Publicação
LSTM Based Trajectory Prediction for Aerospace Vehicle Reentry
| datacite.subject.fos | Engenharia e Tecnologia::Engenharia Aeronáutica | |
| dc.contributor.advisor | Bousson, Kouamana | |
| dc.contributor.author | Coelho, João Pedro Monteiro | |
| dc.date.accessioned | 2026-01-23T14:36:46Z | |
| dc.date.available | 2026-01-23T14:36:46Z | |
| dc.date.issued | 2025-11-27 | |
| dc.date.submitted | 2025-10-08 | |
| dc.description.abstract | Due to the rapid development of the machine learning field, its applications in trajectory prediction are now a matter of focus in academia and industry. In order to further broaden previous research, focusing more on a lower-atmosphere approach, this thesis aims to develop a model more focused on the latter steps of the reentry phase. The main objective is to create a deep learning model to predict the next position of the reentry aerospace vehicle based on a set of three previous positions. In order to test the robustness of this model, a Kullback-Leibler (Jensen-Shannon) divergence test was applied to each of the prediction models. The results were 6.07 and 0.492 for the UARS and KOSMOS 482 satellites, respectively. The results show a good degree of correspondence between the training and test sets, implying that the learning process was well done. However, should a similar study be conducted, efforts should be taken to obtain more realistic data, whether through more complex simulation, or using real sensor input. This thesis made use of the Dryden turbulence model, as well as many atmospheric models such as the International Civil Aviation Organization and the United States of America 1976. Long-Short Term Memory was the chosen recurrent neural network to have the evolution through time into account, having a dedicated section to its creation and analysis. The optimization and regularization processes are also presented, making use of the Tree-Structured Parzen Estimation to tune hyperparameters present in the model such as loss functions and ratio, number of hidden layers and their inputs, batch size and optimization models. Due to the absence of a sufficiently broad data pool to train this model, a chapter dedicated to the simulation procedures was also written, describing the algorithm used for it. The satellites chosen to test this model were UARS and KOSMOS 482, choosing initial conditions based on their latest recorded orbit epochs, varying the true anomaly and therefore obtaining about 1500000 inputs divided between training and testing the model. For the LSTM architecture, a MISO approach was taken due to dimensionality, dividing the trained model into three separate position predictions (x, y and z) in a time step of 0.1 seconds. | eng |
| dc.description.abstract | Introdução: A perturbação de Stress Pós-traumático (PSPT) é prevalente em populações expostas a guerra e violência prolongada. Em Angola, apesar das consequências psicológicas da Guerra Civil (1975-2002), inexistem instrumentos validados para avaliar a PSPT. Este estudo teve como objetivo validar o Post-traumatic Stress Disorder Checklist for DSM-5 (PCL-5; Weathers et al., 2013a) para a população angolana, garantindo adequação linguística, cultural e psicométrica. Método: Participaram 259 indivíduos (176 homens e 80 mulheres), com idades a partir dos 18 anos, civis e militares. O protocolo incluiu o PCL-5, o National Stressful Events PTSD Short Scale (NSESSS) e um questionário sociodemográfico, sendo a recolha de dados aprovada pela Comissão de Ética da Universidade da Beira Interior (UBI). Realizaramse análises fatoriais exploratória e confirmatória, avaliação da consistência interna (? de McDonald e a de Cronbach) e comparações entre grupos. Resultados: A estrutura de dois fatores mostrou-se a mais adequada (KMO=.92 e Bartlett X² (190) = 2017.34, p <.001), explicando 39.9% da variância total e apresentando elevada consistência interna (ω=.89; a=.89). Os militares apresentaram níveis mais elevados de sintomas de PSPT do que os civis, e quanto ao género, os homens apresentaram médias superiores. Discussão: Os resultados confirmam que o PCL-5 é um instrumento fiável e válido para a avaliação da PSPT em Angola, com propriedades psicométricas adequadas e sensíveis ao contexto cultural local. Este estudo pioneiro contribui para o avanço da investigação e para o desenvolvimento de estratégias clínicas e políticas de saúde mental baseadas na evidência. Dada a grande evolução da economia espacial e o seu impacto em setores estratégicos como a logística, navegação e defesa, o