Virgin Galactic از طراحی سفینه فضایی کلاس دلتا خود رونمایی کرده است.
این شرکت گردشگری فضایی زیرمداری ویدئویی را در روز چهارشنبه (۱۷ مرداد) منتشر کرد که در آن انیمیشنی از طرح دلتا را به نمایش می‌گذارد که شیک و مدولار است و دارای اجزایی است که هدف آن ارائه کارایی جدید برای پروازهای فضایی انسان است.
ویرجین گالاکتیک می‌گوید کشتی‌های دلتای جدیدش به گونه‌ای ساخته می‌شوند که با میانگین زمان چرخش فقط سه روز کار کنند، که به گفته این شرکت، پیشرفت عظیمی را نشان می‌دهد و از نظر ساختاری هزینه‌های پرواز فضایی انسان را تغییر می‌دهد. سفینه فضایی قبلی آن، VSS Unity، قادر بود ماهی یک بار پرواز کند.
فضاپیمای جدید که از یک سیستم موشکی هیبریدی نیرو می گیرد، همچنین از سفینه فضایی قدیمی از چهار سرنشین به شش سرنشین ارتقا خواهد یافت.
دلتا قرار است برای اولین بار زودتر از سال ۲۰۲۶ پرواز کند. اما این شرکت می گوید که در کار طراحی به خوبی پیشرفت می کند.
مایکل کولگلازیر، مدیرعامل ویرجین گالاکتیک، در بیانیه‌ای که در ۱۷ مرداد به همراه نتایج مالی این شرکت برای سه ماهه دوم ارائه شد، گفت: “پیشرفت در برنامه سفینه فضایی کلاس دلتا ما در سه ماهه دوم قابل توجه بود و ما با سرعت در حال تکمیل طراحی و ساخت ابزار هستیم.”
در ماه آینده، تیم‌های ما تمرکز اصلی خود را از تکمیل طراحی به مراحل ساخت و آزمایش سفینه‌های فضایی تولیدی ما که در مسیر ورود به خدمات تجاری در سال ۲۰۲۶ باقی می‌مانند، معطوف خواهند کرد.
این شرکت می‌گوید که قصد دارد در سال‌های پس از اولین دو سفینه فضایی دلتا، سالانه ۴۵۰ میلیون دلار درآمد کسب کند. این ویدئو همچنین برنامه هایی را برای حداکثر پنج کشتی در فرودگاه های فضایی در سراسر جهان در آینده نشان می دهد.
آخرین پرواز هواپیمای فضایی قبلی، VSS Unity، در ماه ژوئن انجام شد. سپس ویرجین گالاکتیک به تمرکز روی برنامه های دلتا خود روی آورد.
Virgin Galactic ماه گذشته به یک نقطه عطف بزرگ در برنامه های نسل جدید سفینه فضایی خود دست یافت. این شرکت در ماه جولای تاسیسات جدید ساخت هواپیمای فضایی دلتا را در مسا، آریزونا تکمیل کرد.
![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)
