一种用于预测空间物体非受控再入的机器学习与特征工程方法
机器学习
2023-03-21 v1 地球与行星天体物理
计算工程、金融与科学
数值分析
神经与进化计算
数值分析
摘要
环绕地球运行的物体数量持续增长，预计伴随而来的是再入地球大气层的物体频率增加。这些再入中的许多将是非受控的，使其预测具有挑战性且存在若干不确定性。传统上，再入预测基于使用最先进建模技术对物体所受作用力进行物体动力学传播。然而，建模误差（特别是与大气阻力预测相关的误差）可能导致较差的预测精度。在此背景下，我们探索从基于物理的方法转向数据驱动方法的可能性。为此，我们提出了一种用于近地轨道（LEO）非受控物体再入预测的深度学习模型。该模型基于修改版的Sequence-to-Sequence架构，并在从400多个物体的两组线元（TLE）数据集导出的平均高度剖面上进行训练。该工作的新颖之处在于在深度学习模型中引入除平均高度外的三个新输入特征：类阻力系数（B*）、平均太阳指数和物体的面质比。所开发的模型在机构间空间碎片协调委员会（IADC）活动中研究的一组物体上进行了测试。结果表明，最佳性能出现在具有与训练集相同类阻力系数和偏心率分布的天体上。
引用
@article{arxiv.2303.10183,
title = {A machine learning and feature engineering approach for the prediction of the uncontrolled re-entry of space objects},
author = {Francesco Salmaso and Mirko Trisolini and Camilla Colombo},
journal= {arXiv preprint arXiv:2303.10183},
year = {2023}
}