Una nueva metodología desarrollada en la UPM utiliza la Inteligencia Artificial para predecir con exactitud el flujo solar y el tránsito de los desechos espaciales, con la finalidad de impedir colisiones que alteren la constelación de satélites de la industria espacial.
Desde el comienzo de la era espacial en 1957 se han lanzado toneladas de cohetes, naves y satélites al espacio que han dejado una estela de basura orbitando la Tierra.
Según la NASA, hay aproximadamente 23.000 piezas de escombros más grandes que una pelota de 30 centímetros orbitando la Tierra, así como medio millón de piezas de escombros de un centímetro, y hasta unos 100 millones de piezas de escombros de alrededor de un milímetro e incluso más grandes.
Los desechos espaciales representan 8.800 toneladas de basura orbitando erráticamente la Tierra, lo que, según la ONU, pone en peligro las misiones espaciales y las comunicaciones terrestres.
Posibles impactos
Los desechos se mueven por el espacio a una velocidad de decenas de miles de kilómetros por hora y, en caso de impacto, pueden destruir completamente los satélites activos con los que tropiezan. Incluso la Estación Espacial Internacional sufrió recientemente una colisión con un objeto errático de basura espacial.
Según la NASA, alrededor de 27.000 objetos de desechos espaciales son monitorizados desde la Tierra, a través de una red de observatorios distribuidos por todo el mundo y de telescopios espaciales.
Los objetos detectados se añaden a un catálogo de desechos espaciales y se comparan con las órbitas de otros fragmentos conocidos de basura espacial.
Las nuevas órbitas se calculan con superordenadores para ver si existe la posibilidad de colisiones con los más de 8.000 satélites activos en la actualidad, con una anticipación de al menos tres días.
Mejorando el sistema
Sin embargo, Investigadores del Departamento de Ingeniería de Sistemas Informáticos de la Universidad Politécnica de Madrid (UPM), en colaboración con la Universidad de Strathclyde (Glasgow, Reino Unido), han desarrollado una nueva metodología que mejora la capacidad de predecir posibles colisiones con un plazo mucho mayor, de hasta 27 días.
La metodología utiliza el aprendizaje profundo (una rama de la Inteligencia Artificial) para pronosticar el flujo de radiación solar ꟷen concreto, el índice F10.7ꟷ en un horizonte temporal de días, lo que resulta muy relevante a la hora de diseñar y planificar operaciones espaciales.
El índice F10.7 es una medida de la intensidad de las emisiones de radiación solar ultravioleta con una longitud de onda de 10,7 cm y se utiliza como un indicador de la actividad solar, siendo uno de los principales responsables de los cambios de la densidad atmosférica, y, por lo tanto, del arrastre atmosférico que influye en el flujo de la basura espacial.
Dado que el arrastre atmosférico es una de las fuentes de incertidumbre más destacadas en la predicción de la órbita de los satélites en la órbita terrestre baja (LEO, por sus siglas en inglés), la modelización precisa de este índice es de gran importancia para ayudar a predecir las posiciones de los satélites y la basura espacial, así como para asegurar que no se produzcan colisiones.
Aprendizaje profundo
La metodología seguida para el desarrollo de este modelo se basa en el uso de métodos de aprendizaje profundo (o deep learning en inglés) en un nuevo enfoque basado en Redes Residuales Profundas.
Este método, basado en la arquitectura de redes neuronales N-BEATS, ha resultado ser eficaz en la predicción de valores puntuales, así como en la estimación de la incertidumbre en la predicción utilizando un conjunto de modelos.
El equipo de investigación ha comprobado también que el modelo N-BEATS mejora los resultados de dos modelos de predicción disponibles para operadores espaciales: uno estadístico (proporcionado por BGS, ESA), y otro de una red neuronal más simple que utiliza información del flujo solar en múltiples longitudes de onda (por CLS, CNES).
Los resultados de este estudio son importantes para la industria espacial, ya que pueden utilizarse para desarrollar herramientas que permitan prever las condiciones de arrastre en un futuro próximo y hacer predicciones de órbita más precisas, señalan los investigadores.
