APRÈN. Portal de la producció docent del professorat de la UPC

Las misiones de teledetección enfrentan importantes desafíos en la planificación y programación de observaciones científicas debido a restricciones como energía limitada, capacidad de almacenamiento de datos, ancho de banda de comunicación y ventanas de observación. Estas limitaciones se ven agravadas por los entornos operativos complejos de los sistemas planetarios, lo que requiere una optimización precisa para maximizar el retorno científico. Esta tesis explora el desarrollo y la aplicación de Algoritmos Genéticos Multiobjetivo (MOGAs, por sus siglas en inglés) para optimizar los horarios de observación en misiones espaciales, centrándose específicamente en los 7 sobrevuelos de la misión JUpiter ICy moons Explorer (JUICE) alrededor de Ganímedes, la luna más grande de Júpiter. Se supone que la nave espacial está equipada con dos cámaras idénticas a JANUS, cada una con 141 regiones de interés por observar. El objetivo principal es demostrar cómo las técnicas de optimización computacional pueden mejorar la planificación y programación de observaciones científicas, abordando las restricciones y complejidades inherentes a las misiones espaciales. La metodología integra algoritmos genéticos multiobjetivo con marcos de optimización basados en Python y el toolkit SPICE de la NASA. Estas herramientas permiten gestionar de forma sistemática múltiples objetivos, como maximizar el retorno científico mientras se cumplen las restricciones de la misión, incluidas las ventanas de observación y los requisitos específicos de los instrumentos. La investigación emplea el concepto de frente de Pareto para garantizar un equilibrio eficaz entre objetivos en conflicto. Además, se aborda el problema de Area coverage Planning, que implica optimizar la cobertura de regiones específicas de interés en la superficie de un planeta utilizando cámaras a bordo. Simulando escenarios de observación realistas, este componente mejora la capacidad del algoritmo para evaluar horarios factibles de manera eficiente. Los resultados de los casos de prueba validan los operadores evolutivos desarrollados para este estudio, demostrando su capacidad para generar horarios optimizados. El caso de estudio de los sobrevuelos de Ganímedes durante la misión JUICE se utiliza para ilustrar cómo los MOGAs identifican compromisos entre prioridades científicas, como maximizar la resolución de imágenes y la cobertura de superficie, mientras se asegura la viabilidad de las restricciones operativas. Los resultados destacan la flexibilidad de los algoritmos para abordar los desafíos de programación en misiones de exploración planetaria. Este trabajo también dedica un análisis detallado a los aspectos ambientales y sociales de la investigación. El estudio enfatiza el potencial de las técnicas computacionales para promover la sostenibilidad al minimizar el uso de recursos y las ineficiencias operativas. Además, subraya la importancia de la colaboración entre agencias espaciales, investigadores e ingenieros para avanzar en la planificación de misiones. En conclusión, esta tesis demuestra que los MOGAs ofrecen una solución robusta para optimizar los horarios de observación en misiones espaciales. Los hallazgos contribuyen al desarrollo continuo de herramientas avanzadas para la planificación de misiones y sientan las bases para futuras aplicaciones tanto en la exploración espacial como en otros dominios científicos.

La planificación y programación de observaciones científicas en misiones espaciales presentan desafíos complejos debido a las restricciones operativas, como recursos limitados, ventanas de tiempo estrictas y la necesidad de maximizar el retorno científico. Esta tesis se centra en desarrollar heurísticas de optimización, específicamente utilizando Algoritmos Genéticos (AG), para abordar estos desafíos. El estudio utiliza como referencia la misión JUICE de la ESA, con un enfoque particular en la cámara multiespectral JANUS, encargada de observar 141 Regiones de Interés (ROIs) en Ganímedes durante múltiples sobrevuelos. La investigación integra metodologías avanzadas, como el algoritmo de mosaico Online Frontier Repair, para mejorar la precisión en la programación de observaciones y en la evaluación de la calidad. Este algoritmo se combina con marcos de optimización basados en Python y el kit de herramientas SPICE de la NASA para garantizar un manejo robusto de los datos y las restricciones de la misión. Además, se emplea lógica multiagente para mejorar la eficiencia computacional y la calidad de las soluciones. La metodología fue validada mediante un enfoque de dos pasos: pruebas iniciales en ROIs individuales para verificar la funcionalidad del algoritmo, seguidas de una programación integral de todas las ROIs de Ganímedes. Los resultados demostraron la eficacia de las herramientas propuestas para generar programas optimizados que respetan las restricciones geométricas y temporales. Las comparaciones con aproximaciones previas revelaron mejoras en la calidad de las observaciones y en la precisión de la programación. Este trabajo destaca el potencial de los Algoritmos Genéticos para simplificar y mejorar la planificación de misiones espaciales, proporcionando a los planificadores herramientas eficientes para optimizar problemas complejos de programación. Los hallazgos subrayan la importancia de integrar técnicas computacionales avanzadas para maximizar los resultados científicos cumpliendo con las restricciones de la misión.

