Główne pojęcia
물리 기반 신경망(PINN)은 위성의 자연력과 추력을 모두 고려하여 위성 상태를 효과적으로 추정할 수 있다. PINN은 기존 물리 모델의 한계를 극복하고 관측 데이터를 더 정확하게 설명할 수 있다.
Streszczenie
이 연구는 지속적 추력을 가진 위성의 상태 추정을 위해 물리 기반 신경망(PINN)을 활용하는 방법을 제안한다.
위성 궤도 추정 및 예측을 위해 물리 모델과 기계학습 모델을 결합한 PINN 모델을 개발하였다.
시뮬레이션을 통해 생성한 관측 데이터를 활용하여 PINN 모델을 학습하고 성능을 평가하였다.
PINN 모델은 순수 물리 모델에 비해 관측 잔차와 미래 예측 정확도가 크게 향상되었다.
PINN 모델은 위성의 임의의 추력 프로파일을 효과적으로 학습할 수 있었다.
이 연구 결과는 지속적 추력을 가진 위성의 상태 추정 및 예측에 PINN이 유용한 도구가 될 수 있음을 보여준다.
Statystyki
2일 동안의 관측 데이터에 대해 순수 물리 모델의 관측 잔차 RMSE는 123 arcsec인 반면, PINN 모델의 RMSE는 1.00 arcsec로 2 order 향상되었다.
5일 후 위성 위치 예측 오차는 순수 물리 모델이 3860 km인 반면, PINN 모델은 164 km로 크게 개선되었다.
5일 후 위성 속도 예측 오차는 순수 물리 모델이 285 m/s인 반면, PINN 모델은 12.3 m/s로 개선되었다.
Cytaty
"물리 기반 신경망(PINN)은 위성의 자연력과 추력을 모두 고려하여 위성 상태를 효과적으로 추정할 수 있다."
"PINN 모델은 기존 물리 모델의 한계를 극복하고 관측 데이터를 더 정확하게 설명할 수 있다."