Multidisciplinary Design Optimization of a Low-Thrust Asteroid Orbit Insertion Using Electric Propulsion

Diese Arbeit stellt ein multidisziplinäres Optimierungsframework vor, das die Trajektorienplanung für eine Low-Thrust-Asteroiden-Orbitaleinschleusung um 16-Psyche mittels elektrischer Antriebe und die Auslegung des Energiesystems unter Berücksichtigung der variablen Sonnenbestrahlung und des SPT-140-Hall-Triebwerks koppelt, um realistischere und effizientere Missionsdesigns zu ermöglichen.

Das Wesentliche

Stellen Sie sich vor, Sie planen eine Reise mit einem sehr sparsamen, aber langsamen Elektroauto durch eine riesige, dunkle Wüste. Ihr Ziel ist es, von einem hohen Hügel (einer Umlaufbahn) hinunter in ein tiefes Tal (eine niedrigere Umlaufbahn) zu gelangen.

Das ist im Grunde die Herausforderung, die in diesem wissenschaftlichen Papier behandelt wird: Wie bringt man eine Raumsonde mit einem elektrischen Antrieb (der wie ein sehr effizienter, aber schwacher Elektromotor ist) von einer hohen Umlaufbahn um den Asteroiden 16-Psyche auf eine niedrigere Umlaufbahn, um Daten zu sammeln?

Hier ist die einfache Erklärung, was die Autoren gemacht haben, mit ein paar anschaulichen Vergleichen:

1. Das Problem: Der "falsche" Plan

Bisher haben Ingenieure oft so geplant, als würde das Auto immer die gleiche Menge Strom haben und der Motor immer gleich stark laufen.

• Die Realität: Im Weltraum, weit weg von der Sonne (wie bei 16-Psyche), ist das Sonnenlicht sehr schwach. Es ist wie ein schwacher Batterielader. Wenn die Sonde weiter weg ist oder die Solarpaneele im Laufe der Zeit "müde" werden (durch Strahlung), bekommen sie weniger Strom.
• Der Fehler: Wenn man plant, als gäbe es immer genug Strom, aber dann in der Realität der Motor schwächelt, weil die Batterie leer ist, funktioniert der Flugplan nicht. Die Sonde könnte stecken bleiben oder den Asteroiden gar nicht erreichen.

2. Die Lösung: Alles miteinander verknüpfen (MDO)

Die Autoren haben ein neues Werkzeug entwickelt, das sie MDO nennen. Man kann sich das wie einen super-intelligenten Reiseplaner vorstellen, der nicht nur die Straße plant, sondern auch das Auto, die Batterie und den Fahrer gleichzeitig optimiert.

Statt drei separate Probleme zu lösen (Wie fliege ich? Wie groß ist mein Solarpanel? Wie stark ist mein Motor?), löst dieser Planer alles auf einmal:

• Die Route: Wie genau muss die Sonde fliegen?
• Das Auto (die Sonde): Wie groß müssen die Solarpaneele sein? (Je größer, desto mehr Strom, aber desto schwerer ist die Sonde).
• Der Motor: Wie stark soll der Motor gerade arbeiten, basierend auf dem Strom, der gerade jetzt verfügbar ist?

3. Der clevere Trick: Das "Gewichts-Dilemma"

Hier kommt der wichtigste Teil der Geschichte:

• Wenn Sie größere Solarpaneele installieren, bekommen Sie mehr Strom. Das ist gut, denn der Motor kann stärker arbeiten.
• ABER: Größere Paneele wiegen mehr. Eine schwerere Sonde braucht mehr Energie, um zu beschleunigen.
• Die Entscheidung: Ist es besser, eine leichte Sonde mit wenig Strom zu haben (die langsam fliegt) oder eine schwere Sonde mit viel Strom (die schneller fliegt)?

Das neue System hat berechnet, dass es sich lohnt, die Sonde schwerer zu machen. Indem sie die Solarpaneele vergrößert haben, konnte die Sonde mehr Strom nutzen, den Motor stärker laufen lassen und die Reise 20 % schneller beenden – trotz des zusätzlichen Gewichts. Es ist wie bei einem LKW: Wenn Sie einen stärkeren Motor brauchen, nehmen Sie lieber ein paar schwere Kisten mit, damit Sie schneller ans Ziel kommen, als mit einem schwachen Motor und wenig Gepäck ewig zu schleppen.

4. Die Herausforderung: Der "Zick-Zack"-Effekt

Die Reise um den Asteroiden ist sehr lang und erfordert viele hundert Umdrehungen. Das ist wie ein sehr langsames Spiralen-Abwärtsfahren.

