Progettazione rapida di motori a razzo: possibile con l’apprendimento automatico
Progettazione rapida di motori a razzo: ricercatori dell’Oden Institute stanno sviluppando una tecnica di modellizzazione più veloce per i progettisti di motori a razzo per testare le prestazioni in diverse condizioni.
Tempo, costi e sicurezza vietano di testare la stabilità di un missile usando un approccio di “prova ed errore” tipico della fisica.
Ma anche le simulazioni computazionali richiedono molto tempo. Una singola analisi di un intero motore a razzo SpaceX Merlin, ad esempio, potrebbe richiedere settimane, anche mesi, per avere previsioni soddisfacenti.
Un gruppo di ricercatori dell’Università del Texas ad Austin sta sviluppando nuovi metodi di “Scientific machine learning” per affrontare questa sfida.
L’apprendimento automatico scientifico è un campo relativamente nuovo che unisce il calcolo scientifico all’apprendimento automatico.
L’apprendimento automatico scientifico è un campo relativamente nuovo che unisce il calcolo scientifico all’apprendimento automatico. Attraverso una combinazione di modellistica fisica e apprendimento basato sui dati, diventa possibile creare modelli di ordine ridotto e simulazioni che possono essere eseguite in una frazione del tempo normalmente necessario, rendendole particolarmente utili in ambito progettuale.
L’obiettivo del lavoro, guidato da Karen Willcox presso l’Oden Institute for Computational Engineering and Sciences, è fornire ai progettisti di motori a razzo un modo rapido per valutare le prestazioni del motore a razzo in una varietà di condizioni operative.
Gli ingegneri missilistici tendono a esplorare diversi progetti su un computer prima di costruire e testare. La costruzione e il test fisico non sono solo dispendiosi in termini di tempo e denaro, ma possono anche essere pericolosi.
ha dichiarato Willicox.
Ma la stabilità del motore di un razzo, che deve essere in grado di resistere a una varietà di variabili impreviste durante qualsiasi volo, è un obiettivo di progettazione fondamentale che gli ingegneri devono essere sicuri di aver raggiunto prima che qualsiasi razzo possa decollare.
I nuovi metodi sono stati applicati a un codice di combustione utilizzato dall’Aeronautica noto come General Equation e Mesh Solver (GEMS).
Il gruppo di Willcox ha ricevuto “istantanee” generate eseguendo il codice GEMS per un particolare scenario che modellava un singolo iniettore di un combustore di un motore a razzo. Queste istantanee rappresentano i campi istantanei di pressione, velocità, temperatura e contenuto chimico nel combustore e fungono da “training set” da cui Willcox e il suo gruppo ricavano i modelli di ordine ridotto.
La generazione di tali dati di formazione in GEMS richiede circa 200 ore di elaborazione del computer. Una volta addestrati, i modelli di ordine ridotto possono eseguire la stessa simulazione in pochi secondi.
Questi modelli fanno molto di più che ripetere la simulazione di allenamento.
Tali modelli possono anche simulare scenari futuri, prevedendo la risposta fisica del combustore per condizioni operative che non facevano parte dei dati di addestramento.
Sebbene non siano perfetti, i modelli svolgono un ottimo lavoro di previsione della dinamica complessiva. Sono particolarmente efficaci nel catturare la fase e l’ampiezza dei segnali di pressione, elementi chiave per fare previsioni accurate sulla stabilità del motore.
Questi modelli di ordine ridotto sono surrogati del costoso modello ad alta fedeltà su cui facciamo affidamento ora. Forniscono risposte sufficienti per guidare le decisioni di progettazione degli ingegneri, ma in una frazione del tempo.
ha concluso Willicox.
- Scientific Machine Learning Paves Way for Rapid Rocket Engine Design (oden.utexas.edu)
