هوش مصنوعی می‌تواند زمان سقوط بقایای ماهواره‌ها به زمین را پیش‌بینی کند
هوش مصنوعی می‌تواند به پیش‌بینی زمان سقوط ماهواره‌ها و قطعات موشک به زمین کمک کند. در پژوهشی جدید، شبکه‌های عصبی با قوانین حرکت مداری ترکیب شده‌اند تا پیش‌بینی زمان ورود دوباره اجرام فضایی به جو زمین دقیق‌تر شود.
با گسترش فعالیت‌های فضایی و افزایش پرتاب ماهواره‌ها، شمار اجرام در حال گردش به دور زمین همچنان رو به افزایش است. این فعالیت‌ها در کنار تجهیزات فعال، زباله‌های فضایی نیز تولید می‌کنند؛ زباله‌هایی که شامل ماهواره‌های ازکارافتاده و قطعات باقی‌مانده از برخوردها هستند. انباشته شدن این اجرام، خطر برخورد در فضا را افزایش می‌دهد.
ماهواره‌های ازکارافتاده و مراحل مصرف‌شده موشک‌ها ممکن است به‌تدریج بر اثر مقاومت جو ارتفاع خود را از دست بدهند. این نیروی مقاومتی حتی در رقیق‌ترین لایه‌های جو زمین نیز وجود دارد. مقاومت جو از انرژی مداری اجرام می‌کاهد و مسیر حرکت آن‌ها را تغییر می‌دهد تا سرانجام دوباره وارد جو شوند و به سوی سطح زمین فرود آیند.
در پژوهشی جدید، مدلی معرفی شده است که با ترکیب شبکه‌های عصبی مصنوعی و قوانین حرکت مداری، پیش‌بینی زمان سقوط اجرام فضایی به زمین را بهبود می‌دهد. این روش را پژوهشگرانی در اندونزی توسعه داده‌اند و در آن از هوش مصنوعی برای برآورد مقاومت جو و محاسبه مسیرهای مداری استفاده می‌شود.
افزایش شمار ماهواره‌ها
با گسترش منظومه‌های ماهواره‌ای طراحی‌شده برای ارتباطات مخابراتی، ناوبری و مشاهده زمین، شمار ماهواره‌های در حال گردش به دور زمین به‌طور چشمگیری افزایش یافته است. پیشرفت فناوری موشک‌ها و کاهش هزینه پرتاب نیز امکان فرستادن تجهیزات بیشتر به فضا را در فاصله‌های زمانی کوتاه‌تر فراهم کرده است.
این زیرساخت‌ها پوشش خدمات را گسترش می‌دهند، اما هم‌زمان شمار اجرام مصنوعی در مدار زمین و حجم زباله‌های فضایی را نیز افزایش می‌دهند.
زباله‌های فضایی شامل ماهواره‌های ازکارافتاده، مراحل رهاشده موشک‌ها و قطعاتی هستند که در پی برخوردها یا انفجارها ایجاد می‌شوند. این اجرام بسته به ارتفاع مداری خود ممکن است سال‌ها یا حتی دهه‌ها در مدار باقی بمانند. برخورد آن‌ها با یکدیگر نیز می‌تواند باعث شکسته شدنشان به قطعات کوچک‌تر و تولید زباله‌های بیشتر شود.
چرا ماهواره‌ها دوباره به زمین بازمی‌گردند؟
ماهواره‌ها به این دلیل در مدار باقی می‌مانند که سرعت افقی آن‌ها برای دنبال کردن انحنای زمین کافی است. بااین‌حال، حتی در مدار پایین زمین نیز مقدار اندکی گاز جوی به اجرام در حال حرکت نیروی مقاومتی وارد می‌کند. این نیرو انرژی مداری آن‌ها را کاهش می‌دهد و به‌تدریج باعث پایین آمدن ارتفاعشان می‌شود.
با کاهش ارتفاع، مقاومت جو معمولاً بیشتر می‌شود و روند از دست رفتن انرژی و پایین آمدن جسم را سرعت می‌بخشد. هنگام ورود دوباره به جو، برهم‌کنش جسم با جو گرمای شدیدی ایجاد می‌کند و ممکن است بخش بزرگی از مواد آن پیش از رسیدن به سطح زمین متلاشی شود.
هوش مصنوعی چگونه پیش‌بینی‌ها را بهبود می‌دهد؟
مدل پیشنهادی هوش مصنوعی، قوانین فیزیک را با یادگیری ماشین ترکیب می‌کند تا زمان ورود دوباره ماهواره‌ها به جو زمین را پیش‌بینی کند. مسیر حرکت این اجرام با استفاده از قوانین حرکت نیوتن محاسبه می‌شود و در این محاسبات، مقاومت جو نیز در نظر گرفته می‌شود. این مقاومت با استفاده از مدل‌هایی برآورد می‌شود که فعالیت خورشیدی و ژئومغناطیسی را لحاظ می‌کنند.
شبکه عصبی با استفاده از ۱۱ سال داده عمومی ردیابی مداری آموزش دیده است تا تغییرات ضریب بالستیکی هر جسم را در گذر زمان یاد بگیرد. شبیه‌سازی زمانی پایان می‌یابد که جسم به ارتفاع ۸۰ کیلومتری، معادل حدود ۵۰ مایل، برسد. پژوهشگران مدل را ۱۰۰ بار اجرا می‌کنند تا زمان پیش‌بینی‌شده برای ورود دوباره جسم به جو را برآورد کنند.
آزمایش در شرایط واقعی
پژوهشگران برای ارزیابی مدل، پیش‌بینی‌های آن را با زمان واقعی ورود دوباره سه جرم فضایی که پیش‌تر به زمین بازگشته بودند، مقایسه کردند. در مورد فضاپیمای شوروی کاسموس ۴۸۲، هوش مصنوعی زمان ورود دوباره را ساعت ۰۶:۲۲ به وقت هماهنگ جهانی (UTC)، با عدم‌قطعیت ۱۱٫۴ دقیقه، پیش‌بینی کرد؛ درحالی‌که آژانس فضایی روسیه زمان وقوع این رویداد را ساعت ۰۶:۲۴ اعلام کرده بود.
در مورد تلسکوپ فضایی نئو‌وایز ناسا، مدل زمان ورود دوباره به جو را ساعت ۰۰:۵۴ روز ۲ نوامبر ۲۰۲۴ به وقت هماهنگ جهانی پیش‌بینی کرد و عدم‌قطعیت آن ۷٫۸ دقیقه بود؛ درحالی‌که زمان رسمی این رویداد ساعت ۰۰:۴۹ اعلام شد. سومین آزمایش به یک موشک لانگ مارچ ۴بی مربوط می‌شد. مدل زمان ورود دوباره این موشک به جو را ساعت ۲۲:۴۵، با عدم‌قطعیت ۱۳٫۲ دقیقه، برآورد کرد؛ اما ورود واقعی آن بین ساعت ۲۲:۳۳ تا ۲۲:۳۶ رخ داده بود.
منبع پژوهش
آنداریستیان و همکاران (۲۰۲۶). برآورد ضریب بالستیکی متغیر در آینده با استفاده از یادگیری عمیق برای پیش‌بینی ورود کنترل‌نشده اجرام به جو.