A carregar...
Publicação
Prediction of debris state Based on Neural Ordinary Differential Equations
| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 5.29 MB | Adobe PDF |
Autores
Orientador(es)
Resumo(s)
The space environment has become increasingly crowded, with space debris in Low
Earth Orbit expected to grow exponentially in the coming years. Alongside the surge in
satellite launches, this congestion raises collision risks and highlights the need for scalable
avoidance measures to prevent further debris generation. Reliable orbit prediction is
therefore essential for ensuring operational safety and prolonging satellite lifespans.
Satellite trajectories are shaped by external forces, some stochastic in nature and thus
impossible to model perfectly. This introduces cumulative errors in orbital propagation,
further compounded by limited knowledge of satellite properties and simplified force
models.
This Master’s thesis introduces an approach to Orbit Prediction using Neural Ordinary
Differential Equations, with Physics Informed Neural Networks as a physics informed baseline
and a Multilayer Perceptron as a non physics informed baseline for comparison. Relying
on information about the space environment and the characteristics of satellites, the
proposed approach also uses historical trajectory data to propagate a satellite’s state
vectors. In case of the Neural Ordinary Differential Equations this is done by modeling
the underlying differential equation of motion governing the satellite’s orbit and using
an ordinary differential equation solver to propagate its trajectory forward in time. The
results show that this approach effectively combines numerical integration techniques,
which provide high accuracy, withNeuralNetworks, which capture complex patterns and
generalize to unseen scenarios. As a result, it outperforms both baseline models by over
100 km, achieving a position mean RMSE of 0.25 km.
By successfully modeling orbit dynamics, this approach offers a high-fidelity solution
for Orbit Prediction, ultimately contributing to safer and more sustainable satellite
operations.
This thesis has contributed two publications: one presented at the International
Astronautical Congress 2025, corresponding to the preliminary material from Chapters 5
to 6, and another at NeurIPS 2025, based on Chapter 4. In addition, a journal paper is in
preparation covering the developed material from Chapters 5 to 6.
As órbitas terrestres têm vindo a tornar-se cada vez mais congestionadas, prevendo-se que a quantidade de detritos em Órbitas Inferiores Terrestres cresçam exponencialmente nos próximos anos. O aumento do número de lançamentos de satélites intensifica este congestionamento e eleva o risco de colisões, reforçando a necessidade de medidas de Prevenção de Colisões escaláveis para evitar a produção de mais detritos. Assim, a previsão rigorosa de órbitas é essencial para garantir a segurança operacional no espaço e prolongar a vida útil dos satélites. As trajetórias dos satélites são influenciadas por forças externas, algumas de natureza estocástica, o que torna impossível modelá-las de forma perfeita. Isto leva a erros cumulativos na propagação orbital, agravados pelo conhecimento limitado das propriedades individuais dos satélites e pelas aproximações simplificadas das forças externas. Nesta dissertação de Mestrado, apresenta-se uma abordagem de Previsão de Órbitas utilizandoNeural Ordinary Differential Equations,tendo como referência comparativa Physics Informed Neural Networks como modelo com conhecimento físico e um Multilayer Perceptron como modelo puramente baseado em dados. Para além de informação sobre o ambiente espacial, este método recorre também a dados históricos de trajetória para propagar os vetores de estado de satélites. No caso das Neural Ordinary Differential Equations, isto é feito com a equação diferencial de movimento que modela a trajoria do satélite e um integrador de equações diferenciais. Os resultados mostram que esta abordagem combina de forma eficaz métodos numéricos, que garantem elevada precisão, com Redes Neuronais, capazes de aprender padrões complexos e generalizar para cenários ainda não observados. Como resultado, supera ambos os modelos de referência em mais de 100 km, alcançando um RMSE de posição de 0.25 km. Ao conseguir modelar as dinâmicas orbitais de forma mais precisa, esta abordagem oferece uma solução para a previsão de órbitas, contribuindo para operações de satélites mais seguras e sustentáveis. Esta tese contribuiu com duas publicações: uma apresentada no International Astronautical Congress 2025, que correspondente ao material preliminar dos Capítulos 5 a 6, e outra na NeurIPS 2025, baseada no Capítulo 4. Além disso, está em preparação um artigo que reúne o material dos Capítulos 5 a 6.
As órbitas terrestres têm vindo a tornar-se cada vez mais congestionadas, prevendo-se que a quantidade de detritos em Órbitas Inferiores Terrestres cresçam exponencialmente nos próximos anos. O aumento do número de lançamentos de satélites intensifica este congestionamento e eleva o risco de colisões, reforçando a necessidade de medidas de Prevenção de Colisões escaláveis para evitar a produção de mais detritos. Assim, a previsão rigorosa de órbitas é essencial para garantir a segurança operacional no espaço e prolongar a vida útil dos satélites. As trajetórias dos satélites são influenciadas por forças externas, algumas de natureza estocástica, o que torna impossível modelá-las de forma perfeita. Isto leva a erros cumulativos na propagação orbital, agravados pelo conhecimento limitado das propriedades individuais dos satélites e pelas aproximações simplificadas das forças externas. Nesta dissertação de Mestrado, apresenta-se uma abordagem de Previsão de Órbitas utilizandoNeural Ordinary Differential Equations,tendo como referência comparativa Physics Informed Neural Networks como modelo com conhecimento físico e um Multilayer Perceptron como modelo puramente baseado em dados. Para além de informação sobre o ambiente espacial, este método recorre também a dados históricos de trajetória para propagar os vetores de estado de satélites. No caso das Neural Ordinary Differential Equations, isto é feito com a equação diferencial de movimento que modela a trajoria do satélite e um integrador de equações diferenciais. Os resultados mostram que esta abordagem combina de forma eficaz métodos numéricos, que garantem elevada precisão, com Redes Neuronais, capazes de aprender padrões complexos e generalizar para cenários ainda não observados. Como resultado, supera ambos os modelos de referência em mais de 100 km, alcançando um RMSE de posição de 0.25 km. Ao conseguir modelar as dinâmicas orbitais de forma mais precisa, esta abordagem oferece uma solução para a previsão de órbitas, contribuindo para operações de satélites mais seguras e sustentáveis. Esta tese contribuiu com duas publicações: uma apresentada no International Astronautical Congress 2025, que correspondente ao material preliminar dos Capítulos 5 a 6, e outra na NeurIPS 2025, baseada no Capítulo 4. Além disso, está em preparação um artigo que reúne o material dos Capítulos 5 a 6.
Descrição
Palavras-chave
Space debris Low Earth Orbit Orbit Prediction Neural Ordinary Differential Equations