Diseño de modelos de fuerzas aplicando técnicas de Machine Learning. Método de Encke híbrido

• Autores: Hans Mauricio Carrillo Hernández
• Directores de la Tesis: Juan Félix San Juan Díaz (dir. tes.), Iván Luis Pérez Barrón (dir. tes.)
• Lectura: En la Universidad de La Rioja ( España ) en 2024
• Idioma: español
• Número de páginas: 196
• Títulos paralelos:
  • Design of force models applying Machine Learning techniques. Encke hybrid method
• Tribunal Calificador de la Tesis: Sebastián Ferrer Martínez (presid.), Francisco Javier Martínez de Pisón Ascacíbar (secret.), Montserrat San Martín Pérez (voc.)
• Enlaces
  • Tesis en acceso abierto en: Dialnet
• Resumen

  • La propagación orbital es una de las operaciones más frecuentes que se realizan durante la creación, el mantenimiento y el uso de los catálogos de basura espacial. Un propagador orbital implementa en un lenguaje de programación una de las posibles soluciones del sistema dinámico que describe el movimiento de un satélite o de un resto de basura espacial alrededor de la Tierra. Desde el punto de vista clásico, existen tres técnicas que permiten construir la solución de este sistema dinámico: técnicas generales de perturbación, técnicas especiales de perturbación y técnicas semi-analíticas. Las técnicas especiales de perturbación utilizan métodos de integración numéricos, lo que les permite considerar modelos de fuerzas muy completos y, por tanto, obtener resultados muy precisos, a cambio de un alto costo computacional. En las técnicas generales de perturbación, la integración se lleva a cabo a través de aproximaciones analíticas; estas técnicas proporcionan soluciones menos precisas, ya que incorporan modelos de fuerzas muy sencillos que representan únicamente el comportamiento cualitativo del satélite, pero son muy eficientes desde el punto de vista computacional. Por último, las técnicas semi-analíticas constituyen una solución de compromiso entre las técnicas generales y especiales de perturbación, aunando precisión y eficiencia computacional.

    En 2008, el Dr. Juan Félix San Juan propuso una nueva aproximación denominada metodología de propagación híbrida. Esta metodología permite combinar, de forma no invasiva, cualquiera de las tres técnicas anteriores con métodos de predicción basados en técnicas estadísticas o en métodos de inteligencia artificial. En esta cuarta aproximación, los métodos predictivos se utilizan para mejorar el modelo de fuerzas, la precisión de los métodos de integración empleados, e incluso para modelar las incertidumbres inherentes a los modelos de fuerzas. Para ello es necesario disponer de un conjunto de observaciones o efemérides precisas durante un periodo de tiempo.

    En esta tesis se ha desarrollado un nuevo propagador híbrido de tipo Encke, denominado HEnckeSGP4, que utiliza el propagador semi-analítico SGP4 como intermediario. Lo que lo diferencia del método clásico de Encke es que, en lugar de integrar las diferencias entre un modelo completo de perturbaciones y SGP4, este nuevo propagador utiliza un modelo predictivo basado en redes neuronales profundas para predecirlas. El propagador HEnckeSGP4 ha sido entrenado para proporcionar soluciones precisas para los objetos que se encuentran en la región de órbita de altitud media, Medium Earth Orbit (MEO).

    En esta tesis se ha reimplementado en Python y se han incrementado las funcionalidades de un entorno de trabajo desarrollado por el Dr. Iván Pérez en R. Este entorno permite seleccionar las arquitecturas de las redes neuronales, crear los modelos de redes neuronales y aplicar la metodología de propagación híbrida. Una característica destacable de esta nueva implementación es la generación automática de un programa de evaluación en C++. Este programa evalúa el modelo predictivo, implementado en la parte híbrida del propagador, de manera eficiente utilizando librerías especializadas en cálculo matricial. El entorno es multiplataforma y actualmente se encuentra instalado en el sistema de computación de alto rendimiento Beronia de la Universidad de La Rioja.

    Utilizando este entorno, se construyó el módulo predictivo de un propagador híbrido basado en una arquitectura de red neuronal optimizada. El tiempo necesario para entrenar la red fue de aproximadamente 8 días, una reducción significativa en comparación con los primeros modelos, que tardaron entre 24 y 28 días. El nuevo propagador mejoró las predicciones de SGP4 en casi todos los escenarios en los que fue evaluado. Estos escenarios incluyen la predicción de la trayectoria de los satélites partiendo de situaciones vistas y no vistas durante el entrenamiento de los modelos de redes neuronales. Las reducciones del error obtenidas con el modelo desarrollado alcanzaron los 110 km y mejoraron las predicciones del propagador SGP4 en más del 85 % de los casos. El tiempo de cómputo adicional a SGP4, generado por la implementación del módulo predictivo desarrollado en C++, fue de solo 0.19 segundos.