Early prediction of probability of collision for LEO satellites using an ensemble learning with unscented transform based dataset generation from conjunction data messages
Yakınlaşma veri mesajlarından unscented transform tabanlı veri seti üretimi ile ensemble öğrenme kullanılarak LEO uyduları için çarpışma olasılığının erken tahmini
- Tez No: 1019646
- Danışmanlar: PROF. DR. EMRE ONUR KAHYA, DR. BURAK YAĞLIOĞLU
- Tez Türü: Yüksek Lisans
- Konular: Havacılık ve Uzay Mühendisliği, Fizik ve Fizik Mühendisliği, Aeronautical Engineering, Physics and Physics Engineering
- Anahtar Kelimeler: Havacılık ve uzay endüstrisi, Uydu yörüngesi, Aerospace industry, Satellite orbit
- Yıl: 2026
- Dil: Türkçe
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Fizik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Fizik Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Alçak Dünya yörüngesi, son yıllarda aktif uydu sayısındaki ve uzay enkazındaki artış nedeniyle yoğun bir operasyonel ortam haline gelmiştir. Bu yoğunluk, uzay nesneleri arasında yakın geçiş olaylarının sıklığını artırmakta ve çarpışma riskinin doğru ve zamanında değerlendirilmesini kritik bir ihtiyaç haline getirmektedir. Uydu operatörleri bu değerlendirmeleri, uzay nesneleri arasındaki göreli konum, hız ve belirsizlik bilgilerini içeren Conjunction Data Message verilerini kullanarak gerçekleştirmektedir. Ancak mevcut operasyonel süreçte kararlar çoğunlukla en yakın yaklaşım zamanına oldukça yakın anlarda verilmekte, bu da kaçınma manevrası planlama ve uygulama süresi açısından ciddi kısıtlar oluşturmaktadır. Uydular, görev gereksinimlerine bağlı olarak genellikle kimyasal veya elektrik itki sistemleri ile tasarlanmaktadır. Kimyasal itki sistemleri yüksek itki üretimi sayesinde gerekli delta v'nin kısa süre içerisinde uygulanmasına olanak sağlarken, elektrik itki sistemleri düşük itki seviyeleri nedeniyle aynı hız değişiminin daha uzun zaman aralıklarına yayılmasını gerektirir. Bu fark, özellikle elektrik itki sistemine sahip LEO uydularında, kaçınma manevralarının uygulanabilmesi için daha erken karar verilmesini zorunlu hale getirmektedir. Bununla birlikte, kimyasal itki kullanan sistemlerde de görev planlaması, operasyonel kısıtlar ve zaman sınırlamaları nedeniyle manevra için ayrılabilecek süre her zaman yeterli olmayabilir. Bu nedenle çarpışma riskinin mümkün olan en erken aşamada öngörülebilmesi, hem görev sürekliliği hem de yakıt yönetimi açısından kritik bir gerekliliktir. Bu tez çalışmasında, ardışık CDM verileri kullanılarak çarpışma olasılığının erken aşamalarda tahmin edilmesi hedeflenmiştir. Temel amaç, son CDM verisi oluşmadan önce risk seviyesini tahmin ederek operatörlere daha geniş bir karar verme süresi sunmak ve uygulanabilir kaçınma manevralarının planlanmasını desteklemektir. Bu doğrultuda geliştirilen yaklaşım, farklı model yapılarını bir araya getiren bir ensemble öğrenme kurgusuna dayanmaktadır. Bu yapı sayesinde tek bir modele bağımlı kalmadan daha kararlı tahminler elde edilmesi amaçlanmıştır. Önerilen yöntemin temelini oluşturan modelleme sürecinde veri setinin oluşturulma biçimi kritik bir rol oynamaktadır. Gerçekçi bir veri seti elde edebilmek için uzay aracına ait durum vektörü ve buna bağlı belirsizliklerin zamana bağlı değişimi, yörünge dinamiğinin doğrusal olmayan yapısı dikkate alınarak