congestionamento de diversas órbitas começa a ser motivo de preocupação. Este fenómeno, aliado aos esforços de diversas potências internacionais para a crescente militarização do espaço, aumenta o risco crítico de quedas não controladas. Tentando completar pesquisas realizadas anteriormente, mais focadas a altitudes superiores a 80 kilómetros, esta dissertação pretende apurar um método de previsão para as secções mais inferiores da atmosfera terrestre, abordando também casos de órbita terrestre baixa (LEO). Utilizando conceitos como o modelo de turbulência de Dryden, bem como diversos modelos da atmosfera padrão, pretende-se aumentar a robustez e exatidão na previsão da posição do veículo no instante seguinte com base em três instantes anteriores. Utilizou-se uma rede neuronal Long-Short Term Memory (LSTM), estando uma parte dedicada à conceção e análise do modelo. Esta dissertação possui também uma componente teórica dedicada à apresentação de aspetos fundamentais de probabilidades, estatística e estimação - a base primária da inteligência artificial. Posteriormente, apresentam-se conceitos relacionados com a otimização dos parâmetros do modelo, desde a regularização à otimização, contendo medidas amplamente utilizadas como o early stopping e o aumento dos dados para teste, incluíndo também vários métodos comummente utilizados como ADAM, NADAM, ADAMw e RMSProp, cuja eficácia é colocada em estudo através de um método de otimização dos hiperparâmetros conhecido como o Estimador Tree-Structured Parzen. Este método foi também aplicado para analisar outros fatores como o ritmo de aprendizagem, o número de camadas escondidas, bem como a sua complexidade, assim como o tamanho do batch e as funções utilizadas para a métrica da perda, tendo por objetivo a melhor divergência de Kullback-Leibler (JensenShannon) entre os dados de treino e teste. Em seguida, apresentam-se definições de Gate Recurrent Units bem como do próprio LSTM, que foi adotado para manter a evolução temporal em conta. Devido à inexistência de uma base de dados suficientemente grande para treinar este modelo, foi também criado um capítulo dedicado aos procedimentos, descrevendo o algoritmo utilizado para o mesmo. Para além das equações já explicadas anteriormente, recorreu-se a um modelo geocêntrico (com coordenadas esféricas) de três graus de liberdade. Utilizaram-se várias posições iniciais dos veículos aeroespaciais para gerar dados ao variar a anomalia real (?), mantendo as outras coordenadas de Kepler constantes. Escolheram-se os satélites UARS e KOSMOS 482 para testar este modelo, perfazendo uma média de cerca de 1500000 vetores de estado para treinar e testar. No que toca à arquitetura do mesmo, optou-se pela divisão em três modelos de entrada múltipla e saída simples devido à maior eficácia aquando do processo de otimização das posições x, y e z seguintes de forma individual. O passo de tempo adotado foi de 0, 1 segundos e o treino foi realizado em duas fases. Primeiramente, dividiu-se o total de dados disponíveis em 20% para teste, 64% para treino e 16% para validação. Após um máximo de 2000 épocas, os dados foram guardados e os dados de treino e validação foram juntos num só. Na segunda fase, escolheram-se os melhores valores do Kullback-Leibler entre duas hipóteses. A primeira envolvia treinar este novo conjunto de dados de raíz até atingir o número de épocas primeiramente registado. Já o segundo envolvia treinar por cima do modelo já guardado até atingir uma métrica de perda semelhante à obtida pelos dados de validação na primeira fase. De entre destas duas hipóteses, a que teve melhor desempenho foi sempre a segunda. Para testar a robustez do modelo, realizou-se um teste de Kullback-Leibler a cada um dos três componentes do modelo. Os resultados obtiveram uma média geométrica de 6,07 e 0,492 para os respetivos casos do UARS e do KOSMOS 482. | por |
| dc.identifier.tid | 204137403 | |
| dc.identifier.uri | http://hdl.handle.net/10400.6/19806 | |
| dc.language.iso | eng | por |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-sa/4.0/ | |
| dc.subject | Long-Short Term Memory | por |
| dc.subject | Machine Learning | por |
| dc.subject | Previsão de Trajetórias | por |
| dc.subject | Reentrada Atmosférica | por |
| dc.subject | Validação Estatística | por |
| dc.title | LSTM Based Trajectory Prediction for Aerospace Vehicle Reentry | por |
| dc.type | master thesis | por |
| dspace.entity.type | Publication | |
| thesis.degree.name | Mestrado Integrado em Engenharia Aeronáutica | por |
Ficheiros
Principais
1 - 1 de 1