انتخاب بین اندازه پنل‌های خورشیدی، ظرفیت باتری و میزان مصرف انرژی، همگی ملاحظات کلیدی در انتخاب قطعات و معماری مأموریت هستند. برای کمک به این تصمیم‌گیری‌ها، پژوهشگرانی از اتیوپی و کره، الگوریتم جدیدی مبتنی بر یادگیری ماشین معرفی کرده‌اند که به طراحان CubeSat کمک می‌کند تا مصرف انرژی را بهینه‌سازی کنند و شانس موفقیت این ماهواره‌های کوچک را افزایش دهند.
تأمین انرژی CubeSatها، مسئله‌ای پیچیده است. این ماهواره‌ها معمولاً از پنل‌های خورشیدی نیرو می‌گیرند که پس از استقرار، از ساختار “U” شکل CubeSat باز می‌شوند. با این حال، حتی اگر این پنل‌ها به‌درستی باز شوند، به دلیل تغییرات شدید در تابش خورشیدی و دما، خروجی توان آن‌ها به‌شدت نوسان می‌کند.
بر اساس یافته‌های نویسندگان، حدود یک‌چهارم از شکست‌های مأموریت‌های CubeSat ناشی از نقص در سیستم تأمین انرژی است. برخی از راهکارهای طراحی، مانند مبدل‌های چندورودی-چندخروجی (MIMO)، می‌توانند تا حدی این مشکل را کاهش دهند. اما مدیریت این نوع سیستم‌های توزیع توان، خود چالش‌هایی دارد، چرا که این سیستم‌ها به منظور انجام فرایندی به نام “ردیابی نقطه حداکثر توان” (MPPT) طراحی شده‌اند.
MPPT در اصل یک الگوریتم کنترلی است که تلاش می‌کند بیشترین توان ممکن را از سیستم استخراج کند، صرف‌نظر از شرایط محیطی. برای مثال، اگر تابش خورشید به دلیل جهت‌گیری نامناسب CubeSat نسبت به خورشید کاهش یابد، الگوریتم MPPT دستور می‌دهد که جهت ماهواره اصلاح شود تا بیشترین تابش ممکن به پنل‌های خورشیدی برخورد کند.
برای بهینه‌سازی MPPT، چندین الگوریتم کنترلی توسعه داده شده‌اند که از جمله آن‌ها می‌توان به “اختلال و مشاهده” (P&O)، “هدایت افزایشی” (InC) و “بهینه‌سازی ازدحام ذرات” (PSO) اشاره کرد. این الگوریتم‌ها با بازدهی ۸۸ تا ۹۴ درصد، عملکرد قابل قبولی دارند، اما همه آن‌ها یک ضعف مشترک دارند—عدم انطباق‌پذیری. پارامترهای آن‌ها باید پیش از پرتاب CubeSat تنظیم شوند و امکان تغییر آن‌ها پس از مأموریت وجود ندارد.
در اینجا یکی از پرکاربردترین الگوریتم‌های هوش مصنوعی وارد میدان می‌شود—یادگیری عمیق. نویسندگان این مقاله، یک “شبکه عصبی پیش‌خور عمیق” (DFFNN) را طراحی کرده‌اند که با یک کنترل‌کننده تناسبی-انتگرالی استاندارد ترکیب شده است. این ترکیب توانسته عملکرد بهتری نسبت به تمام الگوریتم‌های MPPT موجود داشته باشد. بر اساس شبیه‌سازی‌های انجام‌شده برای یک مأموریت یک‌ساله، بازدهی این روش ۹۷٪ محاسبه شده است. علاوه بر افزایش بازده کلی سیستم، این روش نوسانات توان را نیز کاهش می‌دهد. نوسانات توان می‌توانند باعث ایجاد “پدیده‌های گذرا” در ولتاژ و جریان شوند که ممکن است به قطعات آسیب بزنند.
با این حال، این الگوریتم نیز بدون اشکال نیست. مانند بسیاری از روش‌های یادگیری ماشین، محاسبات آن بسیار سنگین است. برای کاهش این مشکل، پژوهشگران از تکنیکی به نام “مماس‌های خطی و تفسیر نِویل” استفاده کرده‌اند. این روش ریاضی، مسائل چندجمله‌ای پیچیده را به معادلات ساده‌تر تبدیل می‌کند و محاسبات مربوط به مسیر بهینه CubeSat را آسان‌تر می‌سازد.
در زمینه بهبود عملکرد CubeSat، هر پیشرفت کوچکی اهمیت دارد. شاید افزایش ۳ درصدی بازدهی چندان چشمگیر به نظر نرسد، اما وقتی هزاران ساعت مهندسی و آزمایش در میان باشد، حتی بهبودهای جزئی نیز می‌توانند تأثیر شگرفی داشته باشند.
![import numpy as np import h5py data='/content/drive/MyDrive/SILIXA_iDAS015_181219184621_fieldID000212.h5' data1=h5py.File(data,'r') print(data1.keys()) display(data1) display(data) raw_data = data1['DasRawData']['RawData'] x_axis = np.arange(raw_data.shape[1]) t_axis = np.arange(raw_data.shape[0]) print(x_axis.shape) print(t_axis.shape) import matplotlib.pyplot as plt import numpy as np ns = 30000 fs = 1000 dx = 1.021 nx = 3136 GL = 10 x = np.arange(nx) * dx def u(x, t): return np.exp(-(x - t)**2) def calculate_result(x): return 1/10 * (u(x - 5, t) - u(x + 5, t)) traces = [] for t in range(0,30000): tr = [calculate_result(x_val) for x_val in x] traces.append(tr) traces_array = np.array(traces) print(f"traces_array : {traces_array.shape}")](https://spacenota.ir/wp-content/uploads/2025/05/big-ring-body-420x280.webp)
