Prediction and Optimization of Oxygen Production under Microgravity Conditions Using Machine Learning

Zahra Mollaei¹

Abstract :
Efficient oxygen generation under microgravity and magnetohydrodynamic (MHD) conditions is a cornerstone of NASA’s life-support and in-situ resource utilization (ISRU) systems for lunar and Martian missions. This study presents a comparative analysis of three machine learning models—Long Short-Term Memory (LSTM), Support Vector Machine (SVM), and Decision Tree Regressor (DTR)—for predicting the rate of oxygen evolution in MHD-assisted electrolysis systems. A comprehensive dataset containing operational parameters such as current density, magnetic field intensity, and temperature was employed to train and validate the models. The proposed LSTM architecture, consisting of dual recurrent layers with dropout regularization, demonstrated superior predictive performance with an accuracy of 91%, an R² of 0.93, and a mean absolute error (MAE) of 0.045 mL·min⁻¹, outperforming the SVM and DTR baselines by 5–8%. Additionally, the Prediction Recall (PR) metric reached 94.7%, confirming the reliability of the proposed approach in maintaining predictions within a ±5% tolerance of actual experimental data. The results indicate that the LSTM model effectively captures the temporal dependencies and nonlinear dynamics governing oxygen evolution, offering a robust framework for real-time monitoring and control of electrochemical oxygen generation in space environments.

Keywords : mhd electrolysis microgravity oxygen generation machine learning lstm space life support systems

---

زبان مقاله : انگلیسی
محور مقاله : فناوری های کاربردی هوش مصنوعی و کاربردهای آن در علوم مختلف
محل انتشار : کنفرانس ملی فناوری اطلاعات، نانوتکنولوژی، هوش مصنوعی و آینده پژوهی فناوری
آدرس وب سایت کنفرانس : itnaf.ir
کد IOI مقاله : AAHD-AAHEZA
لینک مستقیم مقاله : https://isnac.ir/AAHD-AAHEZA
نمایش چکیده فارسی : https://isnac.ir/SA/AAHD-AAHEZA

سایر مقالات ارائه دهنده

1. Prediction and Optimization of Oxygen Production under Microgravity Conditions Using Machine Learning

سایر مقالات محل انتشار

1. A Study on Design Understandability and Interaction of the therapy-specific Robots
2. طراحی و مهندسی یک حسگر زیستی نوری چند مدی پلاسمونیک مبتنی بر تشدیدگرهای حلقه شکاف برای سنجش جامع آنتی‌ژن
3. طراحی یک اسیلاتورکنترل شونده با ولتاژ با نویز فاز بسیار پایین و بازه وسیع فرکانسی با تکنولوژی نانولوله کربنی برای کاربردهای PLL
4. یک چارچوب هوشمند آگاه به زمینه برای ارتباطات V2V و V2Iدر شبکه‌های خودرویی شهرهای هوشمند با استفاده از داده‌های ترافیکی شبکه سلولی
5. An Ensemble Non-Dominated Feature Selection Method: A Case Study on Prostate Cancer
6. تشخیص زودهنگام پوسیدگی دندان با استفاده از شبکه‌های عصبی
7. Simulation and Performance Comparison of Torque Tube and LVDT Sensors in Displacer-Based Level Measurement Systems
8. ارتقا سامانه ناوبری پهپاد مهاجر ۶ با استفاده از فناوری
9. کاربرد نانوذرات مگنتیت (Fe3O4) در پزشکی (از سنتز تا عملکرد)
10. Simulation and Modeling of Floating-Gate Non-Volatile Memory Performance: Focus on Oxide Thickness, Programming Speed, and Charge Transport Mechanisms
11. Fraud Analytics with Big Data: A Literature Review on Machine Learning Algorithms in Bankruptcy Prediction and Financial Fraud Detection
12. تحلیل آینده‌پژوهانه هم‌گرایی هوش مصنوعی، فناوری نانو و فناوری اطلاعات در مسیر تحول صنعتی آینده
13. نقش تحول دیجیتال در خدمات کتابخانه‌های عمومی برای توان‌یابان جسمی و ذهنی
14. Prediction and Optimization of Oxygen Production under Microgravity Conditions Using Machine Learning
15. Simulation and Performance Comparison of Ultrasonic, Non-Contact Radar, and Guided Wave Radar Sensors in Level Measurement Systems