Des chercheurs de l'Oden Institute développent de nouveaux outils de modélisation utilisés pour prédire le comportement d'un moteur de fusée à une fraction du coût des technologies existantes. Crédit :Oden Institute for Computational Engineering and Sciences
"Ce n'est pas sorcier" est peut-être un cliché fatigué, mais cela ne veut pas dire que la conception de fusées est moins compliquée.
Temps, le coût et la sécurité interdisent de tester la stabilité d'une fusée d'essai à l'aide d'une approche « essai et erreur » de construction physique. Mais même les simulations informatiques sont extrêmement chronophages. Une seule analyse d'un moteur de fusée SpaceX Merlin entier, par exemple, peut prendre des semaines, même des mois, pour un supercalculateur de fournir des prédictions satisfaisantes.
Un groupe de chercheurs de l'Université du Texas à Austin développe de nouvelles méthodes d'"apprentissage automatique scientifique" pour relever ce défi. L'apprentissage automatique scientifique est un domaine relativement nouveau qui associe le calcul scientifique à l'apprentissage automatique. Grâce à une combinaison de modélisation physique et d'apprentissage basé sur les données, il devient possible de créer des modèles d'ordre réduit - des simulations qui peuvent s'exécuter en une fraction du temps, ce qui les rend particulièrement utiles dans le cadre de la conception.
Le but du travail, dirigé par Karen Willcox à l'Oden Institute for Computational Engineering and Sciences, est de fournir aux concepteurs de moteurs-fusées un moyen rapide d'évaluer les performances des moteurs-fusées dans diverses conditions de fonctionnement.
"Les ingénieurs de Rocket ont tendance à explorer différentes conceptions sur un ordinateur avant de construire et de tester, " Willcox a déclaré. " La construction et les tests physiques ne sont pas seulement longs et coûteux, cela peut aussi être dangereux."
Mais la stabilité d'un moteur de fusée, qui doit être capable de résister à une variété de variables imprévues pendant tout vol, est une cible de conception critique, les ingénieurs doivent être sûrs d'avoir atteint avant qu'une fusée ne puisse décoller.
Le coût et le temps qu'il faut pour caractériser la stabilité d'un moteur-fusée se résume à la complexité même du problème. Une multitude de variables affectent la stabilité du moteur, sans parler de la vitesse à laquelle les choses peuvent changer pendant le trajet d'une fusée.
La recherche de Willcox est décrite dans un article récent co-écrit par Willcox et publié en ligne par Journal de l'AIAA . Il fait partie d'un centre d'excellence sur la modélisation multi-fidélité de la dynamique de combustion des fusées financé par le bureau de la recherche scientifique de l'armée de l'air et le laboratoire de recherche de l'armée de l'air.
Ces instantanés de pression et de température à l'intérieur d'un injecteur d'un moteur de fusée montrent que les nouveaux modèles d'ordre réduit peuvent prédire une physique complexe avec des niveaux de précision similaires à ceux des techniques de modélisation existantes, mais en beaucoup moins de temps et à une fraction du coût. Crédit :Université du Texas à Austin
"Les modèles d'ordre réduit développés par le groupe Willcox à l'institut Oden de l'UT Austin joueront un rôle essentiel en mettant des capacités de conception rapide entre les mains de nos concepteurs de moteurs de fusée, " dit Ramakanth Munipalli, ingénieur principal en recherche aérospatiale dans la branche des dispositifs de combustion du laboratoire de recherche sur les fusées de l'Air Force. « Dans certains cas importants, ces modèles d'ordre réduit sont les seuls moyens par lesquels on peut simuler un grand système de propulsion. Ceci est hautement souhaitable dans l'environnement d'aujourd'hui où les concepteurs sont fortement limités par les coûts et les délais."
Les nouvelles méthodes ont été appliquées à un code de combustion utilisé par l'Air Force connu sous le nom de General Equation and Mesh Solver (GEMS). Le groupe de Willcox a reçu des « instantanés » générés en exécutant le code GEMS pour un scénario particulier qui modélisait un seul injecteur d'une chambre de combustion de moteur-fusée. Ces instantanés représentent les champs de pression instantanés, rapidité, température et contenu chimique dans la chambre de combustion, et ils servent de données d'apprentissage à partir desquelles Willcox et son groupe dérivent les modèles d'ordre réduit.
La génération de ces données d'entraînement dans GEMS prend environ 200 heures de temps de traitement informatique. Une fois formé, les modèles d'ordre réduit peuvent exécuter la même simulation en quelques secondes. « Les modèles d'ordre réduit peuvent désormais être exécutés à la place de GEMS pour émettre des prédictions rapides, " a déclaré Willcox.
Mais ces modèles font plus que simplement répéter la simulation d'entraînement.
Ils peuvent également simuler dans le futur, prédire la réponse physique de la chambre de combustion pour des conditions de fonctionnement qui ne faisaient pas partie des données d'entraînement.
Bien qu'il ne soit pas parfait, les modèles font un excellent travail de prédiction de la dynamique globale. Ils sont particulièrement efficaces pour capter la phase et l'amplitude des signaux de pression, éléments clés pour faire des prévisions précises de stabilité du moteur.
"Ces modèles d'ordre réduit sont des substituts du modèle haute fidélité coûteux sur lequel nous comptons maintenant, " a déclaré Willcox. " Ils fournissent des réponses suffisamment bonnes pour guider les décisions de conception des ingénieurs, mais en une fraction du temps."
Comment ça marche? Dériver des modèles d'ordre réduit à partir de données d'entraînement est similaire dans l'esprit à l'apprentissage automatique conventionnel. Cependant, il y a quelques différences clés. Comprendre la physique affectant la stabilité d'un moteur de fusée est crucial. Et cette physique doit ensuite être intégrée dans les modèles d'ordre réduit au cours du processus d'entraînement.
« Les approches d'apprentissage automatique standard ne permettront pas de résoudre les problèmes complexes de l'ingénierie et de la science tels que ce multi-échelle, application multiphysique de combustion de moteur fusée, " Willcox a déclaré. "La physique est tout simplement trop compliquée et le coût de génération des données d'entraînement est tout simplement trop élevé. L'apprentissage automatique scientifique offre un plus grand potentiel car il permet d'apprendre à partir de données à travers l'objectif d'un modèle basé sur la physique. C'est essentiel si nous voulons fournir des résultats solides et fiables."
