استخراج زاویه بنک مرجع بهینه در مرحله ورود به جو مریخ در حضور خرابی تراستر با استفاده از شبکه‌ عصبی

در مرحله ورود به جو مریخ، انتخاب زاویه بنک مرجع نقش اساسی در موفقیت مأموریت و کاهش مصرف سوخت دارد. محموله برای کنترل وضعیت و تنظیم مسیر نیازمند تراسترهایی است که هرگونه خرابی در آن&zwnjها می&zwnjتواند رفتار دینامیکی پرواز را تغییر داده و موجب افزایش مصرف انرژی و کاهش دقت در انتهای فاز ورود گردد. در این مرحله، تراسترهای ترمزی نیز برای کاهش سرعت محموله در لحظات کلیدی ورود به جو مورد استفاده قرار می&zwnjگیرند و به همین دلیل، مدیریت مصرف سوخت در این بخش از اهمیت ویژه&zwnjای برخوردار است. در بسیاری از مطالعات گذشته، زاویه بنک مرجع معمولاً به&zwnjصورت ثابت و مستقل از وضعیت خرابی در نظر گرفته شده است، در حالی&zwnjکه هر حالت خرابی اثر منحصربه&zwnjفردی بر زاویه بنک مرجع و نیاز سوخت داشته و مسیر بهینه باید متناسب با آن بازتولید شود. در این پژوهش، با بهره&zwnjگیری از شبکه&zwnjهای هوش مصنوعی مبتنی بر یادگیری عمیق و انجام شبیه&zwnjسازی برای آموزش شبکه عصبی در سناریوهای مختلف خرابی تراستر، مسیرهای بهینه&zwnjی تطبیقی استخراج شده&zwnjاند. تابع هزینه بر اساس کمینه&zwnjسازی قدرمطلق انتگرال منحنی نیروی تراست در طول مرحله ورود به جو تعریف شده است تا مصرف انرژی به حداقل برسد. مسیر پرواز به&zwnjصورت توالی زوایای بنک مدل&zwnjسازی و با استفاده از توابع اسپیلاین و قیود دینامیکی بازسازی شده است تا همواری و صحت فیزیکی مسیر تضمین گردد. نتایج شبیه&zwnjسازی نشان می&zwnjدهد که برای هر حالت خرابی، یک مسیر بهینه&zwnjی مستقل با مصرف سوخت کمتر، خطای نهایی پایین&zwnjتر و زمان بازیابی کوتاه&zwnjتر نسبت به مسیر حالت سالم به&zwnjدست می&zwnjآید. این رویکرد می&zwnjتواند زمینه&zwnjساز توسعه سامانه&zwnjهای هدایت و کنترل تحمل&zwnjپذیر عیب با مصرف انرژی بهینه در مأموریت&zwnjهای آینده مریخ با توجه به اهمیت دقت نهایی در انتهای فاز ورود باشد.