Asteroiden abbauen: Die kühne Mission der Antipoden
Unser Team hat die Herausforderungen des Asteroidenbergbaus im GTOC 12 Wettbewerb angepackt.
Roberto Armellin, Andrea Bellome, Xiaoyu Fu, Harry Holt, Cristina Parigini, Minduli Wijayatunga, Jack Yarndley
― 5 min Lesedauer
Inhaltsverzeichnis
- Überblick über unseren Ansatz
- Die Herausforderung der Asteroiden
- Asteroidengruppen finden
- Beam Search für Asteroidensequenzen
- Optimierung der Wege
- Feineinstellung der Rendezvous-Zeiten
- Auswahl der besten Lösungen
- Das Ergebnis
- Die Lektionen, die wir gelernt haben
- Zukünftige Richtungen
- Originalquelle
- Referenz Links
Im 12. Globalen Trajektorienoptimierungswettbewerb (GTOC 12) hat unser Team, TheAntipodes, die spannende Herausforderung angenommen, Bergbau-Schiffe zu Asteroiden zu schicken. Wir mussten den besten Weg finden, diese Schiffe zu senden, um so viel Material wie möglich zu sammeln und es zurück zur Erde zu bringen. Stell dir vor, du versuchst, einen Dart auf ein sich drehendes Dartbrett zu werfen, das weit draussen im Weltraum schwebt, während das Dartbrett aus Asteroiden besteht.
Überblick über unseren Ansatz
Wir haben einen Plan entwickelt, der aus fünf Hauptschritten bestand:
- Asteroidengruppen generieren: Wir haben nach Gruppen von Asteroiden gesucht, die effizient abgebaut werden konnten.
- Kettenbildung mit Beam Search: Wir haben Sequenzen von Asteroiden erstellt, die unsere Schiffe besuchen sollten, mit einer cleveren Suchtechnik.
- Optimierung der Niedrigschubbahn: Wir haben die besten Wege für unsere Schiffe mit minimalem Treibstoffverbrauch berechnet.
- Manuelle Verfeinerung der Rendezvous-Zeiten: Wir haben die Zeitpunkte verfeinert, an denen unsere Schiffe die Asteroiden treffen sollten.
- Auswahl des optimalen Lösungssatzes: Zum Schluss haben wir die besten Lösungen ausgewählt, basierend darauf, was den meisten Ertrag bringen würde.
Die Herausforderung der Asteroiden
Der GTOC ist ein Wettbewerb, der die wissenschaftliche Gemeinschaft wirklich auf die Probe stellt. Das Ziel ist es, kreative Lösungen für scheinbar unmögliche Probleme im Zusammenhang mit Weltraummissionen zu finden. Bei GTOC 12 mussten wir Schiffe von der Erde aus zu mehreren Asteroiden schicken und so viel Material wie möglich zurückbringen.
Es gab viele Faktoren zu beachten. Wir wussten nicht, in welcher Reihenfolge die Schiffe die Asteroiden besuchen würden, was die Sache kompliziert machte. Jedes Schiff musste den besten Weg finden, während es auch die Zeit berücksichtigte, die es brauchte, um zwischen den Asteroiden und zurück zur Erde zu reisen. Ausserdem mussten wir mit einem gigantischen Haufen von 60.000 Asteroiden arbeiten und Missionen planen, die bis zu 15 Jahre dauern konnten.
Asteroidengruppen finden
Wir haben damit begonnen, die besten Gruppen von Asteroiden zu finden, die wir anvisieren sollten. Es ging darum, Sets von Asteroiden zu finden, die erfolgreiche Bergbau-Trips ermöglichen würden. Dafür haben wir mit einer Methode gearbeitet, die uns half, die Asteroiden auszuschliessen, die für unsere Missionen nicht gut funktionieren würden.
Dann haben wir die verbleibenden Asteroiden nach ihren Wegen gruppiert. Indem wir die besten Zeiten für die Reisen zwischen den Asteroiden betrachtet haben, konnten wir Gruppen identifizieren, die man in einem Zug abbauen konnte, die wir "selbstreinigende" Sequenzen nannten. Je mehr wir die Reisezeit minimieren konnten, desto mehr Material könnten wir zur Erde zurückbringen.
Beam Search für Asteroidensequenzen
Nachdem wir unsere Gruppierungen hatten, haben wir eine Technik namens "Beam Search" verwendet. Denk daran wie an ein Weg erstellen für unsere Schiffe, ein Asteroid nach dem anderen. In diesem Schritt haben wir die beste Reihenfolge ermittelt, in der die Schiffe die Asteroiden besuchen sollten, indem wir jeweils einen Asteroiden hinzugefügt und die Routen getestet haben.
Beam Search hilft, die besten Optionen einzugrenzen, indem es bei jedem Schritt nur eine begrenzte Anzahl von vielversprechenden Wegen betrachtet. Es ist wie in einem Labyrinth den Weg zu finden, indem man nur die wahrscheinlichsten Wege anschaut, anstatt jede einzelne Option zu prüfen.