«El clima espacial puede afectar a los satélites, a los astronautas y a los pasajeros de un avión»
En declaraciones a Tendencias21, el equipo que ha realizado esta investigación, formado por Emma Stevenson, Víctor Rodríguez-Fernández, Edmondo Minisci y David Camacho, del Departamento de Ingeniería de Sistemas Informáticos de la Universidad Politécnica de Madrid (UPM), desentraña la importancia de este desarrollo para la industria espacial.
¿Cómo puede ayudar esta metodología a un satélite a salir ileso después de atravesar un estercolero espacial?
Según el tamaño del desecho espacial, los satélites operacionales tienen 2 opciones para protegerse. Para desechos pequeños (menores que 10 cm) que no pueden ser rastreados regularmente desde la Tierra, los satélites deben confiar en técnicas de blindaje para reducir el impacto de posibles colisiones. Desechos más grandes (mayores que 10 cm) pueden ser rastreados desde la Tierra, y en caso de que el riesgo de colisión calculado sea lo suficientemente alto, el satélite puede realizar una maniobra para evitar la colisión. Cuando se acerca el momento de la colisión, la trayectoria del desecho se conoce con la precisión suficiente para decidir si es necesaria una maniobra o no. Sin embargo, hasta ese momento, existen muchas fuentes de incertidumbre en cuanto a cómo se comporta el objeto, incluyendo los efectos del clima espacial, el cual es difícil de predecir. Esto significa que, a menudo, los operadores dedican mucho tiempo a preparar maniobras que finalmente podrían no ser necesarias. Predecir la actividad solar y el clima espacial de manera más precisa puede ayudar a reducir esta incertidumbre en la determinación de las órbitas.
¿Que supone y por qué la radiación ultravioleta para los satélites?
La actividad del sol varía considerablemente en ciclos de 11 años. Durante los periodos con alta actividad solar, la atmósfera de la tierra se calienta más. Esto hace que la atmósfera se expanda, aumentando así la densidad de la atmósfera en las bandas orbitales más altas. A su vez, esto incrementa la fuerza de arrastre sobre los satélites que están orbitando, cambiando sus trayectorias y causando que la órbita pierda altitud más rápido de lo esperado. Por tanto, predecir de manera precisa la actividad solar es importante para permitir predecir la trayectoria futura de los satélites y desechos espaciales, y asegurar que no ocurran colisiones entre ellos. El flujo solar radioelétrico, que se puede medir fácilmente desde la Tierra, se usa normalmente como intermediario de esta actividad solar, pero es difícil de predecir a futuro.
Un clima espacial fuerte puede afectar a los satélites de más formas, causando que se acumulen cargas eléctricas dentro de la nave que pueden sobrecargar los sensores, degradar y dañar el equipo, e interrumpir las señales de radio que los comunican con las estaciones de tierra. La exposición a esta radiación puede ser también peligrosa para los astronautas, e incluso para los pasajeros de avión.
Por último, ¿qué son las redes residuales profundas y su encaje en el aprendizaje profundo, así como su utilidad para vuestra metodología?
Las redes residuales profundas fueron propuestas en 2015 para mejorar la precisión de las redes neuronales profundas en la tarea de reconocimiento de imágenes. Más concretamente, la red neuronal que se proponía en el paper original, ResNet, añadía “conexiones residuales”, entre las capas de una red neuronal convolucional, que era y sigue siendo la arquitectura de aprendizaje profundo más común para trabajar con imágenes.
Estas conexiones residuales ayudan a estabilizar el proceso de aprendizaje de la red, y por tanto, permiten crear redes más profundas, de hasta un centenar de capas, mejorando con ello la precisión en diversas tareas. Tras su éxito y su acogida en el área de la visión artificial, el uso de redes residuales profundas se ha extendido a otros campos, como el de la predicción de series temporales. La arquitectura que utilizamos en este trabajo, N-BEATS, es un ejemplo de ello, ya que incorpora conexiones residuales para mejorar precisión y la interpretabilidad de las predicciones.
Fuente: Tendencias21