Pesquisa combina redes neurais e leis da física para rastrear o retorno de lixo espacial à Terra.
Uma nova metodologia desenvolvida por cientistas espaciais combina redes neurais profundas com as leis fundamentais do movimento orbital para prever, com alta precisão, o momento e o local da queda de satélites descontrolados e estágios de foguetes na Terra, conforme informação divulgada por xx.
O estudo foi liderado por M. Khawariz Andaristiyan, do Centro de Pesquisa de Tecnologia Satelital da Agência Nacional de Pesquisa e Inovação da Indonésia, o BRIN, ao lado de pesquisadores como Affiani Machmudah, Wahyudi Hasbi e Ridanto Eko Poetro, do Institut Teknologi Bandung.
A técnica inovadora resolve um dos maiores desafios da astrodinâmica moderna, que é estimar o arrasto atmosférico imprevisível sobre objetos em órbita baixa, permitindo que agências espaciais antecipem tragédias potenciais com margens de erro reduzidas a poucos minutos, conforme informação divulgada por xx.
Desafios do arrasto atmosférico e lixo espacial
Com o crescimento acelerado da exploração espacial, a órbita baixa da Terra acumulava 25.060 objetos catalogados no final de 2025, quase o dobro da marca registrada uma década antes, segundo dados da Agência Espacial Europeia.
Grande parte desse volume é composta por satélites antigos e estágios de foguetes esgotados que retornarão à superfície de forma descontrolada, viajando a velocidades próximas a 7,8 quilômetros por segundo nos momentos finais.
Erros simples de cálculo na reentrada podem alterar drasticamente o ponto de impacto, já que um desvio de apenas uma hora na previsão de queda desloca o trajeto em cerca de 28.000 quilômetros ao redor do planeta.
Inteligência artificial e física orbital combinadas
Para solucionar o problema, os pesquisadores dividiram a tarefa entre a física clássica e o aprendizado de máquina, utilizando as leis de Newton e a gravidade terrestre para modelar o movimento básico.
Enquanto o comportamento físico padrão lida com a gravidade, uma rede neural especializada processa o histórico de coeficientes balísticos de cada objeto ao longo de um ciclo solar completo de onze anos.
Essa inteligência artificial com memória analisa dados passados e previsões de atividade solar e geomagnética, atualizando estimativas a cada três horas para calcular com precisão a resistência do ar até o limite de 80 quilômetros de altitude.
Testes bem-sucedidos em reentradas reais
O método foi validado em três eventos reais de quedas passadas, começando pelo histórico soviético Cosmos-482, lançado originalmente em 1972 e que reentrou no Oceano Índico após décadas em órbita.
A previsão da equipe apontou a queda do Cosmos-482 para as 06:22 UTC com margem de onze minutos, enquanto dados oficiais da Roscosmos confirmaram o impacto às 06:24 UTC, validando a eficácia do modelo computacional.
Outros testes bem-sucedidos incluíram o telescópio espacial NEOWISE da NASA e um estágio de foguete chinês Long March 4B, cujos destroços foram avistados na Espanha dentro exato da janela de tempo calculada pelos cientistas.
Perguntas Frequentes
Como a inteligência artificial prevê a queda de satélites?
A tecnologia utiliza uma rede neural profunda combinada com as leis de Newton para calcular o arrasto atmosférico e o comportamento de objetos em órbita baixa da Terra.
Por que é difícil prever onde um satélite vai cair?
Um objeto em órbita viaja a cerca de 7,8 quilômetros por segundo, o que significa que um erro de uma hora na previsão de queda desloca o ponto de impacto em 28.000 quilômetros.
Qual foi o papel do BRIN nessa pesquisa espacial?
O estudo foi liderado por M. Khawariz Andaristiyan e pesquisadores do Centro de Pesquisa de Tecnologia Satelital da Agência Nacional de Pesquisa e Inovação da Indonésia.
O novo método foi testado em casos reais?
Sim, o modelo foi validado com sucesso em três reentradas reais, incluindo o satélite soviético Cosmos-482, o telescópio NEOWISE da NASA e um estágio de foguete chinês.