ارائه مدل هیبریدی پیش بینی موقعیت ماهواره مبتنی بر هوش مصنوعی فیزیک آگاه

با افزایش روزافزون تعداد ماهواره ها در فضا، نیاز به پیش بینی دقیق موقعیت ماهواره در بازه زمانی طولانی تر و توسعه روش های نوین انتشار مدار با قابلیت اطمینان بالاتر، اهمیت ویژه ای یافته است. در این پژوهش، رویکردی هیبریدی مبتنی بر هوش مصنوعی فیزیک آگاه برای ارتقای دقت پیش بینی موقعیت آتی ماهواره ارائه می شود. در این روش، دینامیک مدار به صورت قیود فیزیکی در ساختار شبکه عصبی تعبیه شده اند تا از انحرافات غیرفیزیکی در فرآیند یادگیری جلوگیری شود. بخش یادگیری ماشین با بهره گیری از داده های مشاهده ای و شبیه سازی شده، رفتار اغتشاشات غیرمدل پذیر نظیر مقاومت اتمسفری و تغییرات گرانشی را تخمین می زند، درحالی که مدل فیزیکی، قیود پایایی و پایداری مدار را تضمین می کند. تحلیل نتایج حاصل از آزمایش های عددی نشان می دهد که مدل هیبریدی پیشنهادی هم نسبت به روش های کلاسیک انتشار مدار و هم مدل های داده محور صرف، بهبود معناداری در دقت پیش بینی موقعیت و سرعت مدار ارائه می دهد و میانگین خطای آن در بازه ی ۷۲ ساعته پیش بینی نسبت به مدل کلاسیک، کاهش ۳۵ درصدی خطا را نشان می دهد. این پژوهش گامی در جهت تلفیق موثر قیود فیزیکی حاصل از دینامیک حرکتی ماهواره و یادگیری هوشمند برای بهبود دقت انتشار مدار و پایداری زمانی پیش بینی در حضور نامعینی ها و اغتشاشات غیرمدل پذیر است.

کلیدواژه ها:

پیش بینی موقعیت ماهواره ، انتشار مدار ، هوش مصنوعی فیزیک آگاه ، یادگیری ماشین