modellenmiştir. Bu kapsamda belirsizlik yayılımı, Unscented Transform yöntemi kullanılarak hesaplanmış ve yüksek doğruluk sağlamak amacıyla RK8 tabanlı sayısal integrasyon yaklaşımı tercih edilmiştir. UT yöntemi, doğrusal olmayan sistemlerde klasik lineerleştirme yöntemlerine kıyasla daha doğru sonuçlar üretmesi nedeniyle bu çalışmada uygun bir çözüm olarak değerlendirilmiştir. Veri setinin oluşturulması aşamasında, parametrelerin sistem üzerindeki etkilerini daha iyi anlayabilmek amacıyla kapsamlı bir hassaslık analizi gerçekleştirilmiştir. Bu analiz kapsamında konum ve hız bileşenleri, relatif durum parametreleri, sürükleme katsayısı ve güneş radyasyon basıncı gibi temel değişkenler ayrı ayrı pertürbe edilerek kovaryans matrisinin zamana bağlı değişimi üzerindeki etkileri incelenmiştir. Elde edilen bulgular, parametrelerde yapılan yalnızca %1 mertebesindeki küçük değişimlerin dahi kovaryans matrisinde en az %30 düzeyinde bir farklılık oluşturabildiğini göstermiştir. Bu sonuç, çarpışma olasılığı hesaplamalarının giriş parametrelerindeki belirsizliklere karşı oldukça hassas olduğunu ortaya koymakta ve veri seti tasarımında kritik parametrelerin dikkatle seçilmesi gerektiğini göstermektedir. Bu yöntem sayesinde kovaryans elipsoitinin zaman içerisinde nasıl genişlediği ve uzayda hangi yönlere doğru eğilim gösterdiği analiz edilmiştir. Yapılan değerlendirmeler, belirsizliğin yalnızca büyüklüğünün değil, aynı zamanda uzaydaki yöneliminin de çarpışma riski üzerinde belirleyici bir rol oynadığını göstermiştir. Bununla beraber, temel bileşen analizi kapsamında PoC hedef değişken olarak ele alınarak CDM içerisindeki diğer tüm parametrelerin bu hedef değişkenle ilişkili değişimi ne ölçüde temsil ettiği incelenmiştir. Sonuçlar, kovaryans tabanlı parametrelerin PoC değişimini açıklamada baskın bilgi taşıdığını ortaya koymuştur. Tüm bu analizlerden elde edilen çıktılar doğrultusunda veri seti yapısı, en yüksek etkiye sahip parametreler dikkate alınarak şekillendirilmiştir. Veri seti, TÜBİTAK UZAY bünyesinde işletilen uydulara ait gerçek CDM kayıtları kullanılarak oluşturulmuştur. Oluşturulan veri seti, hem CDM'lerden doğrudan elde edilen ham parametreleri hem de bu parametrelerden türetilen belirsizlik ve relatif hareket özelliklerini içermektedir. Her bir yakın geçiş olayı, zaman serisi yapısında temsil edilmekte olup, her bir zaman adımında fiziksel büyüklükler ile türetilmiş metrikler birlikte değerlendirilmektedir. Bu çerçevede problem, geçmiş CDM verilerinden yararlanarak bir sonraki zaman adımındaki PoC değerinin tahmin edilmesini hedefleyen bir ardışık tahmin problemi olarak ele alınmıştır. Önerilen ensemble mimarisi yaklaşımında dört farklı derin öğrenme mimarisi ve bir makine öğrenmesi yöntemi bir araya getirilmiştir. Derin öğrenme modelleri arasında zaman serisi verisini işleyebilen LSTM, 1D-CNN, Temporal Fusion Transformer ve hibrit TCN–Transformer modeli yer almaktadır. Bu modellerden konvolüsyon tabanlı olanlar kısa vadeli lokal değişimleri yakalamada başarılı olurken, tekrarlayan ve dikkat mekanizmaları içeren modeller uzun vadeli bağımlılıkları modelleyebilmektedir. Ayrıca LightGBM modeli de sisteme dahil edilerek model çeşitliliği artırılmış ve genel performans güçlendirilmiştir. LSTM modeli, %82.71 doğruluk oranı ile riskli olayların tespitinde güçlü bir performans sergilemiştir. Olay bazlı confusion matris sonuçlarına göre, gerçek riskli olayların %94'ü doğru şekilde riskli olarak tahmin edilirken, risksiz olayların %81'i doğru şekilde risksiz olarak sınıflandırılmıştır. 