• Das Problem: Wenn man versucht, so eine lange, langsame Kurve mit einem Computer zu berechnen, neigt dieser dazu, kleine Fehler zu machen. Die berechnete Linie sieht glatt aus, aber wenn man sie genau nachfliegt, weicht sie ab. Man nennt das "Collocation-Defekte" (Stellen, an denen die Mathematik nicht mehr mit der Physik übereinstimmt).
• Die Lösung: Die Autoren haben einen cleveren Startpunkt gefunden (mit einer Art "Fourier-Methode", die man sich wie das Zeichnen einer perfekten Kurve mit einem Lineal vorstellen kann) und dann einen sehr starken Supercomputer genutzt, um die Berechnung in viele kleine Stücke zu zerlegen. So haben sie sichergestellt, dass die berechnete Route auch wirklich physikalisch möglich ist.

Das Ergebnis

Das Papier zeigt, dass man im Weltraum nicht mehr getrennt denken darf. Man kann die Flugbahn nicht ohne den Motor und den Motor ohne die Solarpaneele planen.

Zusammengefasst:
Die Autoren haben einen neuen, intelligenten Planer gebaut, der für eine Reise zu einem fernen Asteroiden berechnet hat: "Hey, wir bauen die Solarflügel etwas größer, auch wenn das die Sonde schwerer macht. Dafür bekommen wir genug Strom, um den Motor stärker zu drehen und die ganze Reise in der Hälfte der Zeit zu schaffen."

Dieser Ansatz ist entscheidend für zukünftige Missionen, bei denen es darauf ankommt, Zeit zu sparen und Ressourcen im harten Umfeld des Weltraums optimal zu nutzen.

Technische Zusammenfassung

Hier ist eine detaillierte technische Zusammenfassung des vorliegenden Papiers auf Deutsch:

Titel: Multidisziplinäres Design-Optimierung (MDO) einer Low-Thrust-Asteroiden-Orbit-Einschleusung mit elektrischem Antrieb

1. Problemstellung

Herkömmliche Missionen mit elektrischem Antrieb (Solar Electric Propulsion, SEP) werden oft unter vereinfachenden Annahmen entworfen, wie z. B. konstantem Schub oder festem spezifischem Impuls ($I_{sp}$). Diese Ansätze vernachlässigen die starke Kopplung zwischen der Flugbahn-Dynamik, der verfügbaren Bordstromversorgung und der Leistung des Antriebssystems.

• Herausforderung: In tiefen Weltraumumgebungen mit reduzierter Sonneneinstrahlung (z. B. beim Asteroiden 16-Psyche in 2,9 AE Entfernung) ist der verfügbare Solarstrom stark limitiert. Dies führt dazu, dass Schub und Massenfluss dynamisch von der aktuellen Energieverfügbarkeit und der Degradation der Solarzellen abhängen.
• Folge getrennter Optimierung: Eine separate Optimierung von Flugbahn und Subsystemen führt oft zu suboptimalen oder physikalisch nicht realisierbaren Designs, da die Energieanforderungen die tatsächlichen Kapazitäten der Solararrays überschreiten können.

2. Methodik und Framework

Das Papier stellt ein vollständig gekoppeltes Multidisziplinäres Design-Optimierungs-Framework (MDO) vor, das die Flugbahn und das Energiesystem gleichzeitig optimiert.

• Software-Architektur: Das Framework basiert auf OpenMDAO (für die multidisziplinäre Analyse und Gradientenberechnung) und Dymos (ein Optimalsteuerungs-Tool, das auf Kollokationsmethoden basiert). Der nichtlineare Optimierungsprozess (NLP) wird mit dem Solver IPOPT gelöst.
• Physikalische Modelle:
  • Flugbahndynamik: Ein zweidimensionales Modell um den Asteroiden 16-Psyche (Punktmassen-Annahme), beschrieben durch polare Koordinaten (Radius, Winkel, Geschwindigkeitskomponenten, Masse).
  • Energieerzeugung: Ein hochpräzises Modell für Solararrays, das die heliozentrische Distanz, die Degradation der Zellen über die Zeit (ca. 3 % pro Jahr) und eine polynomiale Korrektur für Temperatur- und Effizienzeffekte im Asteroidengürtel berücksichtigt.
  • Elektrischer Antrieb: Ein Variable-Specific-Impulse (VSI)-Modell basierend auf dem SPT-140 Hall-Triebwerk. Anstatt eines konstanten Schubs werden 21 diskrete Betriebsmodi (Throttle-Modes) verwendet.
  • Glatte Modus-Auswahl: Um die diskreten Triebwerksmodi in einen gradientenbasierten Optimierer zu integrieren, wird eine glatte Auswahllogik mittels Sigmoid-Funktionen verwendet. Dies ermöglicht eine kontinuierliche Regelung des Triebwerks basierend auf der verfügbaren Leistung.
  • Massen-Kopplung: Ein entscheidender Aspekt ist die dynamische Berechnung der Startmasse ($m_{initial}$). Die Masse des Solararrays (abhängig von der Fläche $A_{SA}$) geht direkt in die Trockenmasse des Raumfahrzeugs ein. Der Optimierer muss somit den Trade-off zwischen schwererem Raumfahrzeug (durch größere Arrays) und höherer verfügbarer Leistung abwägen.
• Optimierungsproblem:
  • Ziel: Minimierung der Flugzeit ($t_f$) für einen Spiralabstieg von einer 750 km Umlaufbahn auf eine 200 km Wissenschafts-Umlaufbahn.
  • Entwurfsvariablen: Fläche der Solararrays ($A_{SA}$), Triebwerksleistungs-Befehle ($P_E(t)$) und Schubsteuerwinkel ($\alpha(t)$).
  • Randbedingungen: Start- und Zielorbit, Massenbilanz (kein Verbrauch der Trockenmasse), Leistungsbeschränkungen ($P_E \le P_{avail}$).
• Numerische Herausforderungen & Lösungen:
  • Initialisierung: Aufgrund der hohen Sensitivität und der vielen Variablen wird eine Fast Fourier Series (FFS)-Methode verwendet, um dynamisch machbare Startschätzungen für die Kollokationspunkte zu generieren.
  • Kollokationsfehler (Defects): Bei schwacher Gravitation und vielen Umlaufbahnen führen grobe Gitter zu Diskretisierungsfehlern. Um dies zu lösen, wurde das Framework auf einem High-Performance Computing (HPC)-Cluster mit über 100 Segmenten ausgeführt, um die physikalische Genauigkeit zu gewährleisten.

