Ottimizzazione di manovre per la rimozione di debris multipli tramite algoritmi genetici = Optimization of maneuvers for the removal of multiple debris using genetic algorithms

La presenza e la costante crescita dei debris in orbita attorno alla Terra costituiscono un importante fattore da tenere in considerazione per continuare in sicurezza l’esplorazione dello spazio e lo sfruttamento commerciale delle orbite LEO, principalmente considerate in questo lavoro. Per evitare che l’ambiente spaziale diventi sempre più affollato, innescando così collisioni a catena che a loro volta genererebbero ulteriore “spazzatura” in orbita, è necessario agire con lo scopo di rimuovere un determinato numero di detriti: un possibile approccio consiste nell’impiegare un veicolo chaser per consegnare ai debris da rimuovere un kit per il deorbiting. La Global Trajectory Optimisation Competition 9 propone il seguente scenario: “E' l'anno 2060 […] In seguito all'esplosione imprevista di un satellite eliosincrono, l'effetto Kessler ha innescato ulteriori impatti e l'ambiente LEO è stato fortemente compromesso. Gli scienziati, provenienti dalle principali agenzie spaziali e compagnie spaziali private, hanno identificato e isolato, in orbita, un insieme di 123 debris che, se rimossi, ristabilirebbero la possibilità di operare in quell'ambiente orbitale ed evitare così che l'effetto Kessler lo comprometta permanentemente. […]”. Il seguente lavoro, quindi, si focalizza sulla rimozione dei 123 detriti, in orbita bassa, menzionati nell’incipit della competizione; per far sì che la rimozione e il suo costo siano vantaggiosi, è necessario che con una sola missione si riescano a rimuovere più detriti possibili; dopo aver utilizzato la soluzione vincitrice della GTOC9 come benchmark per il codice sviluppato, si è passato ad ottimizzare il tempo di trasferimento necessario fra coppie di detriti e il tempo di stop richiesto fra una missione e l’altra, in modo da evitare sovrapposizioni. Per ottenere questi risultati si è sviluppato un algoritmo genetico, basato sul principio della selezione naturale. L’algoritmo, dopo aver generato una popolazione di partenza, applica ad essa una funzione fitness, da cui poi vengono selezionate le soluzioni migliori in base ad un criterio prestabilito. Successivamente, gli individui più adatti vengono ricombinati e vengono generate nuove popolazioni, fino a che il raggiungimento di una condizione di stop arresta il processo. Lo soluzione proposta dal presente lavoro è risultata capace di migliorare la soluzione proposta dal JPL, sia per quanto riguarda il tempo impiegato (vincolato) sia per quanto riguarda il costo degli impulsi forniti al veicolo chaser durante tutta la competizione. In un singolo caso, per la seconda missione, si è notato un peggioramento per quanto riguarda l’impulso totale, ma nonostante questo il risultato globale si è dimostrato più che soddisfacente.