"No es ciencia de cohetes" puede ser un cliché cansado, pero eso no significa que diseñar cohetes sea menos complicado.
El 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 son extremadamente lentas. Un solo análisis de un motor de cohete SpaceX Merlin completo, por ejemplo, podríatomar 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. Mediante una combinación de modelado físico yaprendizaje basado en datos, se hace posible crear modelos de orden reducido, simulaciones que pueden ejecutarse en una fracción del tiempo, haciéndolos particularmente útiles en la configuración del 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", dijo Willcox. "La construcción física y las pruebas no solo requieren mucho tiempo y son costosas, sino que también pueden ser peligrosas".
Pero la estabilidad del motor de un cohete, que debe ser capaz de resistir una variedad de variables imprevistas durante cualquier vuelo, es un objetivo de diseño crítico, los ingenieros deben estar seguros de que se han reunido antes de que cualquier cohete pueda despegar.
El costo y el tiempo que toma 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 conjuntamente por Willcox y publicado en línea por Revista AIAA . Es parte de un Centro de Excelencia en Modelado de Fidelidad Múltiple de 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.
"Los modelos de orden reducido que está desarrollando el grupo Willcox en el Instituto Oden de UT Austin jugarán un papel esencial para 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 CombustiónDispositivos en el 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 modeló un solo inyector deuna cámara de combustión de 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 entrenados, 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 rápidamentepredicciones ", dijo Willcox.
Pero estos modelos hacen más que simplemente repetir la simulación de entrenamiento.
También pueden simular en el futuro, prediciendo la respuesta física de la cámara de combustión para condiciones operativas que no formaban parte de los datos de entrenamiento.
Aunque no son perfectos, los modelos hacen un excelente trabajo al predecir la dinámica general. Son particularmente efectivos para capturar la fase y la amplitud de las señales de presión, elementos clave para hacer predicciones precisas de la 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".
¿Cómo funciona? Derivar modelos de orden reducido de los 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 debe entoncesintegrarse en los modelos de orden reducido durante el proceso de capacitación.
"Los enfoques de aprendizaje automático listos para usar se quedarán cortos para los problemas desafiantes en ingeniería y ciencia como esta aplicación de combustión de motores de cohetes multifísica de escala múltiple", dijo Willcox. "La física es demasiado complicada y el costo de generar datos de entrenamientoes 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 proporcionar resultados sólidos y confiables ".
Fuente de la historia :
Materiales proporcionado por Universidad de Texas en Austin . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cita esta página :