ЗГОРТКОВІ НЕЙРОННІ МЕРЕЖІ ДЛЯ ВИЗНАЧЕННЯ ВПЛИВУ ІОННОГО ПРОМЕНЯ НА ОБ’ЄКТ КОСМІЧНОГО СМІТТЯ
Introduction. Space debris is a serious problem that significantly complicates space activity. This problem can be mitigated by active space debris removal. The ion beam shepherd (IBS) concept assumes the contactless removal of a space debris object (SDO) by the plume of an ion thruster (IT). Techni...
Збережено в:
| Дата: | 2023 |
|---|---|
| Автори: | , |
| Формат: | Стаття |
| Мова: | English |
| Опубліковано: |
PH “Akademperiodyka”
2023
|
| Теми: | |
| Онлайн доступ: | https://scinn-eng.org.ua/ojs/index.php/ni/article/view/491 |
| Теги: |
Додати тег
Немає тегів, Будьте першим, хто поставить тег для цього запису!
|
| Назва журналу: | Science and Innovation |
Репозитарії
Science and Innovation| id |
oai:ojs2.scinn-eng.org.ua:article-491 |
|---|---|
| record_format |
ojs |
| institution |
Science and Innovation |
| baseUrl_str |
|
| datestamp_date |
2023-12-22T13:40:30Z |
| collection |
OJS |
| language |
English |
| topic |
видалення космічного сміття глибинне навчання силовий вплив електро-реактивного двигуна згорткові нейронні мережі. |
| spellingShingle |
видалення космічного сміття глибинне навчання силовий вплив електро-реактивного двигуна згорткові нейронні мережі. REDKA, M. KHOROSHYLOV, C. ЗГОРТКОВІ НЕЙРОННІ МЕРЕЖІ ДЛЯ ВИЗНАЧЕННЯ ВПЛИВУ ІОННОГО ПРОМЕНЯ НА ОБ’ЄКТ КОСМІЧНОГО СМІТТЯ |
| topic_facet |
видалення космічного сміття глибинне навчання силовий вплив електро-реактивного двигуна згорткові нейронні мережі. space debris removal deep learning ion beam force convolution neural networks |
| format |
Article |
| author |
REDKA, M. KHOROSHYLOV, C. |
| author_facet |
REDKA, M. KHOROSHYLOV, C. |
| author_sort |
REDKA, M. |
| title |
ЗГОРТКОВІ НЕЙРОННІ МЕРЕЖІ ДЛЯ ВИЗНАЧЕННЯ ВПЛИВУ ІОННОГО ПРОМЕНЯ НА ОБ’ЄКТ КОСМІЧНОГО СМІТТЯ |
| title_short |
ЗГОРТКОВІ НЕЙРОННІ МЕРЕЖІ ДЛЯ ВИЗНАЧЕННЯ ВПЛИВУ ІОННОГО ПРОМЕНЯ НА ОБ’ЄКТ КОСМІЧНОГО СМІТТЯ |
| title_full |
ЗГОРТКОВІ НЕЙРОННІ МЕРЕЖІ ДЛЯ ВИЗНАЧЕННЯ ВПЛИВУ ІОННОГО ПРОМЕНЯ НА ОБ’ЄКТ КОСМІЧНОГО СМІТТЯ |
| title_fullStr |
ЗГОРТКОВІ НЕЙРОННІ МЕРЕЖІ ДЛЯ ВИЗНАЧЕННЯ ВПЛИВУ ІОННОГО ПРОМЕНЯ НА ОБ’ЄКТ КОСМІЧНОГО СМІТТЯ |
| title_full_unstemmed |
ЗГОРТКОВІ НЕЙРОННІ МЕРЕЖІ ДЛЯ ВИЗНАЧЕННЯ ВПЛИВУ ІОННОГО ПРОМЕНЯ НА ОБ’ЄКТ КОСМІЧНОГО СМІТТЯ |
| title_sort |
згорткові нейронні мережі для визначення впливу іонного променя на об’єкт космічного сміття |
| title_alt |
Convolutional Neural Networks for Determining the Ion Beam Impact on a Space Debris Object |
| description |
Introduction. Space debris is a serious problem that significantly complicates space activity. This problem can be mitigated by active space debris removal. The ion beam shepherd (IBS) concept assumes the contactless removal of a space debris object (SDO) by the plume of an ion thruster (IT). Techniques for determining the force impact from the IT to the SDO are of crucial importance for implementing the IBS concept.Problem Statement. A launcher’s upper stage, approximated by a cylinder, is considered an SDO deorbited by the plume of the IT. The SDO can change its orientation and position relative to the shepherd satellite. The shepherd satellite shall be able to determine the force transmitted to the SDO by the IT, using only SDO’s images as the input information.Purpose. The study aims to develop a neural net model that can map an SDO image to the force transmitted by an IT plume to this object and estimate the accuracy of such models.Material and