ЗГОРТКОВІ НЕЙРОННІ МЕРЕЖІ ДЛЯ ВИЗНАЧЕННЯ ВПЛИВУ ІОННОГО ПРОМЕНЯ НА ОБ’ЄКТ КОСМІЧНОГО СМІТТЯ
DOI:
https://doi.org/10.15407/scine19.06.019Ключові слова:
видалення космічного сміття, глибинне навчання, силовий вплив електро-реактивного двигуна, згорткові нейронні мережіАнотація
Вступ. Сміття на навколоземних орбітах є серйозною проблемою, що заважає подальшій космічній діяльності людини у космосі, яку можна частково вирішити через активне видалення об’єктів космічного сміття (ОКС). Пастух з іонним променем (ПІП) — це концепція, яка дозволяє безконтактно видаляти ОКС за допомогою факелу електрореактивного двигуна (ЕРД). Для реалізації концепції видалення космічного сміття ПІП потрібні методи визначення сили, що передається від ЕРД до ОКС.
Проблематика. Як ОКС розглядається верхня ступінь ракети-носія, що апроксимована за допомогою циліндра. Цей об’єкт підлягає видаленню з орбіти за допомогою факелу ЕРД космічного апарату-пастуха (КА-П). ОКС може змінювати орієнтацію та положення відносно КА-П. КА-П необхідно визначити силу, що передається ОКС від ЕРД, використовуючи тільки зображення ОКС як вхідну інформацію.
Мета. Створенню нейромережевої моделі, яка за зображенням ОКС визначає силу, що передається факелом ЕРД цьому об’єкту, та визначенню точності таких моделей.
Матеріали й методи. Методи фізики плазми використано для отримання еталонних значень сили іонного променю. Глибинне навчання — для створення нейромережевих моделей.
Результати. Досліджено три різних підходи для визначення сили променя ЕРД. Перша модель використовує єдину згорткову нейронну мережу (ЗНМ). Друга модель є ансамблевою мережею і використовує чотири допоміжні моделі та класифікатор, що визначає необхідну допоміжну модель. Третя модель має таку саму архітектуру, як і перша, але для її навчання застосовано усі зображення, які використано для навчання другої моделі. Після навчання для всіх
моделей визначено точність та швидкість визначення сили. Отримано прийнятні показники визначення сили за допомогою моделей, що використовують ЗНМ.
Висновки. Показано, що ЗНМ можуть бути використані для визначення силового впливу ЕРД на ОКС без попередньої інформації щодо орієнтації та положення ОКС, та є суттєво швидшими за традиційні методи
Посилання
Liou, J.-C., Anilkumar, A. K., Virgili, B., Hanada, Toshiya, Krag, H., Lewis, H., Raj, M., Rao, M., Rossi, A., Sharma, R. (2013). “Stability of the future LEO environment — an IADC comparison study”. Proc. of the 6th European Conference on Space Debris (22—25 April, 2013, Darmstadt). URL: https://conference.sdo.esoc.esa.int/proceedings/sdc6/paper/199 (Last accessed: 28.03.2022).
Hakima, H., Reza Emami M. (2018). Assessment of active methods for removal of LEO debris. Acta Astronautica, 144, 225—243. https://doi.org/10.1016/j.actaastro.2017.12.036
Dron, N. M., Golubek, A. V., Dreus, А. Yu., Dubovik, L. G. (2019). Prospects for the use of the combined method for deorbiting of large-scale space debris from near-Earth space. Space Science and Technology, 25(6), 61—69. https://doi. org/10.15407/knit2019.06.061
Lapkhanov, E., Khoroshylov, S. (2019). Development of the aeromagnetic space debris deorbiting system. Eastern-European Journal of Enterprise Technologies, 5(5 (101)), 30—37. https://doi.org/10.15587/1729-4061.2019.179382
Bombardelli, C., Peláez, J. (2011). Ion Beam Shepherd for Contactless Space Debris Removal. J. Guid. Control Dyn., 34(3), 916—920. https://doi.org/10.2514/1.51832
Urrutxua, H., Bombardelli, C., Hedo, J. M. (2019). A preliminary design procedure for an ion-beam shepherd mission. Aerospace Science and Technology, 88, 421—435. https://doi.org/10.1016/j.ast.2019.03.038
Khoroshylov, S. (2018). Relative motion control system of SC for contactless space debris removal. Sci. innov., 14(4), 5—16. https://doi.org/10.15407/scin14.04.005
Cichocki, F., Merino, M., Ahedo, E. (2015). Collisionless Plasma thruster plume expansion model. Plasma Sources Science and Technology, 24(3), 83—95. https://doi.org/10.1088/0963-0252/24/3/035006
Bombardelli, C., Urrutxua, H., Merino, M., Ahedo, E., Pelaez, J. (2012). Relative dynamics and control of an ion beam shepherd satellite. Spaceflight mechanics, 143, 2145—2158.
