به گزارش خبرآنلاین، برای تسریع و بهبود سفرهای میانسیارهای، پژوهشگران بر لزوم پیشرفت در فناوریهای پیشرانشی تأکید کردهاند. هوش مصنوعی به عنوان یکی از فناوریهای کلیدی، به فرایندهای لازم در این زمینه سرعت میبخشد.
بر اساس خبری از ایسنا، تیمی از مهندسان و دانشجویان مقاطع بالا مشغول بررسی تأثیر هوش مصنوعی و به ویژه یادگیری ماشینی بر پیشرانش فضاپیماها هستند. هوش مصنوعی در حال تغییر نحوه عملکرد موتورهای گرمایی هستهای و مدیریت پیچیده پلاسما در سیستمهای همجوشی است و به طور فزایندهای به یک همکار اساسی در سفرهای فضایی تبدیل میشود.
### تأثیر یادگیری ماشینی و تقویتی
یادگیری ماشینی، بخشی از هوش مصنوعی است که به شناسایی الگوها در دادهها بدون نیاز به آموزش مستقیم پرداخته و دامنه وسیعی از کاربردها را شامل میشود. این فناوری میتواند به شبیهسازی انواع هوش و یادگیری کمک کند و در این میان، یادگیری تقویتی بیشتر مورد توجه قرار گرفته است.
در یادگیری تقویتی، سیستمها از طریق ارزیابی عملکرد و تجربیات خود بهبود مییابند. به عنوان مثال، یک شطرنجباز با تحلیل بازیها الگوهایی را شناسایی میکند که مشابه این فرایند در ماشینها اتفاق میافتد. این فناوری با سرعت و دقتی فراتر از توان انسان، توانایی یادگیری و بهینهسازی عملکرد را فراهم میکند.
به کمک یادگیری تقویتی، افراد میتوانند سامانههای پیچیدهای را درک کنند که فراتر از درک معمولی انسان هستند. این روش میتواند بهترین مسیرهای حرکت فضاپیماها را شناسایی کرده و پیشرانش لازم برای رسیدن به مقاصد فضایی را بهینهسازی نماید.
### کاربرد یادگیری تقویتی در سامانههای پیشرانش
در زمینه پیشرانش فضایی، یادگیری تقویتی عمدتاً به دو دسته تقسیم میشود: گروه اول به طراحی کمک میکند و گروه دوم در مرحله عملیات واقعی و پرواز فضاپیما نقشآفرینی میکند. پیشرانش هستهای به عنوان یکی از راهکارهای نویدبخش در این عرصه شناخته میشود. این فناوری از انرژیای ناشی از همجوشی و شکافت هستهای بهره میبرد.
شکافت به انرژیزایی از طریق شکستن اتمهای سنگین میپردازد، در حالی که همجوشی میتواند با ادغام اتمهای سبکتر انرژی بسیار بیشتری تولید کند. در حالی که شکافت تکنولوژیای آرمانیتر محسوب میشود، همجوشی هنوز به عنوان افقهای قابل توجه باقی مانده است.
پیشرانش گرمایی هستهای میتواند به صورت بالقوه فضاپیماها را سریعتر و با هزینه کمتر به مقاصدی چون مریخ و دیگر نقاط فضایی هدایت کند. در این روش، گرما از واکنشهای اتمی به هیدروژن منتقل شده و پس از انبساط از طریق نازل رانش تولید میشود.
در نهایت، پرسش مهم این است که یادگیری تقویتی چگونه میتواند به مهندسان کمک کند تا فناوریهای پیچیده و قدرتمند در این زمینه را توسعه دهند و به مرحله اجرا برسانند؟
نقش یادگیری تقویتی در طراحی پیشرانههای هستهای
طراحیهای اولیه پیشرانههای هستهای در دهه ۱۹۶۰ همچون برنامه NERVA ناسا، از سوخت اورانیوم جامد بهره میبردند که به شکل واحدهای منشوری تولید میشدند. در سالهای اخیر مهندسان به بررسی الگوهای جدیدی از پیشرانهها پرداختهاند که شامل انواع مختلفی از مواد و ساختارها، از سنگریزههای سرامیکی گرفته تا حلقههای پیچیده میشود.
دلایل آزمایشهای متعدد
یکی از دلایل مهم این آزمایشها، افزایش کارایی در انتقال گرما از سوخت به هیدروژن است که میتواند به تولید نیروی رانش بیشتر منجر شود. در این راستا، یادگیری تقویتی به عنوان ابزاری کارآمد برای بهینهسازی هندسه و جریان حرارتی در این پیشرانهها مطرح میشود.
ترکیب و جریان حرارت میان سوخت و پیشرانه یک مسئله پیچیده با متغیرهای فراوانی است. در این زمینه، یادگیری تقویتی قادر به تحلیل متنوع این طراحیها و شناسایی الگوهای بهینه برای افزایش بهرهوری حرارتی است.
یادگیری تقویتی و فناوری همجوشی هستهای
این روش همچنین در توسعه فناوری همجوشی هستهای تأثیر بسزایی دارد. پروژههای بزرگ مانند JT-60SA در ژاپن در حال گسترش مرزهای انرژی همجوشی هستند، اما ابعاد بزرگ این پروژهها قابلیت اجرایی آنها در فضا را محدود میکند. به همین دلیل، پژوهشگران به طراحیهای جمعوجورتر مانند پلیولها روی آوردهاند. این دستگاهها به شکل مکعبهای توخالی کوچک، پلاسما را در میدانهای مغناطیسی محبوس میکنند تا شرایط همجوشی فراهم شود.
کنترل میدانهای مغناطیسی در پلیولها چالشی بزرگ است. این میدانها باید به اندازه کافی قوی باشند تا اتمهای هیدروژن را وادار به برخورد کنند تا همجوشی صورت گیرد. شروع و نگهداری این فرآیند انرژی زیادی نیاز دارد که تضمین مقیاسپذیری این فناوری برای پیشرانههای هستهای لازم است.
مدیریت مصرف انرژی و یادگیری تقویتی
نقش یادگیری تقویتی صرفاً به طراحی محدود نمیشود، بلکه میتواند به مدیریت بهینه مصرف سوخت نیز کمک کند. این امر برای مأموریتهایی که به در moment تغییرات نیاز دارند، ضروری است. در صنعت فضایی، توجه فزایندهای به فضاپیماهایی معطوف شده که میتوانند بسته به شرایط مأموریت، عملکردهای مختلفی داشته باشند. در سناریوهای نظامی، این فضاپیماها به سرعت باید به تغییرات ژئوپلیتیکی پاسخ دهند. یک نمونه از این فناوری، ماهواره LM400 شرکت لاکهید مارتین است که قابلیتهای متنوعی از جمله هشدار موشکی و پایش از راه دور دارد.
به هر حال، این انعطافپذیری میتواند چالشهایی به همراه داشته باشد. برای مثال، پیشبینی نیاز دقیق سوخت یک مأموریت و زمان مصرف آن ممکن است دشوار باشد. یادگیری تقویتی میتواند در این زمینه یاری رساند. با پیشرفتهای علمی و فناوری، هوش مصنوعی به عنوان ابزاری مهم برای کاوش در فضا به شمار میآید و میتواند راهگشای کشفیات جدید در دنیای خارج از منظومه شمسی باشد.
۵۸۵۸