Methods. Plasma physics methods are used to obtain ground truth values of the ion beam force. The deep learning methodology is applied to create neural net models.Results. Three different approaches for end-to-end ion force determination have been investigated. The first model uses a single convolutional neural net (CNN). The second model is an ensemble network consisting of four sub-models, and a classifier is used to pick the correct sub-model. The last model is similar to the first one but is trained on all images used for the second model. After training, all three models’ accuracy and computational complexity are estimated. These estimates demonstrate the acceptable performance of CNN-based models.Conclusions. This paper demonstrates that CNNs can be used to determine the force impact without knowledge about the SDO position and orientation and significantly faster than the previous methods. |
| publisher |
PH “Akademperiodyka” |
| publishDate |
2023 |
| url |
https://scinn-eng.org.ua/ojs/index.php/ni/article/view/491 |
| work_keys_str_mv |
AT redkam zgortkovínejronnímerežídlâviznačennâvplivuíonnogopromenânaobêktkosmíčnogosmíttâ AT khoroshylovc zgortkovínejronnímerežídlâviznačennâvplivuíonnogopromenânaobêktkosmíčnogosmíttâ AT redkam convolutionalneuralnetworksfordeterminingtheionbeamimpactonaspacedebrisobject AT khoroshylovc convolutionalneuralnetworksfordeterminingtheionbeamimpactonaspacedebrisobject |
| first_indexed |
2025-09-24T17:19:05Z |
| last_indexed |
2025-09-24T17:19:05Z |
| _version_ |
1850411058004492288 |
| spelling |
oai:ojs2.scinn-eng.org.ua:article-4912023-12-22T13:40:30Z ЗГОРТКОВІ НЕЙРОННІ МЕРЕЖІ ДЛЯ ВИЗНАЧЕННЯ ВПЛИВУ ІОННОГО ПРОМЕНЯ НА ОБ’ЄКТ КОСМІЧНОГО СМІТТЯ Convolutional Neural Networks for Determining the Ion Beam Impact on a Space Debris Object REDKA, M. KHOROSHYLOV, C. видалення космічного сміття, глибинне навчання, силовий вплив електро-реактивного двигуна, згорткові нейронні мережі. space debris removal deep learning ion beam force convolution neural networks Introduction. Space debris is a serious problem that significantly complicates space activity. This problem can be mitigated by active space debris removal. The ion beam shepherd (IBS) concept assumes the contactless removal of a space debris object (SDO) by the plume of an ion thruster (IT). Techniques for determining the force impact from the IT to the SDO are of crucial importance for implementing the IBS concept.Problem Statement. A launcher’s upper stage, approximated by a cylinder, is considered an SDO deorbited by the plume of the IT. The SDO can change its orientation and position relative to the shepherd satellite. The shepherd satellite shall be able to determine the force transmitted to the SDO by the IT, using only SDO’s images as the input information.Purpose. The study aims to develop a neural net model that can map an SDO image to the force transmitted by an IT plume to this object and estimate the accuracy of such models.Material and Methods. Plasma physics methods are used to obtain ground truth values of the ion beam force. The deep learning methodology is applied to create neural net models.Results. Three different approaches for end-to-end ion force determination have been investigated. The first model uses a single convolutional neural net (CNN). The second model is an ensemble network consisting of four sub-models, and a classifier is used to pick the correct sub-model. The last model is similar to the first one but is trained on all images