On-ground risk estimation during space object reentry
Estimation du risque humain lié à la retombée d'objets spatiaux sur Terre
Résumé
Recent regulations impose the re-entry of human-made end-of-life space object with a rigorous assessment of the risk for human assets. The risk evaluation requires sequences of complex numerical simulations accounting for the multi-physics phenomena occurring during the reentry of a space object, e.g., fluid-structure interactions and heat transfer. Further, these simulations are inaccurate because they rely on overly simplified models and partial knowledge of the reentry conditions.
In this thesis, we propose novel uncertainty quantification techniques to deal with some of the uncertainties characterizing the problem and apply them to predict the risk for human assets due to the reentry of a space object.
First, we construct a system of solvers to predict both the controlled or uncontrolled reentry of space objects. Compared to the existing reentry software, our system naturally accommodates the uncertainty in the object breakup predictions. Moreover, the constitutive solvers are interfaced and coupled within a framework that allows a single user to perform parallel runs of the full system.
Second, we present two original methods to propagate the uncertainties in reentry predictions using the system of solvers. First, we construct a surrogate model approximating the directed systems of solvers, using a system of Gaussian Processes (SoGP). We build this probabilistic surrogate by approximating each solver (or a group of solvers) of the directed system by a Gaussian Process (GP). We show that the predictive variance of the SoGP is composed of individual contributions from each GP.
We use this decomposition of the variance decomposition to develop active learning strategies based on training datasets wich are enriched parsimoniously to improve the prediction of the least reliable GP only. We assessed the performance of the SoGP on several analytical and industrial cases. The SoGP coupled with active learning strategies yielded systematically significant improvements.
The second method aims at predicting the survivability of space objects. During a space reentry event, the object can break up and generate fragments. Some fragments desintegrate in the atmosphere while others survive to the ground. Assessing the survivability of a fragment implies determining whether it reaches the ground or not and if it does, the impact location and the risk associated. We propose an original formulation of the survivability assessment problem to efficiently estimate the risk. The proposed method involves the composition of a classifier (demise prediction) with a Gaussian Process (impact location prediction).
Dedicated active learning strategies are designed to balance the prediction errors of the classifier and GP and allocate training samples adequately.
Finally, we apply the methods developed in the thesis to the prediction of the controlled reentry of a rocket upper-stage. The problem involves a large number of uncertainties (38), including the initial orbit properties, the deorbiting conditions, the upper stage material characteristics, the atmosphere model parameters, and the fragment material uncertainties. Moreover, we use a probabilistic breakup model for the object breakup to account for the model uncertainties. With our methods, we estimate at a reasonable computational cost the statistics of the conditions at breakup, the survival probability of the fragments, the casualty area, and the human risk. Global sensitivity analyses of the breakup conditions and casualty area provide a ranking of the most critical uncertainties. This study demonstrates the capability of our surrogate simulator to produce a robust measure of on-ground risk for a realistic reentry scenario.
Les réglementations récentes imposent la rentrée dans l’atmosphère d'objects spatiaux artificiels en fin de vie et la quantification du risque humain associé. Le calcul du risque repose sur des simulations numériques de la rentrée de l'objet. Ces simulations multi-physiques utilisent des modèles mathématiques simplistes et se basent sur une connaissance imparfaite des conditions de rentrée. Dans ce travail, nous proposons de nouvelles techniques de quantification d’incertitude pour améliorer la robustesse des prédictions de rentrée. Dans un premier temps, un simulateur de rentrée est assemblé. La prédiction de la rentrée d'un objet étant un problème multi-physique complexe, notre simulateur utilise un système de solveurs chaînés dans lequel chaque solveur simule une phase de la rentrée avec sa physique particulière. Nous développons ensuite deux stratégies pour réaliser la propagation d'incertitude à faible cout dans notre simulateur. Ces deux stratégies s’appuient sur des modèles de substitutions.
La première stratégie de substitution de modèle est une approche générique permettant d'approcher un système de solveurs chaînés par un système de processus gaussiens (System of Gaussian Processes, SoGP). Cette approximation probabiliste est construite en représentant chaque solveur (ou groupe de solveurs) par un processus gaussien (GP). Nous montrons que la variance prédictive du SoGP est décomposable en contributions associées à chaque GP. Cette décomposition de la variance est ensuite exploitée pour concevoir des stratégies d’apprentissage actif et générer des ensembles d'entrainement parcimonieux en renforçant l’apprentissage du GP le moins fiable. La performance du SoGP est étudiée sur plusieurs cas analytiques et industriels. Dans toutes les situations considérées, le SoGP surpasse les approches plus directes.
La seconde contribution de la thèse porte sur la construction de modèle de substitution pour la prédiction de la survie d'objets spatiaux. Lors de la rentrée, un objet spatial se fragmente et génère des débris. Certains débris brulent dans l'atmosphère tandis que d'autres atteignent le sol. Pour évaluer la survie d'un fragment, il faut déterminer s’il atteint le sol et, si c'est le cas, évaluer son point de chute et le risque associé. Dans ce travail, on propose une formulation originale du problème de la survie pour calculer efficacement le risque avec un modèle de substitution. Ce modèle de substitution repose sur la composition d'un classificateur et d'un processus gaussien. Le modèle est entraîné à l'aide d'une stratégie d'apprentissage actif dédiée qui équilibre les contributions du classificateur et du GP à l’erreur de prédiction de la survie, en proposant des plans d'entrainement adaptés.
Pour finir, les méthodes proposées dans la thèse sont appliquées à la simulation de la rentrée contrôlée d’un étage supérieur de fusée et la survie des fragments qui en résulte. Un grand nombre d’incertitudes (38) sont prises en compte et propagées, comprenant les caractéristiques de l’orbite initiale, les conditions de désorbitation, les propriétés du matériau de l’étage supérieur, les entrées du modèle d’atmosphère et les propriétés des matériaux des fragments. De plus, un modèle probabiliste de fragmentation est utilisé pour prédire de manière robuste la rupture de l'objet en tenant compte des incertitudes de modélisation. Les méthodes développées dans la thèse permettent d’estimer à un coût de calcul raisonnable les statistiques des conditions de vol au moment de la fragmentation, la probabilité de survie de chaque fragment et le risque humain associé. Une analyse de sensibilité globale montre que les incertitudes les plus influentes sont liées au modèle de fragmentation et aux conditions de désorbitation. Cette étude démontre ainsi la capacité de notre simulateur à produire une mesure robuste du risque au sol, sur un scénario de rentrée réaliste, et à un coût numérique acceptable.
Origine : Fichiers produits par l'(les) auteur(s)
Loading...