Optimierung der Wege
Nachdem wir unsere Asteroidensequenzen hatten, haben wir die Wege optimiert, die unsere Schiffe nehmen würden. Wir mussten sicherstellen, dass die Schiffe die wenigste Menge Treibstoff benötigten, während sie ihre Ziele erreichten. Dafür haben wir das genutzt, was man "sequentielle konvexe Programmierung" nennt, was fancy klingt, aber einfach bedeutet, dass wir die Mathematik angegangen sind, die nötig ist, um die besten Routen Schritt für Schritt herauszufinden.
Feineinstellung der Rendezvous-Zeiten
Nach all der Planung haben wir einen manuellen Prozess durchlaufen, um die Rendezvous-Zeiten der Schiffe mit den Asteroiden feinzujustieren. Es ist wie das Anpassen der Zeiten in einer Tanzroutine – jeder musste im Einklang sein, damit es funktioniert. Durch das Verfeinern dieser Treffen konnten wir sicherstellen, dass unsere Schiffe mit optimaler Effizienz arbeiteten.
Auswahl der besten Lösungen
Schliesslich haben wir die besten Lösungen aus all den Wegen und Sequenzen ausgewählt, die wir erstellt hatten. Dabei haben wir eine Kombination aus Schiffen und Asteroidbesuchen gewählt, die es uns ermöglichen würde, unseren Ertrag zu maximieren. Wir haben einen genetischen Algorithmus verwendet, der irgendwie wie die natürliche Selektion der fittesten Individuen ist, um herauszufinden, welche Kombinationen am besten abschnitten.
Das Ergebnis
Am Ende landete unser Team auf dem fünften Platz im Wettbewerb! Wir haben es geschafft, 27 Schiffe zu schicken, um Materialien von 222 Asteroiden abzubauen. Das führte zu einer ziemlich beeindruckenden Punktzahl.
Die Lektionen, die wir gelernt haben
Was wir aus dieser Erfahrung gelernt haben, ist entscheidend für zukünftige Wettbewerbe. Selbstreinigende Missionen haben uns geholfen, das Problem zu vereinfachen und schnell gute Ergebnisse zu liefern. Unsere Methode zur Generierung von Asteroidengruppen hat sich als effektiv erwiesen und unsere endgültige Lösung kombinierte sowohl Kreativität als auch praktische Berechnungen.
Obwohl wir Herausforderungen hatten, besonders bei der Verwaltung der Komplexität der Missionen, hat die Erfahrung unserem Team viel über Optimierungsstrategien und die Bedeutung von Zusammenarbeit beigebracht.
Zukünftige Richtungen
Blickt man nach vorne, gibt es enormes Potenzial zur Verfeinerung unserer Methoden und Strategien. Der Erfolg unseres Ansatzes könnte zu effektiveren Lösungen in zukünftigen Wettbewerben führen. Die Techniken, die wir entwickelt haben, könnten auch Inspiration für realweltliche Anwendungen in der Weltraumforschung und dem Bergbau bieten.
Im GTOC 12 standen wir vor einer unglaublichen Herausforderung, und es war ein echter Test für Kreativität, Teamarbeit und wissenschaftliches Wissen. Indem wir versuchten, nach den Sternen zu greifen – oder besser gesagt, nach den Asteroiden – haben wir Verbindungen geknüpft und Lektionen gelernt, die lange nach dem Punktezählen bleiben werden. Auf neue Höhen in der Zukunft!
Titel: GTOC 12: Results from TheAntipodes
Zusammenfassung: We present the solution approach developed by the team `TheAntipodes' during the 12th edition of the Global Trajectory Optimization Competition (GTOC 12). An overview of the approach is as follows: (1) generate asteroid subsets, (2) chain building with beam search, (3) convex low-thrust trajectory optimization, (4) manual refinement of rendezvous times, and (5) optimal solution set selection. The generation of asteroid subsets involves a heuristic process to find sets of asteroids that are likely to permit high-scoring asteroid chains. Asteroid sequences `chains' are built within each subset through a beam search based on Lambert transfers. Low-thrust trajectory optimization involves the use of sequential convex programming (SCP), where a specialized formulation finds the mass-optimal control for each ship's trajectory within seconds. Once a feasible trajectory has been found, the rendezvous times are manually refined with the aid of the control profile from the optimal solution. Each ship's individual solution is then placed into a pool where the feasible set that maximizes the final score is extracted using a genetic algorithm. Our final submitted solution placed fifth with a score of $15,489$.
Autoren: Roberto Armellin, Andrea Bellome, Xiaoyu Fu, Harry Holt, Cristina Parigini, Minduli Wijayatunga, Jack Yarndley
Letzte Aktualisierung: 2024-11-17 00:00:00
Sprache: English
Quell-URL: https://arxiv.org/abs/2411.11279
Quell-PDF: https://arxiv.org/pdf/2411.11279
Lizenz: https://creativecommons.org/licenses/by/4.0/
Änderungen: Diese Zusammenfassung wurde mit Unterstützung von AI erstellt und kann Ungenauigkeiten enthalten. Genaue Informationen entnehmen Sie bitte den hier verlinkten Originaldokumenten.
Vielen Dank an arxiv für die Nutzung seiner Open-Access-Interoperabilität.