En el post de hoy os presentamos el Trabajo de Fin de Grado desarrollado por Carmen Serrano durante su estancia en el CEIT. Queremos agradecer a Carmen su dedicación, el excelente trabajo realizado y su valiosa contribución al equipo MOC durante sus práctivas. ¡Enhorabuena!

_________________________________________________________________________________________________

En el ámbito espacial, conocer con precisión la posición futura de un satélite es fundamental para planificar pases con estaciones terrenas, coordinar observaciones científicas o calcular posibles riesgos de colisión. Para ello, se emplean propagadores orbitales, modelos matemáticos que estiman la trayectoria de un objeto en función de su estado actual y del entorno dinámico.

Sin embargo, para que estas predicciones sean fiables a medio y largo plazo, los modelos deben considerar múltiples perturbaciones: desde las geopotenciales, que corrigen la forma no esférica de la Tierra y efectos externos más complejos como la presión de radiación solar o la actividad geomagnética. Incluir todas estas influencias en tiempo real no siempre es viable, especialmente en misiones con recursos limitados, que hoy en día son una realidad habitual en el contexto del New Space.

En mi Trabajo Fin de Grado he desarrollado un enfoque híbrido para introducir inteligencia artificial (IA) en la propagación orbital. Utilizo una red neuronal LSTM (Long Short-Term Memory) para aprender los errores sistemáticos que comete un propagador físico que solo considera las perturbaciones J2 y J4, y corregirlos. La idea no es sustituir el modelo físico, sino complementarlo con una red capaz de capturar desviaciones no modeladas.

Para entrenar este modelo, empleo las órbitas determinadas del satélite CHEOPS (derivadas mediante efecto Doppler, ya que la misión no cuenta con GPS) y las comparo con las predicciones generadas por el sistema de dinámica de vuelo (FDS) de la misión.

Uno de los aspectos más importantes —y quizá menos evidentes al principio— es que la inteligencia artificial no se puede aplicar de forma ciega. En mi caso, fue necesario replantear cómo se representaban los datos, ya que el sistema de referencia inicial no permitía a la red neuronal detectar patrones útiles. Solo al incorporar conocimientos específicos sobre la dinámica orbital fue posible adaptar los datos y hacer que el modelo aprendiera de forma efectiva. Esto demuestra que el conocimiento del sistema físico no es opcional: es imprescindible para que la IA funcione bien y aporte valor real.

Los resultados obtenidos han sido muy esperanzadores: el modelo ha logrado mejoras de hasta un 70 % en la precisión respecto al propagador clásico de partida en predicciones a 10 días vista. Además, se ha comprobado que mantiene su capacidad de corrección incluso semanas después del entrenamiento, lo que refuerza su potencial como herramienta operativa. Eso sí, su rendimiento depende en parte de que las condiciones del entorno espacial durante la aplicación sean similares a las del periodo de entrenamiento. Cambios significativos en el ciclo solar o en la actividad geomagnética pueden afectar a la precisión. Lo que sugiere la necesidad de realizar, cada cierto tiempo, un reentrenamiento con datos más recientes, como una estrategia sencilla y efectiva para preservar la fiabilidad del modelo y conservar el equilibrio entre rendimiento y adaptabilidad.

Este proyecto representa un pequeño paso hacia una visión más realista y práctica del papel de la inteligencia artificial en el sector aeroespacial. No se plantea como una mejora puntual de lo existente, sino como una nueva vía para integrar la IA de forma complementaria a los modelos físicos clásicos. Lejos de sustituirlos, la inteligencia artificial puede aportar valor cuando se aplica con criterio. En un entorno donde los sistemas espaciales son cada vez más complejos y dinámicos, esta colaboración entre física e inteligencia artificial abre nuevas posibilidades para reforzar la precisión, adaptabilidad y robustez de las operaciones orbitales.

Carmen Serrano