Wetenschap
Onderzoekers van het Oden Institute ontwikkelen nieuwe modelleringstools die worden gebruikt om het gedrag van een raketmotor te voorspellen tegen een fractie van de kosten van bestaande technologieën. Krediet:Oden Institute for Computational Engineering and Sciences
"Het is geen raketwetenschap" is misschien een vermoeid cliché, maar dat betekent niet dat het ontwerpen van raketten minder ingewikkeld is.
Tijd, kosten en veiligheid verbieden het testen van de stabiliteit van een testraket met behulp van een fysiek gebouwde "trial and error"-benadering. Maar zelfs computationele simulaties zijn extreem tijdrovend. Een enkele analyse van een volledige SpaceX Merlin-raketmotor, bijvoorbeeld, kan weken duren, zelfs maanden, voor een supercomputer om bevredigende voorspellingen te doen.
Een groep onderzoekers van de Universiteit van Texas in Austin ontwikkelt nieuwe 'wetenschappelijke machine learning'-methoden om deze uitdaging aan te gaan. Wetenschappelijke machine learning is een relatief nieuw veld dat wetenschappelijk computergebruik combineert met machine learning. Door een combinatie van natuurkundemodellering en datagestuurd leren, wordt het mogelijk om modellen met een gereduceerde orde te maken - simulaties die in een fractie van de tijd kunnen worden uitgevoerd, waardoor ze bijzonder nuttig zijn in de ontwerpomgeving.
Het doel van het werk, onder leiding van Karen Willcox van het Oden Institute for Computational Engineering and Sciences, is om ontwerpers van raketmotoren een snelle manier te bieden om de prestaties van raketmotoren in verschillende bedrijfsomstandigheden te beoordelen.
"Raketingenieurs hebben de neiging om verschillende ontwerpen op een computer te verkennen voordat ze bouwen en testen, " zei Willcox. "Fysiek bouwen en testen is niet alleen tijdrovend en duur, het kan ook gevaarlijk zijn."
Maar de stabiliteit van de motor van een raket, die tijdens elke vlucht een verscheidenheid aan onvoorziene variabelen moet kunnen weerstaan, is een kritisch ontwerpdoel, ingenieurs moeten erop kunnen vertrouwen dat ze elkaar hebben ontmoet voordat een raket van de grond kan komen.
De kosten en tijd die nodig zijn om de stabiliteit van een raketmotor te karakteriseren, komen neer op de enorme complexiteit van het probleem. Een groot aantal variabelen beïnvloeden de motorstabiliteit, om nog maar te zwijgen van de snelheid waarmee dingen kunnen veranderen tijdens de reis van een raket.
Het onderzoek van Willcox is beschreven in een recent artikel, mede geschreven door Willcox en online gepubliceerd door AIAA Journaal . Het maakt deel uit van een Centre of Excellence on Multi-Fidelity Modeling of Rocket Combustion Dynamics, gefinancierd door het Air Force Office of Scientific Research en Air Force Research Laboratory.
Deze momentopnamen van druk en temperatuur in één injector van een raketmotor laten zien dat de nieuwe modellen van verminderde orde complexe fysica kunnen voorspellen met vergelijkbare nauwkeurigheid als bestaande modelleringstechnieken, maar in aanzienlijk minder tijd en tegen een fractie van de kosten. Krediet:Universiteit van Texas in Austin
"De modellen met een gereduceerde orde die worden ontwikkeld door de Willcox-groep aan het Oden Institute van de UT Austin, zullen een essentiële rol spelen bij het in handen geven van snelle ontwerpmogelijkheden aan onze raketmotorontwerpers, " zei Ramakanth Munipalli, senior ruimtevaartonderzoeksingenieur bij de afdeling Combustion Devices van het Air Force Rocket Research Lab. "In sommige belangrijke gevallen deze gereduceerde-orde modellen zijn de enige middelen waarmee men een groot voortstuwingssysteem kan simuleren. Dit is zeer wenselijk in de huidige omgeving waar ontwerpers sterk worden beperkt door kosten en planning."
De nieuwe methoden zijn toegepast op een verbrandingscode die door de luchtmacht wordt gebruikt en bekend staat als General Equation and Mesh Solver (GEMS). De groep van Willcox ontving "snapshots" die werden gegenereerd door de GEMS-code uit te voeren voor een bepaald scenario dat een enkele injector van een verbrandingsmotor van een raketmotor modelleerde. Deze snapshots vertegenwoordigen de momentane drukvelden, snelheid, temperatuur en chemische inhoud in de verbrandingskamer, en ze dienen als de trainingsgegevens waaruit Willcox en haar groep de modellen met gereduceerde orde afleiden.
Het genereren van die trainingsgegevens in GEMS kost ongeveer 200 uur computerverwerkingstijd. Eenmaal getraind, de modellen met een lagere orde kunnen dezelfde simulatie in seconden uitvoeren. "De modellen met een gereduceerde orde kunnen nu worden gebruikt in plaats van GEMS om snelle voorspellingen te doen, ' zei Wilcox.
Maar deze modellen doen meer dan alleen de trainingssimulatie herhalen.
Ze kunnen ook in de toekomst simuleren, het voorspellen van de fysieke respons van de verbrander voor bedrijfsomstandigheden die geen deel uitmaakten van de trainingsgegevens.
Hoewel niet perfect, de modellen kunnen uitstekend de algemene dynamiek voorspellen. Ze zijn bijzonder effectief in het vastleggen van de fase en amplitude van de druksignalen, belangrijke elementen voor het maken van nauwkeurige voorspellingen van de motorstabiliteit.
"Deze gereduceerde-orde-modellen zijn surrogaten van het dure high-fidelity-model waar we nu op vertrouwen, Willcox zei. "Ze bieden antwoorden die goed genoeg zijn om de ontwerpbeslissingen van ingenieurs te begeleiden, maar in een fractie van de tijd."
Hoe werkt het? Het afleiden van modellen met een gereduceerde orde uit trainingsgegevens is qua geest vergelijkbaar met conventionele machine learning. Echter, er zijn enkele belangrijke verschillen. Het begrijpen van de fysica die de stabiliteit van een raketmotor beïnvloedt, is cruciaal. En deze fysica moet dan tijdens het trainingsproces worden ingebed in de modellen met een gereduceerde orde.
"Off-the-shelf machine learning-benaderingen zullen tekortschieten voor uitdagende problemen in engineering en wetenschap, zoals deze multischaal, multiphysics raketmotor verbrandingstoepassing, " zei Willcox. "De fysica is gewoon te ingewikkeld en de kosten om trainingsgegevens te genereren zijn gewoon te hoog. Wetenschappelijke machine learning biedt een groter potentieel omdat het het mogelijk maakt om van gegevens te leren door de lens van een op fysica gebaseerd model. Dit is essentieel als we robuuste en betrouwbare resultaten willen leveren."
Wetenschap © https://nl.scienceaq.com