1D-CNN modeli, %86.47 doğruluk değeri ile LSTM modeline kıyasla daha yüksek bir genel performans sunmuştur. Riskli olayların %94'ünü doğru şekilde tespit ederken, risksiz olayların %85'ini doğru sınıflandırmıştır. Bu sonuçlar, modelin hem riskli hem de risksiz sınıflar arasında daha dengeli bir performans sergilediğini göstermektedir. TFT modeli, %90.97 doğruluk oranı ile riskli olayların %91'ini doğru şekilde belirlerken, risksiz olayların %94'ünü doğru şekilde sınıflandırmıştır. Bu durum, TFT modelinin özellikle yanlış alarm oranını azaltma konusunda başarılı olduğunu göstermektedir. Hybrid TCN–Transformer modeli, %93.98 doğruluk değeri ile en yüksek performans gösteren modellerden biri olmuştur. Olay bazlı analiz sonuçlarına göre riskli olayların %96'sı doğru şekilde tespit edilirken, risksiz olayların %81'i doğru sınıflandırılmıştır. Bu sonuçlar, modelin riskli olayları kaçırmama konusunda oldukça başarılı olduğunu, ancak risksiz olaylarda çok güçlü olmadığını göstermektedir. Risksiz olayların riskli olarak sınıflandırıldığı %19'luk kısımda, tahmin edilen çarpışma olasılığı değerlerinin gerçek değerlere göre yaklaşık 10 mertebe düzeyinde farklılık gösterdiği gözlemlenmiştir. LightGBM modeli, %93.98 doğruluk oranı ile riskli yakın geçiş olaylarının %97'sini doğru şekilde tespit ederek en yüksek doğru pozitif oranına ulaşmıştır. Ancak risksiz olayların yalnızca %69'unu doğru sınıflandırabilmiştir. Bu durum, modelin riskli olayları kaçırmamak adına oldukça doğru davrandığını ve buna bağlı olarak daha yüksek yanlış pozitif oranına sahip olduğunu göstermektedir. Bu modellerin bireysel performansları bir araya getirildiğinde, önerilen ensemble öğrenme yaklaşımı tüm modellerin güçlü yönlerini birleştirerek daha kararlı ve güvenilir sonuçlar üretmiştir. Test veri seti üzerinde elde edilen sonuçlara göre, ensemble model yaklaşık %91 doğruluk değeri ile riskli ve risksiz olayları başarılı bir şekilde ayırt edebilmiştir. Sonuçlar, oluşturulan metodoloji ve sistemin operasyonel açıdan en kritik metriklerden biri olan riskli olayları belirlemede güçlü olduğunu ve geliştirilen yaklaşımın operasyonel sistemlere entegre edilerek, özellikle ilk CDM verilerinden itibaren erken aşamada karar destek mekanizması olarak kullanılabileceğini göstermektedir. Bu tez çalışmasının sonuçları, ardışık CDM verileri ve ensemble öğrenme teknikleri kullanılarak çarpışma riskinin erken tahmin edilmesinin mümkün olduğunu göstermektedir. Önerilen çerçeve, çarpışmadan kaçınma operasyonlarında karar verme sürecini zamansal bir avantaj sağlayarak ve daha verimli manevra planlamasını destekleyerek iyileştirmektedir. Bu yaklaşım, sık yakın geçiş olayları ve itki sistemi kısıtları nedeniyle doğru ve erken risk değerlendirmesi gerektiren LEO uyduları için özellikle değerlidir. Genel olarak sonuçlar, önerilen metodolojinin kritik çarpışma risklerini belirlemede oldukça etkili olduğunu ve özellikle ilk erişilebilir CDM verilerini kullanarak zamanında ve bilinçli manevra planlamasını mümkün kılan erken aşama bir karar destek aracı olarak operasyonel sistemlere entegre edilebileceğini göstermektedir.
