Los investigadores del Instituto Oden están desarrollando nuevas herramientas de modelado que se utilizan para predecir el comportamiento de un motor de cohete a una fracción del costo de las tecnologías existentes. Crédito:Instituto Oden de Ingeniería y Ciencias Computacionales
"No es ciencia espacial" puede ser un cliché cansado, pero eso no significa que diseñar cohetes sea menos complicado.
Tiempo, el costo y la seguridad prohíben probar la estabilidad de un cohete de prueba utilizando un enfoque de "prueba y error" de construcción física. Pero incluso las simulaciones computacionales consumen mucho tiempo. Un solo análisis de un motor cohete SpaceX Merlin completo, por ejemplo, podría llevar semanas, incluso meses, para que una supercomputadora proporcione predicciones satisfactorias.
Un grupo de investigadores de la Universidad de Texas en Austin está desarrollando nuevos métodos de "aprendizaje automático científico" para abordar este desafío. El aprendizaje automático científico es un campo relativamente nuevo que combina la informática científica con el aprendizaje automático. A través de una combinación de modelos físicos y aprendizaje basado en datos, es posible crear modelos de orden reducido:simulaciones que pueden ejecutarse en una fracción del tiempo, haciéndolos particularmente útiles en el entorno de diseño.
El objetivo del trabajo, dirigido por Karen Willcox en el Instituto de Ingeniería y Ciencias Computacionales de Oden, es proporcionar a los diseñadores de motores de cohetes una forma rápida de evaluar el rendimiento del motor de cohetes en una variedad de condiciones de operación.
"Los ingenieros de cohetes tienden a explorar diferentes diseños en una computadora antes de construir y probar, "Willcox dijo." La construcción física y las pruebas no solo requieren mucho tiempo y son costosas, también puede ser peligroso ".
Pero la estabilidad del motor de un cohete, que debe poder soportar una variedad de variables imprevistas durante cualquier vuelo, Es un objetivo de diseño crítico que los ingenieros deben tener la certeza de que se han cumplido antes de que cualquier cohete pueda despegar.
El costo y el tiempo que lleva caracterizar la estabilidad de un motor de cohete se reduce a la gran complejidad del problema. Una multitud de variables afectan la estabilidad del motor, sin mencionar la velocidad a la que las cosas pueden cambiar durante el viaje de un cohete.
La investigación de Willcox se describe en un artículo reciente escrito en coautoría por Willcox y publicado en línea por Revista AIAA . Es parte de un Centro de Excelencia en Modelado de Fidelidad Múltiple de la Dinámica de Combustión de Cohetes financiado por la Oficina de Investigación Científica de la Fuerza Aérea y el Laboratorio de Investigación de la Fuerza Aérea.
Estas instantáneas de presión y temperatura dentro de un inyector de un motor cohete muestran que los nuevos modelos de orden reducido pueden predecir la física compleja con niveles similares de precisión a las técnicas de modelado existentes, pero en mucho menos tiempo y a una fracción del costo. Crédito:Universidad de Texas en Austin
"Los modelos de orden reducido que está desarrollando el grupo Willcox en el Instituto Oden de UT Austin jugarán un papel esencial en poner las capacidades de diseño rápido en manos de nuestros diseñadores de motores de cohetes, "dijo Ramakanth Munipalli, Ingeniero senior de investigación aeroespacial en la Rama de Dispositivos de Combustión del Laboratorio de Investigación de Cohetes de la Fuerza Aérea. "En algunos casos importantes, estos modelos de orden reducido son el único medio por el cual se puede simular un gran sistema de propulsión. Esto es muy deseable en el entorno actual, donde los diseñadores están muy limitados por el costo y el cronograma ".
Los nuevos métodos se han aplicado a un código de combustión utilizado por la Fuerza Aérea conocido como General Equation and Mesh Solver (GEMS). El grupo de Willcox recibió "instantáneas" generadas al ejecutar el código GEMS para un escenario particular que modelaba un solo inyector de una cámara de combustión con motor de cohete. Estas instantáneas representan los campos instantáneos de presión, velocidad, temperatura y contenido químico en la cámara de combustión, y sirven como datos de entrenamiento de los que Willcox y su grupo derivan los modelos de orden reducido.
Generar esos datos de entrenamiento en GEMS requiere aproximadamente 200 horas de tiempo de procesamiento por computadora. Una vez entrenado, los modelos de orden reducido pueden ejecutar la misma simulación en segundos. "Los modelos de orden reducido ahora se pueden ejecutar en lugar de GEMS para emitir predicciones rápidas, "Dijo Willcox.
Pero estos modelos hacen más que simplemente repetir la simulación de entrenamiento.
También pueden simular en el futuro, predecir la respuesta física de la cámara de combustión para las condiciones de funcionamiento que no formaban parte de los datos de entrenamiento.
Aunque no es perfecto los modelos hacen un excelente trabajo al predecir la dinámica general. Son particularmente efectivos para capturar la fase y amplitud de las señales de presión, elementos clave para realizar predicciones precisas de estabilidad del motor.
"Estos modelos de orden reducido son sustitutos del costoso modelo de alta fidelidad en el que confiamos ahora, ", Dijo Willcox." Proporcionan respuestas lo suficientemente buenas como para guiar las decisiones de diseño de los ingenieros, pero en una fracción del tiempo ".
¿Como funciona? Derivar modelos de orden reducido a partir de datos de entrenamiento es similar en espíritu al aprendizaje automático convencional. Sin embargo, hay algunas diferencias clave. Comprender la física que afecta la estabilidad de un motor de cohete es crucial. Y esta física luego debe integrarse en los modelos de orden reducido durante el proceso de entrenamiento.
"Los enfoques de aprendizaje automático listos para usar no serán suficientes para resolver problemas desafiantes en ingeniería y ciencia como esta multiescala, Aplicación de combustión de motor de cohete multifísico, "Willcox dijo." La física es demasiado complicada y el costo de generar datos de entrenamiento es demasiado alto. El aprendizaje automático científico ofrece un mayor potencial porque permite aprender de los datos a través de la lente de un modelo basado en la física. Esto es esencial si queremos ofrecer resultados sólidos y fiables ".
