Avaliação de funções objetivo na busca por arquiteturas eficientes de redes neurais para simuladores operacionais de satélite
DOI:
https://doi.org/10.47385/tudoeciencia.2468.2025Palavras-chave:
Redes neurais artificiais. Algoritmos genéticos. Simuladores operacionais de satélites. Função objetivo. Modelagem orientada a dados.Resumo
A operação de satélites depende fortemente de simuladores operacionais para validar telecomandos e reproduzir em solo o comportamento do veículo espacial. Um desafio central consiste em garantir que tais simuladores reflitam com fidelidade o envelhecimento dos equipamentos, assegurando a confiabilidade durante toda a missão. Este trabalho investigou a influência da função objetivo na definição de arquiteturas de redes neurais artificiais aplicadas ao SimCBERS, simulador do satélite CBERS-4. Foram avaliadas duas formulações: as Equações 1 e 2, baseadas no erro de treinamento e de generalização, e a Equação 3, que substitui o segundo termo pelo RMSE. Os resultados mostraram que a primeira conduziu à arquitetura 6x9x2x1 com erro de generalização (ERMSEERMSE) de 0,4867%, enquanto a segunda selecionou a arquitetura 6x6x4x1, com ERMSEERMSE de 0,5005%. Apesar da diferença marginal nos erros, observou-se que a função objetivo influencia a complexidade da arquitetura final. A segunda abordagem favoreceu redes mais compactas, alinhadas às restrições de execução em tempo real. Esses achados corroboram evidências da literatura sobre o potencial de arquiteturas simples, ao mesmo tempo em que destacam a necessidade de cautela diante do viés de simplicidade que pode comprometer a robustez. Conclui-se que a formulação da função objetivo exerce papel decisivo no equilíbrio entre acurácia e custo computacional, contribuindo para o desenvolvimento de modelos adaptativos aplicáveis à fase operacional de satélites.
Downloads
Referências
AMBROSIO, Ana Maria; CARDOSO, Paulo Eduardo; ORLANDO, Valcir; NETO, José Bianchi. Brazilian Satellite Simulators: Previous Solutions Trade-off and New Perspectives for the CBERS Program. In: 8TH CONFERENCE ON SPACE OPERATIONS, 2006. Proceedings of the 8th Conference on Space Operations [...]. Rome, Italy: AIAA, 2006. . Acesso em: 14 set. 2025.
GOODWIN, Graham C.; PAYNE, Robert L. Dynamic system identification: experiment design and data analysis. New York: Academic Press, 1977(Mathematics in science and engineering, v 136).
HASANPOUR, Seyyed Hossein; ROUHANI, Mohammad; FAYYAZ, Mohsen; SABOKROU, Mohammad. Lets keep it simple, Using simple architectures to outperform deeper and more complex architectures. [s. l.], 2016. DOI 10.48550/ARXIV.1608.06037. Disponível em: https://arxiv.org/abs/1608.06037. Acesso em: 14 set. 2025.
HENDRICKS, Reinhard; EICKHOFF, Jens. The significant role of simulation in satellite development and verification. Aerospace Science and Technology, [s. l.], v. 9, n. 3, p. 273–283, abr. 2005. https://doi.org/10.1016/j.ast.2004.12.006.
MAGALHAES, Renato Oliveira de; PINHEIRO, Diego da Silva. CBERS04A power supply simulation and power budget analysis. In: 2017 BRAZILIAN POWER ELECTRONICS CONFERENCE (COBEP), nov. 2017. 2017 Brazilian Power Electronics Conference (COBEP) [...]. Juiz de Fora: IEEE, nov. 2017. p. 1–7. DOI 10.1109/COBEP.2017.8257310. Disponível em: http://ieeexplore.ieee.org/document/8257310/. Acesso em: 14 set. 2025.
RODRIGUES, Italo Pinto. Análise exploratória para modelagem do envelhecimento de baterias em um simulador operacional de satélites. 2024. 152 f. Tese (Doutorado em Engenharia e Tecnologia Espaciais) – Instituto Nacional de Pesquisas Espaciais, São José dos Campos, 2024. Disponível em: http://urlib.net/ibi/8JMKD3MGP3W34T/4BJDL3P?ibiurl.backgroundlanguage=pt-BR.
RODRIGUES, Italo Pinto; OLIVEIRA, Priscylla A.S.; AMBROSIO, Ana Maria; CHAGAS, Ronan A.J. Modeling satellite battery aging for an operational satellite simulator. Advances in Space Research, [s. l.], v. 67, n. 6, p. 1981–1999, mar. 2021. https://doi.org/10.1016/j.asr.2020.12.031.
SHAH, Harshay; TAMULY, Kaustav; RAGHUNATHAN, Aditi; JAIN, Prateek; NETRAPALLI, Praneeth. The Pitfalls of Simplicity Bias in Neural Networks. [s. l.], 2020. DOI 10.48550/ARXIV.2006.07710. Disponível em: https://arxiv.org/abs/2006.07710. Acesso em: 14 set. 2025.
SONG, Yuchen; LIU, Datong; HOU, Yandong; YU, Jinxiang; PENG, Yu. Satellite lithium-ion battery remaining useful life estimation with an iterative updated RVM fused with the KF algorithm. Chinese Journal of Aeronautics, [s. l.], v. 31, n. 1, p. 31–40, jan. 2018. https://doi.org/10.1016/j.cja.2017.11.010.
TIPALDI, Massimo; FERUGLIO, Lorenzo; DENIS, Pierre; D’ANGELO, Gianni. On applying AI-driven flight data analysis for operational spacecraft model-based diagnostics. Annual Reviews in Control, [s. l.], v. 49, p. 197–211, 2020. https://doi.org/10.1016/j.arcontrol.2020.04.012.
TOMINAGA, Jun. Simulação de satélites com base em adaptação autônoma de modelos comportamentais. 2020. 153 f. Tese (Doutorado em Engenharia e Tecnologia Espaciais) – Instituto Nacional de Pesquisas Espaciais, São José dos Campos, 2020. Disponível em: http://urlib.net/ibi/8JMKD3MGP3W34R/42SQ8J8.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2025 Tudo é Ciência: Congresso Brasileiro de Ciências e Saberes Multidisciplinares

Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.