Videnskabelig maskinindlæring baner vej for hurtig raketmotordesign

"Det er ikke raketvidenskab" kan være en træt kliché, men det betyder ikke, at det er mindre kompliceret at designe raketter.

Tid, omkostninger og sikkerhed forbyder at teste stabiliteten af ​​en testraket ved hjælp af en fysisk build "trial and error" tilgang. Men selv beregningssimuleringer er ekstremt tidskrævende. En enkelt analyse af en hel SpaceX Merlin -raketmotor, for eksempel, kan tage uger, endda måneder, for en supercomputer til at levere tilfredsstillende forudsigelser.

En gruppe forskere ved University of Texas i Austin udvikler nye metoder til "videnskabelig maskinindlæring" for at løse denne udfordring. Videnskabelig maskinlæring er et relativt nyt felt, der blander videnskabelig databehandling med maskinlæring. Gennem en kombination af fysikmodellering og datadrevet læring, bliver det muligt at oprette modeller med reduceret orden-simuleringer, der kan køre på en brøkdel af tiden, hvilket gør dem særligt nyttige i designindstillingerne.

Målet med arbejdet, ledet af Karen Willcox ved Oden Institute for Computational Engineering and Sciences, er at give raketmotordesignere en hurtig måde at vurdere raketmotorens ydeevne under forskellige driftsbetingelser.

"Raketingeniører har en tendens til at udforske forskellige designs på en computer, før de bygger og tester, "Willcox sagde." Fysisk opbygning og test er ikke kun tidskrævende og dyrt, det kan også være farligt. "

Men stabiliteten af ​​en raketmotor, som skal kunne modstå en række forskellige uforudsete variabler under enhver flyvning, er et kritisk designmål ingeniører skal være sikre på, at de har mødt, før en raket kan komme af jorden.

Omkostningerne og den tid, det tager at karakterisere stabiliteten af ​​en raketmotor, skyldes problemets store kompleksitet. En lang række variabler påvirker motorens stabilitet, for ikke at nævne den hastighed, hvormed ting kan ændre sig under en rakets rejse.

Undersøgelsen af ​​Willcox er skitseret i et nyligt papir medforfatter af Willcox og udgivet online af AIAA Journal . Det er en del af et Center of Excellence on Multi-Fidelity-modellering af raketforbrændingsdynamik finansieret af Air Force Office of Scientific Research og Air Force Research Laboratory.

"Modellerne med reduceret orden, der udvikles af Willcox-gruppen ved UT Austins Oden Institute, vil spille en væsentlig rolle i at lægge hurtige designmuligheder i hænderne på vores raketmotordesignere, "sagde Ramakanth Munipalli, senior luftfartsforskningsingeniør i forbrændingsenhedens filial ved Air Force Rocket Research Lab. "I nogle vigtige tilfælde, disse modeller i reduceret orden er det eneste middel til at simulere et stort fremdriftssystem. Dette er meget ønskeligt i nutidens miljø, hvor designere er stærkt begrænset af omkostninger og tidsplan. "

De nye metoder er blevet anvendt på en forbrændingskode, der bruges af luftvåbnet kendt som General Equation and Mesh Solver (GEMS). Willcoxs gruppe modtog "snapshots" genereret ved at køre GEMS -koden for et bestemt scenario, der modellerede en enkelt injektor af en raketmotorforbrænder. Disse øjebliksbilleder repræsenterer de øjeblikkelige trykfelter, hastighed, temperatur og kemisk indhold i brænderen, og de fungerer som de træningsdata, som Willcox og hendes gruppe stammer fra modellerne med reduceret orden.

At generere uddannelsesdata i GEMS tager cirka 200 timers computerbehandlingstid. Når først uddannet, modellerne i reduceret orden kan køre den samme simulering på få sekunder. "Modellerne med reduceret orden kan nu køres i stedet for GEMS for at udsende hurtige forudsigelser, "Sagde Willcox.

Men disse modeller gør mere end bare at gentage træningssimuleringen.

De kan også simulere ind i fremtiden, forudsige forbrænderens fysiske reaktion for driftsforhold, der ikke var en del af træningsdataene.

Selvom det ikke er perfekt, modellerne gør et fremragende stykke arbejde med at forudsige den overordnede dynamik. De er særligt effektive til at indfange fasen og amplituden af ​​tryksignalerne, vigtige elementer til at lave præcise motorstabilitetsforudsigelser.

"Disse modeller i reduceret rækkefølge er surrogater af den dyre high-fidelity-model, vi stoler på nu, "Willcox sagde." De giver svar, der er gode nok til at guide ingeniørers designbeslutninger, men på en brøkdel af tiden. "

Hvordan virker det? At udlede modeller i reduceret rækkefølge fra træningsdata ligner i ånden sigt konventionel maskinlæring. Imidlertid, der er nogle vigtige forskelle. At forstå den fysik, der påvirker stabiliteten af ​​en raketmotor, er afgørende. Og denne fysik skal derefter integreres i modellerne med reduceret orden under træningsprocessen.

"Fremgangsmåder til maskinlæring på hylden kommer til at mangle udfordrende problemer inden for teknik og videnskab som denne multiscale, multiphysics raket motor forbrænding ansøgning, "Willcox sagde." Fysikken er bare for kompliceret, og omkostningerne ved at generere træningsdata er bare for høje. Videnskabelig maskinlæring giver større potentiale, fordi det tillader læring fra data gennem linsen af ​​en fysikbaseret model. Dette er vigtigt, hvis vi skal levere robuste og pålidelige resultater. "