کنترل فاز فرود یک ماه نشین مبتنی بر اصول یادگیری ماشین

امروزه با توجه به افزایش چشم گیر سفرهای فضایی و امکان فرود بر روی سیارات دیگر و همچنین شروع عصر سفرهای تفریحی فضایی، مبحث فرود نرم و ایمن وسایل نقلیه فضایی همچنان از موضوعات چالش برانگیز این حیطه محسوب می شود. از این رو برنامه ریزی پروازی بهینه متناسب با هر فاز از ماموریت مد نظر طراحان سیستم های سیستم فضا پیما است. در این مقاله سعی شده است در ابتدا با بررسی یک راهکار حل تحلیلی برای فرود نرم و عمودی یک ماه نشین، ملزومات کنترلی این حرکت محاسبه و طی مطالعه ای موردی شبیه سازی شود. سپس با تولید داده برای یافتن کنترل بهینه فرود نرم ماه نشین در فضای شبیه سازی توسعه داده شده، یک مدل شبکه عصبی برای پیشبینی زمان بهینه شروع به احتراق تراستر سیستم آموزش داده می شود. داده تولید شده با استفاده از روش های متفاوتی مانند سعی و خطا و الگوریم های جست و جو تولید می شود و از خروجی بدست آمده از پاسخ تحلیلی استفاده نمیشود. از ویژگی های مهم این راهکار در مقایسه با حل تحلیلی، عدم نیاز به داشتن مقادیر داده های ورودی (سرعت و ارتفاع ) در تمامی لحظات فاز فرود است. در مطالعه موردی صورت پذیرفته در اولین تلاش برای آموزش این مسئله، تنها از یک نوع تعریف تابع هزینه برای شبکه استفاده شده است که با دستیابی به دقت 95 درصد، می توان نتیجه گرفت که با انجام بهینه سازی در تعاریف تابع هزینه و توابع فعالسازی و پارامتر های شبکه عصبی، بتوان به دقت بالاتری نیز برای حل این مسئله دست یافت.