ЦИФРЛЫҚ ЕГІЗ ЖӘНЕ ТЕРЕҢ ОҚЫТУ НЕГІЗІНДЕ ЗЫМЫРАН САТЫЛАРЫНЫҢ ҚҰЛАУ АЙМАҚТАРЫН БОЛЖАУ
DOI:
https://doi.org/10.56132/2791-3368-2026-3-67-39-59Кілт сөздер:
Deep Q Network, GIS-тәуекел талдауы, Байес бойынша жаңарту, бөлінетін саты, бөлшектер сүзгісі, кеңейтілген Калман сүзгісі, Монте-Карло әдісі, траекторияны болжау, цифрлық егіз, құлау аймағыАңдатпа
Зымыран-тасығыштардың бөлінетін сатыларының құлау орындарын болжауға арналған интеллектуалды жүйе ұсынылады. Бұл жүйе цифрлық егіз технологияларын, траекторияларды математикалық модельдеуді, күйді ықтималдық бағалауды, тереңдетілген оқытуды және кеңістіктік GIS-тәуекел талдауын біріктіреді. Әзірленген құрылым телеметриялық, метеорологиялық және геокеңістіктік ақпаратты үздіксіз жинауға және талдауға, виртуалды көшірмені нақты объектімен синхрондауға, сондай-ақ есептік қозғалыс траекториясын динамикалық түрде түзетуге мүмкіндік береді.Процестің ағымдағы күйін неғұрлым дәл бағалау мақсатында кеңейтілген Калман сүзгісі, бөлшектер сүзгісі және Байес бойынша жаңарту әдісі қолданылды. Болжау қателігін азайтуға бағытталған оңтайлы әрекеттерді таңдау Deep Q Network нейрондық желі архитектурасы арқылы жүзеге асырылады. Жүйенің жұмыс сапасы жел жылдамдығы, блоктардың бөліну параметрлері және телеметриялық деректердің жоғалу деңгейі өзгертілген жағдайларда сандық модельдеу және Монте-Карло статистикалық әдісі арқылы зерттелді. Эксперименттік нәтижелер цифрлық егіз технологиясы мен DQN алгоритмін біріктіріп пайдалану RMSE және MAE көрсеткіштерін тиісінше 19,7 м және 15,3 м деңгейіне дейін төмендетуге, сондай-ақ болжау дәлдігін 99,1%-ға жеткізуге мүмкіндік беретінін көрсетті. Сонымен қатар, Ұлытау облысы үшін қар көшкінінің ықтималдығы, халық тығыздығы, аса маңызды инфрақұрылым нысандарының орналасуы және ықтимал экономикалық залал туралы деректерді біріктіретін тәуекел аймақтарының геоақпараттық картасы әзірленді. Ұсынылған әдіс ғарыштық ұшырулардың қауіпсіздігін арттыру, жедел бақылауды қамтамасыз ету және басқарушылық шешімдер қабылдау үдерісін қолдау үшін қолданылуы мүмкін.
##plugins.themes.default.displayStats.downloads##
Әдебиеттер тізімі
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.