Very Low Earth Orbit (VLEO) has emerged as a promising domain for advancing satellite technology, offering significant advantages in earth observation and telecommunications. To sustain operations at these altitudes, Atmosphere-Breathing Electric Propulsion (ABEP) systems, which utilize air intakes to gather and compress atmospheric particles for propulsion, could be crucial. This thesis focuses on the development of a collisionless flow solver tailored for shape optimization of the intake of KREIOS' ABEP engine. The main objective is to develop a Python-based computational tool that can model free molecular flow by simulating the trajectories of gas particles through various intake geometries. The methodology involves designing two computational approaches, with emphasis on a simpler approach to provide preliminary results. Although the integration of the solver into a comprehensive shape optimization loop and the implementation of full-scale computational efficiency improvements are beyond the current project's scope, this work establishes a foundational tool for future development. The results demonstrate the feasibility of collisionless flow modeling for ABEP engine intake optimization and provide insights into necessary steps for further refinement and implementation.

This project consists of the programming, following an already established method; and execution of a simplified numerical model based on the Navier-Stokes equations, the Shallow Water 2D model, to simulate large-scale planetary atmospheric phenomena; concretely Jupiter Great Red Spot (without viscosity but in the presence of rotation and in elipsoidal coordinates). The phases are: understanding the Navier-Stokes equations and the simplifications that lead to the Shallow Water model, programming each point of this model in a specific order, as well as verifying each step, this process is called step-by-step method; running concrete simulations and comparing the final results with real phenomena. Since this thesis belongs to a group of works in the same field carried out in the past, it can be consulted in the future by other students. For this reason, it is written in a clear way, and its reading order is as linear as possible. Moreover, during the constitution of the model, those aspects that could differ from the generalised paradigm, established over several theses, are rigorously explained, as well as are explicited concepts that are not usually mentioned but are clarifying. The results obtained are generally adequate, compared with different sources, except for some simulations with Coriolis in Cartesian that perhaps dissipate too much. But in later more complex simulations where the accuracy has been increased, results have been obtained in line with certain sources and comparable to the real Jupiter Great Red Spot. The rest of the objectives have also been met satisfactorily, improving personally programming skills and understanding of fluid mechanics and its numerical implementation.

At first, the goal of this project was threefold: create the first version of a working interface, obtain more data to train the algorithm, and improve the performance of the deep learning classifier. Basically, to build upon what was implemented in the previous project. The first task was successfully completed, and a usable interface was created. Obtaining new data from real world aircraft proved to be impossible to achieve before the delivery of the project. Although an agreement was reached with a manufacturer that could provide the required data for this project, the delivery dates did not line up correctly. The results shown in the previous project were outstanding. However they were not reproducible in any kind of way. Moreover, many issues were found with the work presented on the previous project. An investigation was performed to obtain a deeper understanding of this matter. It was found that the previous project had a wonderful facade, but the foundations were not well established. It was necessary to start the project from the ground up if it was to be build up. A new database was created by transforming the old database. After thoroughly analyzing the previous dataset, a second dataset was created by removing certain variables, transforming certain fields and creating new variables. Alongside this new database, a new ANN code was also developed, with the intention of improving the overall performance. The results obtained with the new dataset and the new ANN were considered acceptable.The accuracy of the model was not high, but this was to be expected. Given the kind of data that was available for this project, only a small fraction of the total defects could ever be detected. All in all, although at first the goal was to build upon what was already done, this project has been successful in creating a solid base for the future work on the predictive maintenance tool. Without this, any attempt at building on top of the flimsy foundations would have ended in total failure.