Machine learning model for uncontrolled re-entry predictions of space objects and feature engineering

The exponentially continuous growing number of objects orbiting around the Earth is expected to be accompanied with an increasing number of re-entries. However, the re-entry of uncontrolled objects is subjected to several uncertainties, that make the estimation of the re-entry epoch complex. In this context, it is possible to change the modelling philosophy, from a physics-based approach to a data-driven approach, in which the model has the duty of handling the uncertainties and the complexities of the problem. The work proposed in this thesis consists in the developing a new deep learning model to predict the average altitude trajectory of a space object, in order to infer its re-entry epoch. To this aim, a modified version of the Sequence to Sequence architecture is selected. The training and validation set are generated by properly selecting the objects based on the orbital elements that each Two Line Element (TLE) includes. The result of the selection consists in two datasets comprising of over 400 bodies. Furthermore, a great part of this thesis is devoted to the discussion, selection and transformation of each single input feature, exploiting the physical knowledge of the problem in order to highlight their relation. In particular, the input features include the drag-like coefficient used by the SGP4 model, the average solar index and the area-to-mass ratio. Consequently, an optimisation is done in order to select the proper set of hyparameters. Finally, the model is tested on a set of objects studied in the Inter-Agency Space Debris Coordination Committee (IADC) campaigns, by starting the predictions from different altitudes. The results shows that the best performances are obtained on bodies characterised by the same drag-like coefficient and eccentricity distribution of the training set. This thesis is part of the COMPASS project: “Control for orbit manoeuvring by surfing through orbit perturbations” (Grant agreement No 679086). This project is European Research Council (ERC) funded project under the European Union’s Horizon 2020 research (www.compass.polimi.it).

L'aumento esponenziale del numero di oggetti che orbitano attorno alla Terra si prevede essere accompagnato da un numero altrettanto crescente di rientri in atmosfera. Tuttavia, il rientro incontrollato è soggetto a molte incertezze, che rendono la predizione della epoca di rientro complessa. In questo contesto, è possibile cambiare la filosofia di modellazione, da un approccio prettamente fisico ad uno basato sui dati, nel quale è lo scopo del modello stesso trattare le incertezze a le complessità del fenomeno. Il lavoro proposto in questa tesi consiste nello sviluppo di un nuovo modello di deep learning in grado di predire la traiettoria dell'altitudine media di un corpo, in modo da dedurre la sua epoca di rientro. A tal fine, un'architettura modificata Sequence to Sequence è stata selezionata. I training e validation set sono generati selezionando ogni oggetto in base agli elementi orbitali contenuti nelle TLE. Il risultato di questa selezione consiste in due dataset che comprendono oltre 400 corpi. Inoltre, una parte significativa della tesi è dedicata alla discussione, selezione e trasformazione di ogni singola feature, sfruttando la conoscenza fisica del problema in modo da evidenziare le loro relazioni. Nello specifico, le input features includono il tipo di coefficiente balistico utilizzato nel modello SGP4, l'indice medio dell'intesità dell'attività solare and il rapporto area su massa. In seguito, un'ottimizzazione viene eseguita per trovare un appropriato set d'iperparametri per il modello di deep learning. Infine, il modello viene testato sugli oggetti studiati durante le campagne del Inter-Agency Space Debris Coordination Committee (IADC), facendo iniziare ogni predizione da diverse valori di altitudine. I risultati dimostrano che le migliori prestazioni vengono ottenute per corpi caratterizzati da distribuzioni del tipo di coefficiente balistico utilizzato nel modello SGP4 ed eccentricità simili a quelle del training set. Questa tesi fa parte del progetto COMPASS: "Control for orbit manoeuvring by surfing through orbit perturbations" (Grant agreement No 679086). Questo progetto è finanziato dall’European Research Council (ERC) nell’ambito della ricerca dell’European Union’s Horizon 2020 (www.compass.polimi.it).