Hành trình Khoa học, Không gian và Thời gian!
Các nhà nghiên cứu đang phát triển một kỹ thuật mô hình nhanh hơn cho các nhà thiết kế động cơ tên lửa để kiểm tra hiệu suất trong các điều kiện khác nhau.
Đây không phải là khoa học tên lửa, có thể đây là dự đoán mới từ máy học nhưng điều đó không có nghĩa là thiết kế tên lửa ít phức tạp hơn.
Thời gian, chi phí và an toàn nghiêm cấm kiểm tra tính ổn định của tên lửa thử nghiệm bằng cách sử dụng phương pháp “thử và sai” vật lý. Nhưng ngay cả các mô phỏng tính toán cũng cực kỳ tốn thời gian. Một phân tích duy nhất của toàn bộ động cơ tên lửa SpaceX Merlin có thể mất vài tuần, thậm chí vài tháng, cho một siêu máy tính để đưa ra dự đoán thỏa đáng.
Một nhóm các nhà nghiên cứu tại Đại học Texas ở Austin đang phát triển các phương pháp “học máy khoa học” mới để giải quyết thách thức này. Học máy khoa học là một lĩnh vực tương đối mới, pha trộn giữa tính toán khoa học với học máy. Thông qua sự kết hợp giữa mô hình vật lý và học tập dựa trên dữ liệu, có thể tạo ra các mô hình giảm bậc – mô phỏng có thể chạy trong một phần nhỏ thời gian, khiến chúng đặc biệt hữu ích trong cài đặt thiết kế.
Mục tiêu của công việc dẫn đầu bởi Karen Willcox tại Viện Khoa học và Kỹ thuật tính toán Oden là cung cấp cho các nhà thiết kế động cơ tên lửa một cách nhanh chóng để đánh giá hiệu suất động cơ tên lửa trong nhiều điều kiện vận hành.
“Các kỹ sư tên lửa có xu hướng khám phá các thiết kế khác nhau trên máy tính trước khi xây dựng và thử nghiệm”, Willcox nói. “Xây dựng và kiểm tra vật lý không chỉ tốn thời gian và tốn kém mà còn có thể gây ra nguy hiểm.”
Nhưng sự ổn định của động cơ tên lửa, có thể chịu được nhiều biến số không lường trước trong bất kỳ chuyến bay nào, là một bộ phận mục tiêu thiết kế quan trọng phải tự tin và chắc chắn rằng chúng đã an toàn trước khi bất kỳ tên lửa nào có thể phóng lên khỏi mặt đất.
Chi phí và thời gian cần thiết để mô tả sự ổn định của động cơ tên lửa là do sự phức tạp của mỗi thiết kế. Có vô số biến số ảnh hưởng đến sự ổn định của động cơ mà chưa kể đến tốc độ và mọi thứ có thể thay đổi trong hành trình của một tên lửa.
Nghiên cứu của Willcox được phác thảo trong một bài báo gần đây được đồng tác giả bởi Willcox và được xuất bản trực tuyến bởi Tạp chí AIAA . Đây là một phần của Trung tâm xuất sắc về mô hình hóa đa trung thực của động lực đốt cháy tên lửa do Phòng nghiên cứu khoa học và phòng thí nghiệm nghiên cứu không quân tài trợ.
Ramakanth Munipalli, kỹ sư nghiên cứu hàng không vũ trụ cao cấp của Chi nhánh thiết bị hàng không vũ trụ cho biết: tại Phòng thí nghiệm nghiên cứu tên lửa không quân. “Trong một số trường hợp quan trọng, các mô hình giảm thứ tự này là phương tiện duy nhất mà người ta có thể mô phỏng một hệ thống đẩy lớn. Điều này rất đáng mong đợi trong môi trường ngày nay nơi các nhà thiết kế bị hạn chế rất nhiều bởi chi phí và lịch trình.”
Các phương pháp mới đã được áp dụng cho mã đốt được sử dụng bởi Không quân được gọi là Phương trình tổng quát và Bộ giải lưới (GEMS). Nhóm của Willcox đã nhận được “ảnh chụp nhanh” được tạo bằng cách chạy mã GEMS cho một kịch bản cụ thể mô hình hóa một kim phun của buồng đốt động cơ tên lửa. Các ảnh chụp nhanh này đại diện cho các trường áp suất, vận tốc, nhiệt độ và hàm lượng hóa học tức thời trong buồng đốt và chúng đóng vai trò là dữ liệu huấn luyện mà Willcox và nhóm của cô lấy được các mô hình giảm bậc.
Tạo dữ liệu đào tạo trong GEMS sẽ mất khoảng 200 giờ thời gian xử lý máy tính. Sau khi được đào tạo, các mô hình giảm thứ tự có thể chạy mô phỏng tương tự trong vài giây. Các mô hình đơn hàng giảm hiện có thể được chạy thay cho GEMS để đưa ra dự đoán nhanh chóng.
Nhưng những mô hình này không chỉ chỉ lặp lại mô phỏng đào tạo mà chúng đã làm được nhiều hơn thế.
Chúng cũng có thể mô phỏng trong tương lai, dự đoán phản ứng vật lý của buồng đốt đối với các điều kiện vận hành không phải là một phần của dữ liệu huấn luyện.
Mặc dù không hoàn hảo, các mô hình làm một công việc dự đoán động lực tổng thể trở lên tuyệt vời hơn. Chúng đặc biệt hiệu quả trong việc nắm bắt pha và biên độ của tín hiệu áp suất, các yếu tố chính để đưa ra dự đoán ổn định động cơ chính xác.
Những mô hình giảm thứ tự này là đại diện của mô hình độ trung thực cao đắt tiền mà chúng ta dựa vào bây giờ,” Willcox chia sẻ. “Chúng cung cấp câu trả lời đủ tốt để hướng dẫn các quyết định thiết kế của các kỹ sư, nhưng trong một phần nhỏ thời gian.”
Làm thế nào mà nó có thể hoạt động? Xuất phát các mô hình đơn hàng giảm từ dữ liệu đào tạo tương tự như tinh thần học máy thông thường. Tuy nhiên, có một số khác biệt chính. Hiểu vật lý ảnh hưởng đến sự ổn định của động cơ tên lửa là rất quan trọng. Và những vật lý này sau đó phải được nhúng vào các mô hình giảm bậc trong quá trình đào tạo.
Các phương pháp học máy ngoài luồng sẽ không gặp phải các vấn đề thách thức trong kỹ thuật và khoa học như ứng dụng đốt động cơ tên lửa đa năng, đa vật lý này”. “Vật lý quá phức tạp và chi phí tạo dữ liệu đào tạo quá cao. Học máy khoa học mang lại tiềm năng lớn hơn vì nó cho phép học từ dữ liệu qua lăng kính của mô hình dựa trên vật lý. Đây là điều cần thiết nếu chúng ta cung cấp mạnh mẽ và kết quả đáng tin cậy.
Nguồn truyện:
Tài liệu được cung cấp bởi Đại học Texas tại Austin . Lưu ý: Nội dung có thể được chỉnh sửa cho kiểu dáng và độ dài.
Tạp chí tham khảo :