Применение нейронных сетей для анализа движения космической тросовой системы


Авторы

Акалу Й. А.1, Ван Ч. 2, Еленев Д. В.1, Лу Х. 2

1. Самарский университет, Московское шоссе, д. 34, г. Самара, Россия
2. Северо-Западный политехнический университет, Западная дорога дружбы, 127, Сиань, провинция Шэньси, 710072 Китайская Народная Республика

Аннотация

Рассматривается применение нейронных сетей для анализа устойчивости движения тросовой системы в атмосфере и для анализа процесса развертывания тросовой системы в атмосфере. Анализ проводится с применением многослойных нейронных сетей, методов прямого и обратного распространения ошибки, двух различных функцией активации для минимизации ошибок обучения. Процесс обучения проводился с использованием различных персептронов в скрытом слое до тех пор, пока система не выдавала результаты, соответствующие ожидаемым на основе прямых расчетов. Для обучения нейросети используются входные и выходные (целевые) данные, которые были предварительно получены с помощью численных расчетов по математической модели движения космической тросовой системы. Результаты исследований показали, что нейронная сеть после обучения проведению расчетов траектории движения тросовой системы позволяет существенно ускорить анализ устойчивости движения системы дает возможность скорректировать ошибки после обучения нейронной сети.

Ключевые слова:

нейронная сеть, тросовая система, аэродинамическая стабилизация, функции активации

Библиографический список

  1. Abdul-Wahaba S.A., Al-Alawi S.M. Assessment and prediction of tropospheric ozone concentration levels using artificial neural networks // Environmental Modelling & Software. 2002. V. 17, P. 219–228. DOI: 10.1016/S1364-8152(01)00077-9
  2. William E. Faller, Scott J. Schreck. Neural networks: application and opportunities in aeronautics // Progress in Aerospace Sciences. 1996. V. 32, P. 433-456. URL: https://doi.org/10.1016/0376-0421(95)00011-9
  3. Алексеев В.И., Шевкунов И.А. Применение нейросетевой технологии в аэрокосмической отрасли // Вестник Российского нового университета. 2020. № 4. С. 32-42. DOI: 10.25586/RNU.V9187.20.04.P.032
  4. Широбоков М.Г., Трофимов С.П. Управление формацией спутников на околоземной орбите с помощью методов машинного обучения // Препринты ИПМ им. М.В. Келдыша. 2020. № 19. URL: http://doi.org/10.20948/prepr-2020-19 
  5. Сорокин А.В., Широбоков М.Г. Коррекция и прогнозирование орбитального движения космических аппаратов с помощью искусственных нейронных сетей // Препринты ИПМ им. М.В.Келдыша. 2018. № 198. DOI: 10.20948/prepr-2018-198 
  6. Rafiq M.Y., Bugmann G., Easterbrook D.J. Neural network design for engineering application // Computers and structures. 2001. No. 79. P. 1541-1552. DOI: 10.1016/S0045-7949(01)00039-6
  7. Aditya Kumar, Rahul Chhibber. Investigation of the wetting behavior of formulated SMAW electrode coating fuxes with regression and ANN model // Metallurgical and Materials Transactions. 2022. V. 54, P. 287-302. DOI: 10.1007/s11663-022-02689-x
  8. Заболотнов Ю.М., Еленев Д.В. Движение в атмосферы тросовой системы «спускаемый аппарат – аэродинамический стабилизатор» // Известия Самарского научного центра Российской академии наук. 2006. Т 8, № 3. С. 833-840. 
  9. Elenev D.V., Zabolotnov Y.M. Analysis of the dynamics of the deployed aerodynamic space tether system // Cosmic Research. 2017. V. 55, No. 5. P. 371-379. DOI: 10.1134/S0010952517050057
  10. Akalu Y. Aynwaga, Elenev D.V. Stability Analysis of Motion of Tether System in Atmosphere with Variable Tether Length // Russian Engineering Research. 2024. V. 44, No. 12. P. 1701–1706.
  11. Акалу Й.А., Еленев Д.В. Методы моделирования движения тросовых систем // Наука и бизнес: пути развития. 2023. № 4 (142). С. 8–11. 
  12. Вьюгин В.В. Математические основы машинного обучения и прогнозирования. - М.: МЦНМО, 2014. – 304 с.
  13. Кириллов А.В., Деста А.Б., Дуббесса М.Х., Акалу Й.А. Применение нейронных сетей для диагностики и предупреждения отказов датчиков турбореактивного двухконтурного двигателя // Перспективы науки. 2021. №11 (146). С. 35-37.
  14. Бельский А.Б. Требования к бортовым оптико-электронным средствам воздушной разведки летательных аппаратов // Труды МАИ. 2022. № 123. URL: https://trudymai.ru/published.php?ID=165561. DOI: 10.34759/trd-2022-123-16
  15. Гришеленок Д.А., Ковель А.А. Использование нейросетей в системах встроенного контроля бортовой аппаратуры космических аппаратов // Исследования наукограда. 2013. № 1. С. 9-13.
  16. Дорофеев Е.А., Дынников А.И., Каргопольцев А.В., Свириденко Ю.Н., Фадеев А.С. Применение искусственных нейронных сетей для обработки и анализа данных аэродинамического эксперимента // Ученые записки ЦАГИ. 2007. Т. XXXVIII, № 3-4. С. 111-118.
  17. Соколов Д.Ю. Применение искусственной нейронной сети для решения задач прогнозирования движения наземных объектов // Труды МАИ. 2022. № 123. URL: https://trudymai.ru/published.php?ID=165563. DOI: 10.34759/trd-2022-123-17
  18. Осовский С. Нейронные сети для обработки информации. – М.: Финансы и статистика, 2004. – 343 с.
  19. Ивашова Н.Д., Михайлин Д.А., Чернякова М.Е., Шаныгин С.В. Нейросетевое решение задачи оперативного планирования маршрутного полета беспилотных летательных аппаратов и назначение времени наблюдения наземных объектов с помощью нечеткой логики при отображении этих результатов на экране компьютера до вылета // Труды МАИ. 2019. № 104. URL: http://trudymai.ru/published.php?ID=102223 
  20. Christopher M. Bishop. Neural Networks for Pattern Recognition, Oxford Univ. Press, 1995, 498 p.


Скачать статью

mai.ru — информационный портал Московского авиационного института

© МАИ, 2000—2025

 Вход