Este projeto foi desenvolvido ao longo do programa de Iniciação Científica na FATEC Diadema - Luigi Papaiz.
Autor: Luan Beserra de Oliveira.
Orientadora: Profª. Me. Andrea Zotovici.
Este repositório é mantido como parte do meu portfólio pessoal.
Python, pandas, PyCaret, pyenv
De acordo com a problemática levantada, foi desenvolvido um algoritmo em Python com o objetivo de extrair dados de TLE entre satélites e detritos espaciais que estão em risco de colisão, segundo o site da Space-Track. Estes dados são filtrados, separados em um dataset e então processados de forma automatizada por vários modelos de aprendizagem de máquina de forma simultânea, utilizando conceitos de autoML com o auxílio da biblioteca PyCaret. Cada modelo faz uma previsão que calcula a probabilidade de colisão entre os dois objetos no período de 7 dias, o algoritmo identifica qual o modelo mais preciso e mais eficiente, e permite que ele seja exportado para uso posterior. Também é gerado uma tabela que permite comparar os desempenhos de cada algoritmo e comparar os resultados.
APLICAÇÃO DE ALGORITMOS DE APRENDIZAGEM DE MÁQUINA PARA A PREDIÇÃO DE DISTÂNCIAS MÍNIMAS ENTRE SATÉLITES E DETRITOS ESPACIAIS UTILIZANDO DADOS DE TLE
Identificar as variáveis de entrada e os algoritmos de AM que oferecem o melhor desempenho na predição da menor distância entre um satélite e um detrito espacial utilizando dados de TLE.
A implementação de métodos de AM em predições de distância de colisão é essencial para aumentar a precisão e eficiência de sistemas de monitoramento espacial, ajudando a prevenir possíveis colisões. A utilização de dados do TLE tem o potencial de permitir a predição com mais dias de antecedência permitindo maior tempo para planejar e executar a manobra do satélite. A escolha correta das variáveis de entrada e algoritmos pode não apenas melhorar a precisão dos modelos, mas também reduzir o tempo de processamento necessário para gerar previsões. Além disso, o projeto atende a uma necessidade do setor aeroespacial e contribui para o desenvolvimento de técnicas que fortalecem a segurança espacial.
Risco de colisões no espaço, que podem afetar diretamente operações de telecomunicação e monitoramento global.
A ferramenta pyenv é usada para configurar o ambiente de execução. No momento de desenvolvimento deste projeto, o PyCaret tem suporte apenas até a versão 11 do python, portanto é necessário usar esta ferramenta para configurar a versão do python para 3.11.0b4 - qualquer versão inferior ao 11 deve ser compatível mas preferencialmente use a recomendada.
Após a instalação correta do pyenv, utilizando sua IDE de preferência, defina o interpretador python a ser usado para o pyenv. Caso utilizar o VS Code, siga o passo a passo:
CTRL + SHIFT + P > Python: Select Interpreter > pyenv
No terminal da IDE:
pip install -r requirements.txt
Um modelo base para configurar as variáveis de ambiente está presente no arquivo .env.sample.
A variável IDENTITY deve ser o e-mail de uma conta válida no site da Space-Track, PASSWORD é a senha vinculada ao e-mail.
DATASET_PATH_CSV: deve ser o caminho na sua máquina onde será salvo o arquivo.csv, que serve para exportar o dataset customizado que será criado pelo algoritmo. Recomendo que seja criada uma subpasta dentro do projeto, com o nome datasets, para que o arquivo seja facilmente encontrado.
DATASET_PATH_XLS: deve ser o caminho na sua máquina onde será salvo o arquivo.xlsx, que serve para exportar o dataset customizado que será criado pelo algoritmo. Recomendo que seja criada uma subpasta dentro do projeto, com o nome datasets, para que o arquivo seja facilmente encontrado.