Özet (Çeviri)
The increasing number of active satellites and debris objects in Low Earth Orbit has made collision risk assessment a critical task for space operations. As orbital density grows, the probability of close approaches between space objects rises, creating a need for reliable and timely decision making. Satellite operators rely on Conjunction Data Messages, which provide updated information about relative positions, velocities, and associated uncertainties. However, decisions are often made close to the Time of Closest Approach, leaving limited time for planning and executing avoidance maneuvers. Satellites are generally designed with chemical or electric propulsion systems, depending on their mission requirements. Chemical propulsion systems can provide high thrust, so the required delta v can be applied in a short time. On the other hand, electric propulsion systems have lower thrust levels, so the same velocity change must be applied over a longer time period. This difference makes earlier decision making necessary, especially for LEO satellites with electric propulsion systems, in order to perform avoidance maneuvers. However, even for systems using chemical propulsion, the time available for maneuver planning may not always be sufficient because of mission planning needs, operational constraints, and time limitations. Therefore, predicting collision risk at the earliest possible stage is a critical requirement for both mission continuity and efficient propellant usage. This thesis focus to predict the probability of collision at an early stage by using sequential CDM data. The main goal is to estimate the risk level before the final CDM is generated, so that operators can have more time to make decisions and plan possible avoidance maneuvers. In this direction, the proposed approach is based on an ensemble learning structure that combines different model architectures. With this structure, the aim is to obtain more stable predictions without depending on a single model. A modeling framework is developed, where the quality and structure of the dataset play a central role to address this problem. A realistic dataset is constructed by simulating state and uncertainty propagation using the Unscented Transform with RK8 Numeric Integrator, which is adopted due to the nonlinear nature of orbital dynamics. Sensitivity analysis is performed to quantify how variations in key parameters, such as position, velocity, relative state vectors, drag coefficient, and solar radiation pressure, affect the covariance evolution of the satellite state. The obtained results showed that even small changes of only about %1 in the parameters can create at least a %30 difference in the covariance matrix. This result shows that PoC calculations are highly sensitive to uncertainties in the input parameters and that critical parameters should be selected carefully during dataset preparation. With this method, it was analyzed how the covariance ellipsoid grows over time and in which directions it tends to spread in space. The evaluations showed that not only the size of the uncertainty but also its direction in space plays an important role in collision risk. In addition, within the scope of Principal Component Analysis, PoC was considered as the target variable, and it was examined how much all other parameters in the CDM represent the variation related to this target variable. The results showed that covariance-based parameters carry dominant information in explaining the change in PoC. The dataset structure is designed by identifying the most influential parameters obtained from the analysis results to reflect realistic conjunction scenarios inspired by operational data from space missions. Each conjunction event is represented as a time series of CDMs, where each step contains both physical parameters and derived features related to uncertainty and relative motion. Based on this structure, the problem is formulated as a sequential prediction task, where the goal is to estimate the PoC of the next CDM using the historical sequence of previous CDMs within the same event. The dataset is constructed using real CDM from satellites generated and operated by TÜBİTAK UZAY. This dataset includes both raw CDM parameters and derived metrics constructed from these parameters, capturing uncertainty characteristics and relative motion dynamics. Each close approach event is represented as a time series, and at each time step, physical quantities and derived metrics are evaluated together. In this framework, the problem is considered as a sequential prediction problem that aims to predict the PoC value at the next time step by using