Forskare vid Oden Institute utvecklar nya modelleringsverktyg som används för att förutsäga en raketmotors beteende till en bråkdel av kostnaden för befintlig teknik. Kredit:Oden Institute for Computational Engineering and Sciences
"Det är inte raketvetenskap" kan vara en trött kliché, men det betyder inte att det är mindre komplicerat att designa raketer.
Tid, kostnad och säkerhet förbjuder testning av stabiliteten hos en testraket med hjälp av ett fysiskt byggande "trial and error"-metod. Men även beräkningssimuleringar är extremt tidskrävande. En enda analys av en hel SpaceX Merlin raketmotor, till exempel, kan ta veckor, även månader, för en superdator att ge tillfredsställande förutsägelser.
En grupp forskare vid University of Texas i Austin utvecklar nya metoder för "vetenskaplig maskininlärning" för att hantera denna utmaning. Vetenskapligt maskininlärning är ett relativt nytt område som blandar vetenskapliga datorer med maskininlärning. Genom en kombination av fysikmodellering och datadrivet lärande, det blir möjligt att skapa modeller med reducerad ordning – simuleringar som kan köras på en bråkdel av tiden, vilket gör dem särskilt användbara i designmiljön.
Målet med arbetet, ledd av Karen Willcox vid Oden Institute for Computational Engineering and Sciences, är att ge raketmotordesigners ett snabbt sätt att bedöma raketmotorns prestanda under en mängd olika driftförhållanden.
"Raketingenjörer tenderar att utforska olika konstruktioner på en dator innan de bygger och testar, "Sade Willcox. "Fysisk konstruktion och test är inte bara tidskrävande och dyrt, det kan också vara farligt. "
Men stabiliteten hos en raketmotor, som måste kunna motstå en mängd olika oförutsedda variabler under varje flygning, är en kritisk konstruktion mål ingenjörer måste vara säkra på att de har träffats innan någon raket kan komma av marken.
Kostnaden och den tid det tar att karakterisera stabiliteten hos en raketmotor beror på problemets stora komplexitet. En mängd variabler påverkar motorns stabilitet, för att inte tala om hastigheten med vilken saker och ting kan förändras under en rakets resa.
Forskningen från Willcox beskrivs i en nyligen publicerad artikel som co-författades av Willcox och publicerades online av AIAA Journal . Det är en del av ett Center of Excellence on Multi-Fidelity Modeling of Rocket Combustion Dynamics finansierat av Air Force Office of Scientific Research och Air Force Research Laboratory.
Dessa ögonblicksbilder av tryck och temperatur inuti en injektor i en raketmotor visar att de nya modellerna med reducerad ordning kan förutsäga komplex fysik med liknande nivåer av noggrannhet som befintliga modelleringstekniker men på betydligt kortare tid och till en bråkdel av kostnaden. Kredit:University of Texas i Austin
"De reducerade modellerna som utvecklas av Willcox-gruppen vid UT Austins Oden Institute kommer att spela en viktig roll för att lägga snabba designmöjligheter i händerna på våra raketmotordesigners, "sa Ramakanth Munipalli, senior flyg- och rymdforskningsingenjör i grenen Combustion Devices vid Air Force Rocket Research Lab. "I några viktiga fall, dessa reducerade modeller är det enda sättet med vilket man kan simulera ett stort framdrivningssystem. Detta är mycket önskvärt i dagens miljö där designers är kraftigt begränsade av kostnader och tidsplan."
De nya metoderna har tillämpats på en förbränningskod som används av flygvapnet, känd som General Equation and Mesh Solver (GEMS). Willcox grupp fick "ögonblicksbilder" som genererades genom att köra GEMS -koden för ett visst scenario som modellerade en enda injektor av en raketmotorförbrännare. Dessa ögonblicksbilder representerar de momentana tryckfälten, hastighet, temperatur och kemiskt innehåll i brännaren, och de fungerar som träningsdata från vilka Willcox och hennes grupp härleder de reducerade modellerna.
Att generera utbildningsdata i GEMS tar cirka 200 timmars datorhanteringstid. Väl utbildad, de reducerade modellerna kan köra samma simulering på några sekunder. "De reducerade modellerna kan nu köras i stället för GEMS för att ge snabba förutsägelser, " sa Willcox.
Men dessa modeller gör mer än att bara upprepa träningssimuleringen.
De kan också simulera in i framtiden, förutsäga brännkammarens fysiska respons för driftsförhållanden som inte var en del av träningsdata.
Även om det inte är perfekt, modellerna gör ett utmärkt jobb med att förutsäga övergripande dynamik. De är särskilt effektiva för att fånga fasen och amplituden för trycksignalerna, nyckelelement för att göra exakta förutsägelser om motorns stabilitet.
"Dessa modeller av reducerad ordning är surrogat av den dyra högtrohetsmodell som vi litar på nu, "Willcox sa." De ger svar som är tillräckligt bra för att vägleda ingenjörers designbeslut, men på en bråkdel av tiden."
Hur fungerar det? Att härleda modeller med reducerad ordning från träningsdata liknar andligt konventionellt maskininlärning. Dock, det finns några viktiga skillnader. Att förstå fysiken som påverkar stabiliteten hos en raketmotor är avgörande. Och denna fysik måste sedan vara inbäddad i modellerna med reducerad ordning under träningsprocessen.
"Metoder för maskininlärning på hyllan kommer att bli korta för utmanande problem inom teknik och vetenskap som denna multiscale, multifysikraketmotorförbränningsapplikation, "Sade Willcox. "Fysiken är alldeles för komplicerad och kostnaden för att generera träningsdata är alldeles för hög. Vetenskapligt maskininlärning erbjuder större potential eftersom det tillåter inlärning från data genom linsen på en fysikbaserad modell. Detta är viktigt om vi ska kunna tillhandahålla robusta och pålitliga resultat."
