Orbital dynamics and machine learning in space missions

This thesis investigates the orbital dynamics of CubeSats within complex gravitational environments, integrating classical celestial mechanics with modern machine learning approaches. CubeSats, due to their low cost and versatility, have become increasingly relevant for Earth observation, planetary exploration, and interplanetary missions. However, their limited resources demand innovative strategies to ensure stability, efficient transfers, and extended mission lifetimes. The research explores retrograde resonances and their role in providing long-term stable regions for small spacecraft, with particular attention to the EarthMoon system. Optimal and sub-optimal transfer strategies toward retrograde co-orbital resonances are analyzed using bi-impulsive maneuvers and optimization methods, demonstrating the feasibility of low-cost trajectories suitable for small satellites. These resonant orbits are shown to offer both energy-efficient pathways and opportunities for extended observational campaigns. A central contribution of this work is the use of machine learning as a complementary tool to traditional dynamical models. Convolutional Neural Networks (CNNs) are developed for the classification of periodic and quasiperiodic resonant orbits in the Planar Circular Restricted Three-Body Problem, overcoming the limitations of analytical methods in highly perturbed regimes. Furthermore, machine learning techniques are employed to generate initial guesses for transfer optimization, reducing computational demands and enhancing the search for feasible solutions in complex dynamical systems. Beyond the EarthMoon framework, the thesis extends its applications to broader contexts in astrodynamics. Case studies include the dynamics of natural orbits around Jupiters moon Io, where survivability maps are produced considering multiple perturbations, and the analysis of close binary asteroid systems, modeled through full two-body and restricted threebody problems. In particular, synchronous and resonant configurations in systems such as 90 Antiope are examined, incorporating the effects of non-spherical geometries and solar radiation pressure on spacecraft trajectories. The results highlight the synergy between analytical modeling, numerical simulations, and data-driven methods. By combining resonance dynamics, transfer strategies, and machine learning support, this thesis contributes to the design of sustainable missions for small spacecraft. The proposed methodologies offer practical insights for space mission planning, from Earth Moon transfers to interplanetary exploration and binary asteroid encounters, reinforcing the role of machine learning as a transformative tool in celestial mechanics and astrodynamics. RESUMO: Esta tese investiga a dinâmica orbital de CubeSats em ambientes gravitacionais complexos, integrando a mecânica celeste clássica com abordagens modernas de aprendizado de máquina. Devido ao baixo custo e à versatilidade, os CubeSats tornaram-se cada vez mais relevantes para observação da Terra, exploração planetária e missões interplanetárias. No entanto, suas limitações de recursos exigem estratégias inovadoras para garantir estabilidade, transferências eficientes e maior tempo de vida em órbita. A pesquisa explora as ressonâncias retrógradas e seu papel em oferecer regiões de estabilidade de longo prazo para pequenos satélites, com atenção especial ao sistema Terra-Lua. Estratégias de transferência ótimas e subótimas para ressonâncias retrógradas coorbitais são analisadas por meio de manobras bi-impulsivas e métodos de otimização, demonstrando a viabilidade de trajetórias de baixo custo adequadas a pequenos satélites. Mostra-se que essas órbitas ressonantes oferecem tanto caminhos energeticamente eficientes quanto oportunidades para campanhas de observação prolongadas. Uma contribuição central deste trabalho é o uso de aprendizado de máquina como ferramenta complementar aos modelos dinâmicos tradicionais. Redes Neurais Convolucionais (CNNs) foram desenvolvidas para a classificação de órbitas ressonantes periódicas e quase-periódicas no Problema Restrito de Três Corpos Circular e Planar, superando limitações de métodos analíticos em regimes altamente perturbados. Além disso, técnicas de aprendizado de máquina são aplicadas para gerar estimativas iniciais em problemas de otimização de transferências, reduzindo a demanda computacional e ampliando a busca por soluções viáveis em sistemas dinâmicos complexos. Além do sistema Terra-Lua, a tese amplia suas aplicações para contextos mais gerais em astrodinâmica. Estudos de caso incluem a análise de órbitas naturais em torno da lua Io, de Júpiter, com a elaboração de mapas de sobrevivência considerando múltiplas perturbações, e a investigação de sistemas binários de asteroides próximos, modelados por meio do problema completo de dois corpos e do problema restrito de três corpos. Em particular, configurações síncronas e ressonantes em sistemas como o asteroide 90 Antiope são examinadas, incorporando os efeitos de geometrias não esféricas e da pressão de radiação solar nas trajetórias de sondas espaciais. Os resultados destacam a sinergia entre modelagem analítica, simulações numéricas e métodos orientados por dados. Ao combinar dinâmicas de ressonância, estratégias de transferência e suporte de aprendizado de máquina, esta tese contribui para o projeto de missões sustentáveis com pequenos satélites. As metodologias propostas oferecem subsídios práticos para o planejamento de missões espaciais, desde transferências Terra-Lua até a exploração interplanetária e encontros com asteroides binários, reforçando o papel do aprendizado de máquina como ferramenta transformadora na mecânica celeste e na astrodinâmica.