Adding time dependence to the Resident Space Object Network

Space, especially in Low Earth Orbits (LEOs), got progressively more clogged as the years went by, and the trend does not seem to change. This incessant growth in the number of Resident Space Object (RSO)s has generated concern in the space community, that started to face the problem. In order to study the conditions in which the space environment is and the related risks of collision of the RSO in near-Earth orbits, several models have been designed. The majority of them offer an individual view on the matter, analysing the risks object per object. A few of them, based on network theory, have been designed in order to have a more cohesive view on the space debris problem, allowing to consider each RSO and each probability of collision as a component of a larger system. The model taken as starting point for this work is the Resident Space Object Network (RSONet) designed by Romano et al.. This method exploits graphs and their properties in order to analyse the probability of collision of the various RSO over a simulated time period. This is done by defining a score S, that evaluates the overall probability of collision of each RSO with the others, summing different contributions each representing a different way two RSOs can interact, directly or indirectly. This score allows to properly weight how each RSO contributes to the collision risk within the population and identify the most relevant objects. The object of this work is to expand the RSONet by introducing time dependence, by making possible collisions at a given time conditional on the previous events that might have involved each RSO. This addition allows to obtain a greater realism within the model and a new definition of a score that estimates the overall risk of collisions more accurately. The process followed to apply the several modifications, the new contributions derived for the time-varying scenario and some interesting results comparisons are presented. The new time-framed model is applied to the RSONet and compared to the static model to discuss the differences and advantages, regarding the networks and the scores. Applications to study space environment and to methods for Active Debris Removal (ADR) and Collision Avoidance Manoeuvres (CAM) are suggested, that could make use of the peculiarities of this model.

Lo spazio, specialmente nelle orbite terrestri basse (LEOs), è diventato progressivamente più congestionato col passare degli anni, e la tendenza non sembra cambiare. Questa crescita incessante nel numero di oggetti in orbita (RSOs) ha generato preoccupazione nella comunità spaziale, che ha iniziato ad affrontare il problema. Per studiare le condizioni in cui si trova l’ambiente spaziale e i rischi di collisione relativi ai RSOs nelle orbite vicine alla Terra, sono stati progettati diversi modelli. La maggior parte di questi offre una visione individuale della questione, analizzando i rischi oggetto per oggetto. Alcuni di essi, basati sulla teoria delle reti, sono stati progettati per offrire una visione più coesa del problema dei detriti spaziali, permettendo di considerare ogni RSO e ogni probabilità di collisione come componente di un sistema più grande. Il modello preso come punto di partenza per questo lavoro è il RSONet progettato da Romano et al.. Questo metodo sfrutta i grafi e le loro proprietà per analizzare la probabilità di collisione dei vari RSOs nel periodo di tempo simulato. Questo viene fatto definendo un punteggio S, che valuta la probabilità complessiva di collisione di ciascun RSO con gli altri, sommando diversi contributi, ciascuno rappresentante un diverso modo in cui due RSO possono interagire. Questo punteggio permette di analizzare correttamente come ogni RSO contribuisce al rischio di collisione all’interno della popolazione e identificare gli oggetti più rilevanti. L’obiettivo di questo lavoro è espandere il RSONet introducendo la dipendenza temporale, rendendo le possibili collisioni in un dato intervallo dipendenti dagli eventi precedenti che potrebbero aver coinvolto ciascun RSO. Questa aggiunta permette di ottenere un maggiore realismo all’interno del modello e una nuova definizione di punteggio che stima il rischio complessivo di collisioni in modo più accurato. Viene presentato il processo seguito per applicare le diverse modifiche, i nuovi contributi derivati dalla dipendenza temporale e alcuni interessanti confronti di risultati. Il nuovo modello temporale viene applicato al RSONet e confrontato con il modello statico per discutere le differenze e i vantaggi. Vengono quindi proposte applicazioni allo studio dell’ambiente spaziale, oltre a metodi per rimozione attiva di detriti (ADR) e manovre anti-collisione (CAM), che potrebbero sfruttare le peculiarità di questo modello.