| Processo: | 21/08274-9 |
| Modalidade de apoio: | Bolsas no Brasil - Doutorado |
| Data de Início da vigência: | 01 de maio de 2023 |
| Data de Término da vigência: | 31 de outubro de 2025 |
| Área de conhecimento: | Engenharias - Engenharia Aeroespacial - Dinâmica de Vôo |
| Pesquisador responsável: | Antônio Fernando Bertachini de Almeida Prado |
| Beneficiário: | Gabriel Antonio Caritá |
| Instituição Sede: | Instituto Nacional de Pesquisas Espaciais (INPE). São José dos Campos , SP, Brasil |
| Assunto(s): | Trajetórias e órbitas Astrodinâmica Aprendizado computacional Mecânica celeste Veículos espaciais |
| Palavra(s)-Chave do Pesquisador: | Astrodinâmica | Cubesats | machine learning | mecânica celeste | Veiculos Espaciais | Trajetórias e Órbitas |
Resumo Os satélites são utilizados como ferramenta de pesquisa espacial há diversas décadas, obtendo resultados de suma importância no desenvolvimento científico, implicando em transformações na atual sociedade. A utilização de satélites de baixo custo e a diminuição relevante nos gastos associados a lançamentos vem se destacando ao passar dos anos. Esses satélites denominados de CubeSats têm sido de grande relevância no atual momento da exploração e pesquisa espacial, fato ocasionado por sua praticidade em aspectos astrodinâmicos, tais como dimensão e massa. As constelações de CubeSats possuem diversas aplicações em diferentes áreas, podemos citar como exemplo, missões de pesquisa no meio interestelar e em corpos celestes, sensoriamento remoto, análise de propriedades ópticas atmosféricas, radiação, climatologia, agricultura, monitoramento de desastres naturais, queimadas e incêndios. A partir disso surge a necessidade de resultados provenientes de simulações numéricas com a finalidade de prever o comportamento orbital de tais satélites.Neste presente trabalho, propomos estudar numericamente as características da dinâmica orbital de constelações de CubeSats, tais como, ressonâncias, trajetórias, estabilidade e caos em missões espaciais, como, por exemplo, em órbitas baixas, médias e altas (LEO, MEO e HEO), considerando efeitos atmosféricos e de radiação. Nesse sentido, o estudo será feito por meio da utilização de aspectos associados ao Machine Learning (ML) com o objetivo de reduzir tempo computacional através de algoritmos. Os algoritmos estão implementando em bibliotecas como o Keras e TensorFlow, disponíveis em PYTHON. Um dos algoritmos que pretendemos utilizar é o algoritmo genético com a finalidade de introduzir um indicador para classificar comportamentos orbitais. Pretendemos caracterizar trajetórias e caos por meio de análise de séries temporais com de técnicas de ML e redes neurais, para comparar com resultados de indicadores caóticos renomados na literatura como, por exemplo, o MEGNO. Utilizaremos uma base de dados obtida numericamente para treinar os algoritmos para cada tarefa específica. O Integrador numérico, implícito e de passo adaptativo IAS15, implementado no pacote REBOUND e disponibilizado em PYTHON, será adotado. Também utilizaremos de integradores já implementados pelo grupo de pesquisa em FORTRAN. (AU) | |
| Matéria(s) publicada(s) na Agência FAPESP sobre a bolsa: | |
| Mais itensMenos itens | |
| TITULO | |
| Matéria(s) publicada(s) em Outras Mídias ( ): | |
| Mais itensMenos itens | |
| VEICULO: TITULO (DATA) | |
| VEICULO: TITULO (DATA) | |