Bombardelli, C., Urrutxua, H., Merino, M., Ahedo, E., Pelaez, J., Olympio, J. (2011). Dynamics of ion-beam-propelled space debris. 22-nd International Symposium on Space Flight Dynamics (February 28 — March 4, 2011, Sao Jose dos Campos, Brasil). 1—13.
Alpatov, A., Cichocki, F., Fokov, A., Khoroshylov, S., Merino, M., Zakrzhevskii, A. (2016). Determination of the force transmitted by an ion thruster plasma plume to an orbital object. Acta Astronaut, 119(2—3), 241—251. https://doi.org/ 10.1016/j.actaastro.2015.11.020
Fokov, A. A., Khoroshilov, S. V. (2016). Validation of simplified method for calculation of transmitted force from plume of electric thruster to orbital object. Aviatsionno-kosmicheskaya tekhnika i tekhnologiya, 2, 55—66.
Alpatov, A., Cichocki, F., Fokov, A., Khoroshylov, S., Merino, M., Zakrzhevskii, A. (2015). Algorithm for Determination of Force Transmitted by Plume of Ion Thruster to Orbital Object Using Photo Camera. Proceedings of the 66th International Astronautical Congress, IAC (12—16 October, 2015, Jerusalem, Israel). 2239—2247.
Redka, M. O., Khoroshylov, S. V. (2022). Determination of the force impact of an ion thruster plume on an orbital object via deep learning. Space Science and Technology, 28 (5), 15—26. https://doi.org/10.15407/knit2022.05.015
Khoroshylov, S. V., Redka, M. O. (2021). Deep learning for space guidance, navigation, and control. Space Science and Technology, 27 (6), 38—52. https://doi.org/10.15407/knit2021.06.038
Koizumi, S., Kikuya, Y., Sasaki, K., Masuda, Y., Iwasaki, Y., Watanabe, K., Yatsu, Y., Matunaga, S. (2018). Development of attitude sensor using deep learning. AIAA/USU Conference on Small Satellites, AIAA (4—9 August, 2018, Utah, USA). Session 7: Advanced Concepts II.
Haykin, S. (1998). Neural Networks: A Comprehensive Foundation. Prentice Hall.
Hornik, K. (1991). Approximation capabilities of multilayer feedforward networks. Neural Networks, 4(2), 251—257. https://doi.org/10.1016/0893-6080(91)90009-T
Venkatesan, R., Li, B. (2017). Convolutional Neural Networks in Visual Computing: A Concise Guide. CRC Press. https://doi.org/10.4324/9781315154282
LeCun, Y., Boser, B., Denker, J. S., Henderson, D., Howard, R. E., Hubbard, W., Jackel, L. D. Backpropagation Applied to Handwritten Zip Code Recognition. AT&T Bell Laboratories.
Steinkraus, D., Simard, P., Buck I., (2005). Using GPUs for Machine Learning Algorithms. 12th International Conference on Document Analysis and Recognition (ICDAR 2005) (25—28 August 2013, Washington, DC, USA). 1115—1119. https:// doi.org/10.1109/ICDAR.2005.251
Glorot, X., Bengio, Y. (2010). Understanding the Difficulty of Training Deep Feedforward Neural Networks. Proceedings of the Thirteenth International Conference on Artificial Intelligence and Statistics. Proceedings of Machine Learning Research (13—15 May, 2010 Sardinia, Italy). 9, 249—256.
Khoroshylov, S. (2019). Out-of-plane relative control of an ion beam shepherd satellite using yaw attitude deviations. Acta Astronaut., 164, 254—261. https://doi.org/10.1016/j.actaastro.2019.08.016
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2024 Положення про авторські права Автори, які публікуються у журналі «Наука та інновації», погоджуються на такі умови: Автори зберігають авторські права та надають журналу право першої публікації. Автори можуть вступати в окремі, додаткові договірні угоди для не ексклюзивного розповсюдження надрукованої у журналі «Наука та інновації» версії своєї роботи (статті) (наприклад, розмістити її в інституційному сховищі або опублікувати в своїй книзі), із підтвердженням її первинної публікації у журналі «Наука та інновації». Авторам дозволено розміщувати свою роботу в Інтернеті (наприклад, в інституційних сховищах або на їх веб-сайті).
Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial 4.0 International License.
