Design of Optimal Gravity-Assist Trajectories for Electric Solar Wind Sails

Abstract

Las Velas Solares Eléctricas son una alternativa interesante a los sistemas de propulsión tradicionales, un nuevo tipo de propulsión espacial sin combustible que obtiene la energía de los protones del viento solar, obteniendo unos niveles de aceleración que las hace potencialmente útiles para misiones interplanetarias. Pese a que estos sistemas surgen como una alternativa para alcanzar objetos lejanos sin depender de maniobras asistidas por gravedad, la combinación de ambos puede ser muy prometedora. El primer objetivo de este proyecto es analizar diferentes trayectorias con asistencia gravitatora para Velas Solares Eléctricas. Tras esto, estas trayectorias han de ser optimizadas con el fin de reducir el tiempo de vuelo. Existen múltiples alternativas de optimización disponibles, y de entre estas opciones, se han elegido específicamente los algoritmos genéticos. Los algoritmos genéticos, un algoritmo evolutivo que ha experimentado un crecimiento significativo en el campo de estudio en la última década debido a los avances computacionales, proporcionan excelentes resultados; no obstante, implican un costo computacional sustancial. Distintas variaciones en los parámetros de control y las operaciones son llevadas a cabo, dando lugar a resultados comparables con un tiempo computacional reducido.

Electric Solar Wind Sails are an interesting alternative to traditional propulsion systems, a new type of spacecraft propellantless propulsion system that gets its energy from solar wind protons, making them potentially useful for interplanetary missions. Despite the fact that these systems emerge as an alternative to reach far away objects without depending on gravity assist maneuvers, the combination of both can be very promising. The first goal of this project is to analyze different gravity-assist trajectories for Electric Solar Wind Sails. Then, these trajectories have to be optimized in order to reduce the flight time. There are multiple optimization alternatives available, and out of these options, genetic algorithms have been specifically chosen. Genetic algorithms, an evolutionary algorithm that has experienced significant growth in the field of study over the last decade due to computational advancements, provide excellent results; however, they imply a substantial computational cost. Several variations on control parameters and operations are conducted, resulting in comparable results with reduced computational time. V