Comparative Performance Analysis of Xenon, Krypton, and Argon Propellants for Hall Thrusters Using a Reproducible Machine-learning Framework
Dit artikel presenteert een reproduceerbaar machine-learning framework dat gebruikmaakt van een geharmoniseerde dataset om aan te tonen dat hoewel Xenon de superieure drijfgas blijft voor Hall-thrusters, Krypton een kosteneffectief compromis biedt en Argon specifieke optimalisatie vereist, waarbij XGBoost naar voren komt als het meest nauwkeurige model voor het voorspellen van stuwkrachtprestaties.