbita perfeita. Estas variá- veis tornam a modelação de uma orbita real mais desafiadora uma vez que são aleatórias e têm de ser consideradas uma vez que os seus efeitos não são desprezáveis. Uma das variáveis que tem mais impacto no cálculo das órbitas é a densidade atmosférica. Uma vez que estamos perante um sistema físico que obedece às leis físicas, mesmo que não perfeitamente, isto será utilizado a nosso favor para melhorar as previsões feitas. Como acima mencionado, estas leis conhecidas há séculos têm como função modelar o caso perfeito e novas equações podem ser descobertas para melhor representar um cenário real. O objectivo deste trabalho é, com a utilização de uma rede neuronal para prever a densidade atmosférica juntamente com o conhecimento do domínio físico, as previsões feitas serão melhoradas comparativamente a uma abordagem em que é desprezado o contexto do sistema em que se inserem.
Sempre nos foi dito desde pequenos que o espaço é infinito. Tendo isto em conta, não faria muito sentido ser tão cauteloso e consciente acerca do espaço que se encontra acima de nós. No entanto, a zona mesmo acima da superfície terrestre até 2000 km está bastante poluída com detritos espaciais que podem ter todo o tipo de origens e dimensões tanto de origem humana (satélites inactivos, pequenas partes de foguetes, lascas de tinta), bem como de fontes naturais (pequenos meteoroides). Considerando que os satélites têm o seu combustivel cuidadosamente medido para a trajectória que está planeada e não pode realizar manobras evasivas ao menor perigo, é importante quantificar a incerteza sobre as previsões feitas. Para prever quando dois objectos irão colidir, será necessária a modelação das suas órbitas com o objectivo de conhecer as posições respetivas, cujo procedimento tem múlti- plas variáveis envolvidas, sendo as mais difíceis de prever, as relacionadas com o tempo espacial. Estas variáveis estocásticas mudam a forma de como as descobertas de múltiplos cientistas do século XVIII descreverem como se definia uma órbita perfeita. Estas variá- veis tornam a modelação de uma orbita real mais desafiadora uma vez que são aleatórias e têm de ser consideradas uma vez que os seus efeitos não são desprezáveis. Uma das variáveis que tem mais impacto no cálculo das órbitas é a densidade atmosférica. Uma vez que estamos perante um sistema físico que obedece às leis físicas, mesmo que não perfeitamente, isto será utilizado a nosso favor para melhorar as previsões feitas. Como acima mencionado, estas leis conhecidas há séculos têm como função modelar o caso perfeito e novas equações podem ser descobertas para melhor representar um cenário real. O objectivo deste trabalho é, com a utilização de uma rede neuronal para prever a densidade atmosférica juntamente com o conhecimento do domínio físico, as previsões feitas serão melhoradas comparativamente a uma abordagem em que é desprezado o contexto do sistema em que se inserem.
Descrição
Palavras-chave
Physically-Informed Neural Networks Data-driven physical discovery Space Debris Orbital Mechanics Orbit determination