3. Wichtige Beiträge

1. Integrierte Kopplung: Erstmals wird ein MDO-Framework vorgestellt, das die Dimensionierung der Solararrays, die Degradation der Leistung und die diskreten Betriebsmodi eines Hall-Triebwerks (SPT-140) direkt in die Trajektorienoptimierung für eine Asteroiden-Mission integriert.
2. Glatte Modus-Logik: Die Entwicklung einer differenzierbaren Methode zur Abbildung diskreter Triebwerksmodi auf eine kontinuierliche Steuergröße, was gradientenbasierte Optimierung ermöglicht.
3. Dynamische Massenbilanz: Die explizite Berücksichtigung des Massenstrafens für größere Solararrays, was zu realistischeren Entwurfsentscheidungen führt als bei entkoppelten Ansätzen.
4. Numerische Robustheit: Demonstration der Bewältigung von Kollokationsfehlern bei hochfrequenten Spiralmanövern durch FFS-Initialisierung und HPC-Nutzung.

4. Ergebnisse

Die Studie vergleicht ein Baseline-Szenario (nur Flugbahn-Optimierung mit fixierter Masse und Leistung) mit dem vollständig gekoppelten MDO-Ansatz für die Mission um 16-Psyche:

• Flugzeit: Der MDO-Ansatz reduzierte die Flugzeit um 20,07 % (von ca. 20,78 Stunden auf 16,61 Stunden).
• Solararray-Größe: Der Optimierer wählte eine größere Solarfläche von 79,79 m² (im Vergleich zu 50 m² im Baseline-Fall).
• Massenbilanz: Durch die größere Fläche erhöhte sich die Startmasse um 11,02 % (auf 464,08 kg).
• Treibstoffverbrauch: Der Treibstoffverbrauch stieg um 113,6 % (von 0,66 kg auf 1,41 kg), was jedoch durch die höhere Schubleistung und kürzere Flugzeit kompensiert wurde.
• Schlussfolgerung: Der kinematische Nachteil des schwereren Raumfahrzeugs wurde durch den Gewinn an elektrischer Leistung und damit höherem Schub vollständig kompensiert. Das entkoppelte Design war suboptimal, da es die Möglichkeit einer größeren Solarfläche nicht nutzte.
• Qualität der Lösung: Die gekoppelte Lösung zeigte glattere Steuerprofile und eine bessere Übereinstimmung zwischen der diskreten Optimierung und der kontinuierlichen Simulation im Vergleich zum Baseline-Fall, der starke Oszillationen und Kollokationsfehler aufwies.

5. Bedeutung und Ausblick

Die Arbeit unterstreicht, dass für realistische Missionen mit elektrischem Antrieb in sonnenarmen Umgebungen eine integrierte Optimierung unerlässlich ist. Die Annahme fester Systemparameter führt zu ineffizienten Designs.

• Das vorgestellte Framework bietet eine skalierbare Grundlage für zukünftige Missionen zu kleinen Körpern.
• Zukünftige Arbeiten zielen darauf ab, die Anzahl der Kollokationssegmente weiter zu erhöhen, Mehrfach-Triebwerkskonfigurationen zu integrieren und weitere Subsysteme (z. B. Düsenoptimierung) in den Entwurfsprozess einzubeziehen.

Zusammenfassend demonstriert das Papier, wie moderne Optimierungstools (OpenMDAO/Dymos) genutzt werden können, um komplexe physikalische Wechselwirkungen in der Raumfahrt zu modellieren und signifikante Verbesserungen bei Missionsparametern wie Flugzeit und Treibstoffeffizienz zu erzielen.