Mejora del propagador SGP4 utilizando técnicas de Machine Learning
- Autores: Edna Segura
- Directores de la Tesis: Juan Félix San Juan Díaz (dir. tes.), Rosario López Gómez (dir. tes.)
- Lectura: En la Universidad de La Rioja ( España ) en 2024
- Idioma: español
- Número de páginas: 193
- Títulos paralelos:
- Improvement of the SGP4 propagator using Machine Learning techniques
- Tribunal Calificador de la Tesis: Sebastián Ferrer Martínez (presid.), Iván Luis Pérez Barrón (secret.), Blanca Bujanda Cirauqui (voc.)
- Materias:
- Enlaces
- Tesis en acceso abierto en: Dialnet
- Resumen
Una de las operaciones que se realiza con más frecuencia en un sistema de Space Situational Awareness es la propagación orbital. Un propagador orbital es una implementación en un lenguaje de programación de una solución del problema de valor inicial, empleado para describir la trayectoria de un satélite o de un resto de basura espacial alrededor de la Tierra. Este sistema de ecuaciones admite tres tipos de soluciones: las proporcionadas por las técnicas generales de perturbación, por las técnicas especiales de perturbación y, por último, por las técnicas semi- analíticas.
Las técnicas especiales de perturbación utilizan métodos de integración numérica, lo que permite considerar modelos de fuerzas muy complejos y obtener resultados muy precisos, aunque esto implique un alto costo computacional. Por otro lado, las técnicas generales de perturbación emplean aproximaciones analíticas, proporcionando soluciones menos precisas debido a que usualmente se consideran modelos de fuerzas simplificados, pero son muy eficientes desde el punto de vista computacional. Las técnicas semi-analíticas combinan precisión y eficiencia, aprovechando las ventajas de ambas técnicas.
Una nueva metodología no invasiva llamada propagación híbrida, propuesta por el Dr. Juan Félix San Juan en 2008, es capaz de combinar cualquiera de las tres estrategias de integración anteriores con métodos predictivos basados en técnicas estadísticas o de inteligencia artificial. La propagación híbrida permite mejorar el modelo de fuerzas, la precisión de las técnicas de integración y, además, modelar las incertidumbres inherentes a los modelos de fuerzas a partir de un conjunto de observaciones precisas.
En esta tesis se ha desarrollado un nuevo propagador híbrido denominado HSGP4, basado en el propagador semi- analítico SGP4. Este nuevo propagador emplea redes neuronales de tipo feedforward para predecir los efectos no considerados en el modelo de fuerzas y la falta de precisión de las técnicas de integración utilizadas en SGP4. HSGP4 ha sido entrenado para proporcionar soluciones precisas para los objetos que se encuentran en la región de órbitas de altitud media (MEO).
En el desarrollo de esta tesis, se ha reimplementado en Python un entorno de trabajo inicialmente desarrollado por el Dr. Iván Pérez en R, mejorando sus funcionalidades. Este entorno permite seleccionar arquitecturas de redes neuronales, crear modelos y aplicar la metodología de propagación híbrida. Una característica notable es la generación automática de un programa de evaluación en C++ destinado a realizar los cálculos del modelo predictivo de manera eficiente, utilizando librerías especializadas en cálculo matricial. El entorno es multiplataforma y está instalado en el sistema de computación de alto rendimiento de la Universidad de La Rioja.
Utilizando este entorno, se investigó y desarrolló el módulo predictivo de un propagador híbrido basado en tres arquitecturas de redes neuronales. Estas arquitecturas fueron seleccionadas mediante diversos métodos de muestreo e inferencia estadística no paramétrica. El nuevo propagador mejoró las predicciones del SGP4 en casi todos los escenarios evaluados, alcanzando una tasa de mejora del 80%, incluyendo la predicción de trayectorias de satélites en situaciones tanto vistas como no vistas durante el entrenamiento de los modelos de redes neuronales.
