XiaoMi-AI文件搜索系统
World File Search System大气阻力
使用机器学习的海冰模型的调整参数
摘要。我们开发了一种调整海冰流变性参数的新方法，该方法由两个组成部分组成：一种用于表征海冰变形模式的新指标和一种基于机器学习的方法（ML）基于调整流变学参数的方法。我们应用了新方法来调整脆弱的宾厄姆 - 麦克斯韦变流变性（BBM）参数，该参数已在下一代海冰模型（Nextsim）中实施并使用。作为参考数据集，我们使用了Radarsat地球物理处理系统（RGP）的海冰漂移和变形观测。度量标准表征了具有值载体的海冰变形场。它包括完善的描述器，例如变形的平均值和标准偏差，空间缩放分析的结构 - 功能以及线性运动学特征（LKFS）的密度和相交。我们将更多描述符添加到表征冰变形模式的度量标准中，包括图像各向异性和Haralick纹理特征。开发的度量可以从任何模型或卫星平台上涂抹冰变形。在参数调整方法中，我们首先运行具有扰动的流动性插曲的Nextsim成员的团队，然后使用相似的数据训练机器学习模型。我们将冰变形的描述作为ML模型和流变参数的输入作为目标。我们将经过训练的ML模型应用于从RGPS观测值计算的描述符。开发的基于ML的方法是通用的，可用于调整任何模型的参数。1 kPa），在参考量表上的内聚力（c ref≈1。00228）。我们使用数十个成员进行了实验，并找到了四个Sextsim BBM参数的光学值：缩放Pa-Rameter的抗压强度（P0≈5。2 mpa），内部摩擦和切线（µ≈0。7）和冰 - 大气阻力系数（ca≈0。与最佳的选言一起运行的次要运行，在视觉上产生海冰变形的地图 -
GTO 至 GEO 最佳轨迹剖面图和电力推进系统配置
摘要 — 快速可靠的优化轨道转移计算方法对于初始阶段的项目至关重要。它们可以对推进子系统（卫星设计的主要组件之一）进行初步的、现实的规模估算。这篇论文由 ReOrbit Oy 完成，提出了一种最短时间的最优轨道，用于将微型卫星从 GTO 轨道提升到 GEO，假设通过电力推进连续发射。根据此模拟得出的 ∆ v 要求，选择合适的电力推进系统，并详细说明其配置在燃料和推力要求方面的设计。这是通过考虑轨道提升带来的主要贡献，以及 10 年寿命期间每天进行两次的轨道机动所产生的附加物，如位置保持修正和反作用轮去饱和。优化方法是低推力轨道机动的直接-间接混合方法，采用庞特里亚金最小原理将其转录为非线性规划问题。利用 Lyapunov 控制理论获得启动优化器所需的初始猜测。实施轨道平均技术，能够在优化过程中快速计算多条轨迹。动态模型包括 J 2 纬向谐波、太阳辐射压力、太阳和月亮的第三体效应以及高达 1500 公里的大气阻力等干扰。利用圆柱形阴影模型评估日食条件，因为在地球阴影中，太阳能电力推进会经历零推力期。电力推进系统配置是通过权衡研究和不同供应商之间的比较来确定的。选定的方案包括 4 个氙气推进器，配备互补的电源处理单元和推进剂管理系统，总转移时间不到 4 个月。通过在 GEO 中改变推进器的配置，转移轨迹和在轨机动都使用相同的推进系统。