Ayala Hernández, DanielAyala Hernández, RafaelCalderón Valdivia, José2025-03-212025-03-212024Calderón Valdivia, J. (2024). Machine Learning for the refinement of orbital propagation. (Trabajo Fin de Máster Inédito). Universidad de Sevilla, Sevilla.https://hdl.handle.net/11441/170694La predicción precisa de las posiciones de los satélites es fundamental para una amplia gama de aplicaciones, incluyendo comunicaciones, navegación, teledetección y planificación de misiones espaciales. Esta predicción proporciona información vital para el funcionamiento seguro y eficiente de estos sistemas. Sin embargo, predecir las trayectorias de los satélites presenta desafíos significativos debido a diversas fuerzas y perturbaciones que actúan en órbita. Actualmente, existen dos tipos principales de modelos para la predicción de posiciones satelitales: los modelos de perturbaciones simplificadas (como SGP4 y SDP4, a los que nos referiremos conjuntamente como SGDP4) y los modelos de alta precisión (como HPOP). Aunque los modelos de alta precisión son más fiables, su elevado coste computacional los hace poco prácticos para predicciones a medio o largo plazo. En la literatura existente, se han aplicado redes neuronales al campo de la predicción de trayectorias de satélites, pero estos trabajos se centran en desarrollar modelos que únicamente utilizan datos del propio satélite, sin considerar factores externos como las posiciones de los planetas o el Sol. El objetivo de este proyecto es estudiar la viabilidad de utilizar redes neuronales para mejorar la precisión del modelo SGDP4. Para ello, se analizarán diversas combinaciones posibles de datos de entrada, incluyendo la consideración o no de la velocidad del satélite, y las posiciones de los astros. Además, se explorarán diferentes arquitecturas de redes neuronales, como redes densas, redes GRU y redes residuales. También se evaluarán distintas configuraciones del modelo, como predecir coordenadas por separado o entrenar para tiempos de predicción concretos. Los resultados demostraron que la incorporación de técnicas de aprendizaje automático en la propagación orbital constituye una herramienta poderosa para mejorar la precisión y eficiencia de las predicciones orbitales. Aunque existen desafíos y limitaciones, los beneficios potenciales son considerables, indicando un camino prometedor para futuras investigaciones y aplicaciones en el campo de la dinámica orbital.Accurate prediction of satellite positions is crucial for a wide range of applications, including communications, navigation, remote sensing, and space mission planning. This prediction provides vital information for the safe and efficient operation of these systems. However, predicting satellite trajectories presents significant challenges due to the diverse forces and perturbations acting in orbit. Currently, there are two main types of models for satellite position prediction: simplified perturbation models (such as SGP4 and SDP4, which we will collectively refer to as SGDP4) and high-precision models (such as HPOP). While high-precision models are more reliable, their high computational cost makes them impractical for medium or long-term predictions. In the existing literature, neural networks have been applied to the field of satellite trajectory prediction. However, these works focus on developing models that only use data from the satellite itself, without considering external factors such as the positions of the planets or the Sun. The goal of this project is to study the feasibility of using neural networks to improve the accuracy of the SGDP4 model. To achieve this, different possible combinations of input data are analyzed, including whether or not to consider the satellite’s velocity and the positions of the celestial bodies. In addition, different neural network architectures are explored, such as dense networks, GRU networks, and residual networks. Different model configurations are also evaluated, such as predicting coordinates separately or training for specific prediction times. The results demonstrated that the incorporation of machine learning techniques into orbital propagation constitutes a powerful tool for improving the accuracy and efficiency of orbital predictions. While there are challenges and limitations, the potential benefits are remarkable, indicating a promising path for future research and applications in the field of orbital dynamics.application/pdf39 p.engAttribution-NonCommercial-NoDerivatives 4.0 Internationalhttp://creativecommons.org/licenses/by-nc-nd/4.0/Propagación de órbitasMachine LearningRedes NeuronalesSatélitesSGP4SDPOrbit propagationNeural NetworksSatellitesSDP4info:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/openAccess