ПРОГНОЗИРОВАНИЕ ЗОН ПАДЕНИЯ СТУПЕНЕЙ РАКЕТ НА ОСНОВЕ ЦИФРОВОГО ДВОЙНИКА И ГЛУБОКОГО ОБУЧЕНИЯ
DOI:
https://doi.org/10.56132/2791-3368-2026-3-67-39-59Ключевые слова:
цифровой двойник, прогнозирование траектории, зона падения, отделяющаяся ступень, Deep Q Network, расширенный фильтр Калмана, фильтр частиц, байесовское обновление, метод Монте-Карло, GIS-анализ рискаАннотация
Предложена интеллектуальная система прогнозирования зон падения отделяющихся ступеней ракет-носителей, объединяющая цифровой двойник, математическое моделирование, вероятностную фильтрацию, DQN и GIS-анализ рисков. Система обрабатывает телеметрические, метеорологические и геопространственные данные, уточняет состояние объекта с помощью расширенного фильтра Калмана, фильтра частиц и байесовского обновления, а также корректирует прогноз траектории. Численное моделирование и испытания Монте-Карло показали значения RMSE 19,7 м и MAE 15,3 м при точности прогноза 99,1%. Дополнительно сформирована GIS-карта рисков для Улытауской области. Метод может применяться для повышения безопасности космических запусков и поддержки оперативных решений.
Скачивания
Библиографические ссылки
1. R. Wei, R. Yang, S. Liu, C. Fan, R. Zhou, Z. Wu, H. Wang, Y. Cai, and Z. Jiang.(2024). Towards an Extensible Model-Based Digital Twin Framework for Space Launch Vehicles. Journal of Industrial Information Integration.Vol. 41, article 100641. DOI: 10.1016/j.jii.2024.100641.
2. L. Schena, P. A. Marques, R. Poletti, S. Ahizi, J. Van den Berghe, and M. A. Mendez.(2024).Reinforcement Twinning: From Digital Twins to Model-Based Reinforcement Learning. Journal of Computational Science.Vol.82, article 102421. DOI: 10.1016/j.jocs.2024.102421
3. N. Gratius, Z. Wang, M. Y. Hwang, Y. Hou, A. Rollock, C. George, M. Bergés, and B. Akinci.(2024). Digital Twin Technologies for Autonomous Environmental Control and Life Support Systems. Journal of Aerospace Information Systems. Vol. 21, no. 4, pp. 332–347. DOI: 10.2514/1.I011320.
4. S. Henao-Garcia, M. Kapteyn, K. E. Willcox, M. Tezzele, M. Castroviejo-Fernandez, T. Kim, I. Kolmanovsky, H. Basu, P. Jirwankar, and R. G. Sanfelice. (2025). Digital-Twin-Enabled Multi-Spacecraft On-Orbit Operations. In AIAA SCITECH 2025 Forum, Orlando, FL, USA, AIAA Paper 2025-1432. DOI: 10.2514/6.2025-1432
5. S. Leon and H. Moncayo. (2025). Machine-Learning-Based Validation of a Digital Twin Spacecraft for Health-Management Systems. In AIAA SCITECH 2025 Forum, Orlando, FL, USA, AIAA Paper 2025-0561. DOI: 10.2514/6.2025-0561.
6. M. E. Iliuţă et al. (2024). Digital Twin—A Review of the Evolution from Concept to Technology and Its Analytical Perspectives on Applications in Various Fields.Vol. 14, no. 13, article 5454. DOI: 10.3390/app14135454
7. C. Bae, E. Choi, and S. Lee.(2025).Technologies, Applications, and Challenges of Digital Twin Across Industries: A Systematic Review of the State-of-the-Art Literature. IEEE Access. Vol. 13, pp. 152843–152869. DOI: 10.1109/ACCESS.2025.3601615
8. B. A. Adu-Gyamfi.(2026).The Role of Digital Twin Technology in Enhancing Sustainable Aviation Transition: A State-of-the-Art Review and Future Direction. Journal of Open Innovation: Technology, Market, and Complexity. Vol. 12, no. 1, article 100693. DOI: 10.1016/j.joitmc.2025.100693.
9. P. Razzaghi, A. Tabrizian, W. Guo, S. Chen, et al. (2024).A Survey on Reinforcement Learning in Aviation Applications. Engineering Applications of Artificial Intelligence. Vol. 136, Part A, article 108911. DOI: 10.1016/j.engappai.2024.108911.
10. G. Peng, B. Wang, L. Liu, H. Fan, and Z. Cheng. (2023). Real-Time Adaptive Entry Trajectory Generation with Modular Policy and Deep Reinforcement Learning. Aerospace Science and Technology.Vol. 142, Part A, article 108594. DOI: 10.1016/j.ast.2023.108594.