previous CDM. In the proposed ensemble learning approach, four different deep learning architectures and one machine learning method were combined. The deep learning models include LSTM, 1D-CNN, Temporal Fusion Transformer, and the hybrid TCN--Transformer model, which can process time series data. Among these models, convolution-based models are successful in capturing short-term local changes, while recurrent models and models with attention mechanisms can model long-term dependencies. In addition, the LightGBM model was included in the system to increase model diversity and strengthen the overall performance. The LSTM model showed strong performance in detecting risky events with an accuracy of %82.71. According to the event-based confusion matrix results, %94 of the real risky events were correctly predicted as risky, while %81 of the non-risky events were correctly classified as non-risky. The 1D-CNN model provided a higher overall performance than the LSTM model with an accuracy of %86.47. It correctly detected %94 of the risky events and correctly classified %85 of the non-risky events. These results show that the model has a more balanced performance between risky and non-risky classes. The TFT model correctly detected %91 of the risky events with an accuracy of %90.97, while it correctly classified %94$of the non-risky events. This shows that the TFT model is especially successful in reducing the false alarm rate. The hybrid TCN--Transformer model became one of the best-performing models with an accuracy of %93.98. According to the event-based analysis results, %96 of the risky events were correctly detected, while %81 of the non-risky events were correctly classified. These results show that the model is highly successful in not missing risky events, but it is not very strong for non-risky events. For the %19 of non-risky events that were classified as risky, it was observed that the predicted probability of collision values differed from the real values by about 10 orders of magnitude. The LightGBM model reached the highest true positive rate by correctly detecting %97 of the risky close approach events with an accuracy of %93.98. However, it correctly classified only %69 of the non-risky events. This shows that the model acts very strongly in order not to miss risky events, and therefore it has a higher false positive rate. When the individual performances of these models were combined, the proposed ensemble learning approach produced more stable and reliable results by bringing together the strong sides of all models. According to the results obtained on the test dataset, the ensemble model was able to successfully distinguish risky and non-risky events with an accuracy of about %91. The results show that the developed methodology and system are strong in detecting risky events, which is one of the most critical metrics from an operational point of view. They also show that the proposed approach can be integrated into operational systems and used as an early-stage decision support mechanism, especially starting from the first CDM data. The results of this thesis demonstrate that early prediction of collision risk is feasible using sequential CDM data and ensemble learning techniques. The proposed framework improves decision making in collision avoidance operations by providing a time advantage and supporting more efficient maneuver planning. This approach is particularly valuable for LEO satellites, where frequent conjunction events and propulsion constraints require accurate and early risk assessment. Overall, the results indicate that the proposed methodology is highly effective in identifying critical collision risks and can be integrated into operational systems as an early stage decision support tool, particularly by utilizing the first available CDMs to enable timely and informed maneuver planning.
Benzer Tezler
- Meniere hastalığında endolenfatik kese cerrahisi
Endolymphatic sac surgery in meniere's disease
NEBİL GÖKSU
Tıpta Uzmanlık
Türkçe
1987
Kulak Burun ve BoğazGazi ÜniversitesiKulak Burun Boğaz Ana Bilim Dalı
PROF.DR. NECMETTİN AKYILDIZ
- İki katlı pamuk ipliklerinden dokunan kumaşlarda örgüye bağlı olarak maksimum atkı sıklığının değişimi üzerinde bir araştırma
Başlık çevirisi yok
MELTEM ASLI NARTER
Yüksek Lisans
Türkçe
1985
Tekstil ve Tekstil MühendisliğiEge ÜniversitesiTekstil Mühendisliği Ana Bilim Dalı
DOÇ. DR. GÜNGÖR BAŞER
- Lohusalıkta anneye verilen sağlık eğitiminin annenin doğum sonrası döneme ilişkin bilgi düzeyine etkisinin incelenmesi
Başlık çevirisi yok
HANDAN GÜLER
Yüksek Lisans
Türkçe
1987
HemşirelikCumhuriyet ÜniversitesiHemşirelik Ana Bilim Dalı
Y.DOÇ.DR. MELİHA ATALAY