used for the second model. After training, all three models’ accuracy and computational complexity are estimated. These estimates demonstrate the acceptable performance of CNN-based models.Conclusions. This paper demonstrates that CNNs can be used to determine the force impact without knowledge about the SDO position and orientation and significantly faster than the previous methods. Вступ. Сміття на навколоземних орбітах є серйозною проблемою, що заважає подальшій космічній діяльності людини у космосі, яку можна частково вирішити через активне видалення об’єктів космічного сміття (ОКС). Пастух з іонним променем (ПІП) — це концепція, яка дозволяє безконтактно видаляти ОКС за допомогою факелу електрореактивного двигуна (ЕРД). Для реалізації концепції видалення космічного сміття ПІП потрібні методи визначення сили, що передається від ЕРД до ОКС. Проблематика. Як ОКС розглядається верхня ступінь ракети-носія, що апроксимована за допомогою циліндра. Цей об’єкт підлягає видаленню з орбіти за допомогою факелу ЕРД космічного апарату-пастуха (КА-П). ОКС може змінювати орієнтацію та положення відносно КА-П. КА-П необхідно визначити силу, що передається ОКС від ЕРД, використовуючи тільки зображення ОКС як вхідну інформацію.Мета. Створенню нейромережевої моделі, яка за зображенням ОКС визначає силу, що передається факелом ЕРД цьому об’єкту, та визначенню точності таких моделей.Матеріали й методи. Методи фізики плазми використано для отримання еталонних значень сили іонного променю. Глибинне навчання — для створення нейромережевих моделей.Результати. Досліджено три різних підходи для визначення сили променя ЕРД. Перша модель використовує єдину згорткову нейронну мережу (ЗНМ). Друга модель є ансамблевою мережею і використовує чотири допоміжні моделі та класифікатор, що визначає необхідну допоміжну модель. Третя модель має таку саму архітектуру, як і перша, але для її навчання застосовано усі зображення, які використано для навчання другої моделі. Після навчання для всіхмоделей визначено точність та швидкість визначення сили. Отримано прийнятні показники визначення сили за допомогою моделей, що використовують ЗНМ.Висновки. Показано, що ЗНМ можуть бути використані для визначення силового впливу ЕРД на ОКС без попередньої інформації щодо орієнтації та положення ОКС, та є суттєво швидшими за традиційні методи PH “Akademperiodyka” 2023-12-22 Article Article Рецензована стаття Peer-reviewed article application/pdf https://scinn-eng.org.ua/ojs/index.php/ni/article/view/491 10.15407/scine19.06.019 Science and Innovation; Том 19 № 6 (2023): Science and Innovation; 19-30 Science and Innovation; Vol. 19 No. 6 (2023): Science and Innovation; 19-30 2413-4996 2409-9066 10.15407/scine19.06 en https://scinn-eng.org.ua/ojs/index.php/ni/article/view/491/189 Copyright (c) 2023 Copyright Notice Authors published in the journal “Science and Innovation” agree to the following conditions: Authors retain copyright and grant the journal the right of first publication. Authors may enter into separate, additional contractual agreements for non-exclusive distribution of the version of their work (article) published in the journal “Science and Innovation” (for example, place it in an institutional repository or publish in their book), while confirming its initial publication in the journal “Science and innovation.” Authors are allowed to place their work on the Internet (for example, in institutional repositories or on their website). https://creativecommons.org/licenses/by-nc/4.0/ |