Raumfahrzeugaktivitäten im erdmondnahen Raum sind für die technologische Entwicklung und Weltraumforschung von großer Bedeutung, doch ihre Bahnplanung und -erhaltung stellen enorme rechnerische Herausforderungen dar. Forscher des Lawrence Livermore National Laboratory nutzten Supercomputing-Ressourcen, um erfolgreich eine Million Datensätze für erdmondnahe Raumflugbahnen zu simulieren und zu veröffentlichen. Die zugehörigen Ergebnisse wurden in den „Research Notes of the American Astronomical Society“ veröffentlicht.
Das Forschungsteam nutzte ein selbst entwickeltes Python-Softwarepaket für Weltraumsituationsbewusstsein und führte groß angelegte Bahnsimulationen auf Basis offener Daten und Codes durch. Der Softwareautor und LLNL-Wissenschaftler Travis Yeager erläuterte die Besonderheiten der Methode: „Der Schlüsselpunkt ist, dass wir keinerlei Annahmen über den gewünschten Bahntyp treffen. Wir versuchen so zu tun, als wüssten wir nichts über diesen Raum.“ Der Simulationsprozess basiert auf diskreten Zeitschritten und muss die Wechselwirkungen mehrerer Körper – einschließlich der Gravitation von Erde, Mond und Sonne sowie des Strahlungsdrucks – umfassend berücksichtigen. Für derart komplexe Systeme gibt es keine exakten analytischen Lösungen. Yeager erklärte weiter: „Wenn Sie wissen wollen, wo sich ein Satellit in einer Woche befinden wird, gibt es tatsächlich keine Formel, die Ihnen das verrät. Man muss es Schritt für Schritt machen.“
Die Studie bezog auch die unregelmäßige Massenverteilung im Inneren von Erde und Mond in die Modellierung ein. Yeager verwies am Beispiel des GPS-Systems darauf: „Wenn wir GPS-Satelliten entwerfen würden, ohne die klumpige Struktur im Erdinneren zu berücksichtigen, könnten wir keine GPS-Ortung mit Meter-Genauigkeit erreichen. Man wüsste nicht einmal, auf welcher Straße man fährt.“ Um eine Million Bahnen mit einer Lebensdauer von sechs Jahren zu erzeugen, wurden insgesamt 1,6 Millionen CPU-Stunden verbraucht. Mithilfe der Supercomputer Quartz und Ruby des Lawrence Livermore National Laboratory konnte das Team die gesamte Simulation in nur drei Tagen abschließen. Der Mitautor Danville Higgins betonte den Vorteil ihres Codes: „Das Interessante an unserem Code ist, dass er parallelisierbar ist, was bei anderen kommerziellen Codes nicht der Fall ist. Wir können die Aufgabe auf verschiedene Knoten verteilen.“
Von den erzeugten Bahndaten blieben 54 % der Bahnen über ein Jahr stabil, und 9,7 % erreichten eine sechsjährige Stabilitätsdauer. Higgins wies aus datenwissenschaftlicher Sicht auf deren Wert hin: „Aus datenwissenschaftlicher Sicht ist dies ein sehr interessanter Datensatz. Wenn man eine Million Bahndaten hat, kann man mit maschinellen Lernverfahren sehr umfangreiche Analysen durchführen. Man kann versuchen, die Lebensdauer einer Bahn vorherzusagen, ihre Stabilität zu prognostizieren oder Anomalien zu erkennen, um zu sehen, ob sich eine Bahn auf ungewöhnliche Weise verhält.“ Diese Daten werden dazu beitragen, Schlüsselbereiche des Raumverkehrs zu identifizieren und die Bahnplanung sowie das Weltraumsituationsbewusstsein zu unterstützen. Das Team hat die entsprechende Software im „Journal of Open Source Software“ veröffentlicht und alle Daten offengelegt, um die weitere Forschungszusammenarbeit zu fördern.
Weitere Informationen: Autoren: Travis Yeager et al., Titel: „One Million Open-Source Cislunar Orbits“, veröffentlicht in: Research Notes of the American Astronomical Society (2025).
Autoren: Joshua E. Meyers et al., Titel: „SSAPy - Space Situational Awareness in Python“, veröffentlicht in: Journal of Open Source Software (2025).
