Impacto da função de treinamento na precisão de modelos neurais de baterias de satélite em simuladores operacionais

A operação de satélites depende da disponibilidade de modelos confiáveis implementados em simuladores operacionais, capazes de reproduzir o comportamento do sistema em solo. Um desafio relevante consiste em incorporar o envelhecimento dos equipamentos nesses modelos, especialmente no caso da bateria, componente essencial para o fornecimento de energia durante eclipses. Este trabalho avalia a influência da função de treinamento na obtenção de redes neurais artificiais aplicadas à modelagem do envelhecimento da bateria do satélite CBERS-4. A arquitetura 6x9x2x1 foi mantida constante, sendo testadas três funções de treinamento: Levenberg-Marquardt, Regressão Bayesiana e Descida do Gradiente. O desempenho foi avaliado por meio do erro médio relativo quadrático (MRSE), calculado a partir de 56.081 amostras de telemetria real. Os resultados indicaram que Levenberg-Marquardt apresentou o menor erro (0,4919%), seguido pela Regressão Bayesiana (0,6058%), enquanto a Descida do Gradiente obteve desempenho inferior (1,4680%). Os achados confirmam que a escolha da função de treinamento influencia diretamente a acurácia do modelo, sendo determinante para sua aplicação em simuladores operacionais que exigem tanto fidelidade quanto execução em tempo real.