"Non è scienza missilistica" potrebbe essere un cliché stanco, ma ciò non significa che progettare razzi sia meno complicato.

Tempo, il costo e la sicurezza vietano di testare la stabilità di un razzo di prova utilizzando un approccio "prova ed errore" di costruzione fisica. Ma anche le simulazioni computazionali richiedono molto tempo. Una singola analisi di un intero motore a razzo SpaceX Merlin, Per esempio, potrebbero volerci settimane, anche mesi, per un supercomputer per fornire previsioni soddisfacenti.

Un gruppo di ricercatori dell'Università del Texas ad Austin sta sviluppando nuovi metodi di "apprendimento scientifico automatico" per affrontare questa sfida. Il machine learning scientifico è un campo relativamente nuovo che unisce l'informatica scientifica al machine learning. Attraverso una combinazione di modellazione fisica e apprendimento guidato dai dati, diventa possibile creare modelli di ordine ridotto, simulazioni che possono essere eseguite in una frazione del tempo, rendendoli particolarmente utili in ambito progettuale.

L'obiettivo del lavoro, guidato da Karen Willcox presso l'Oden Institute for Computational Engineering and Sciences, è fornire ai progettisti di motori a razzo un modo rapido per valutare le prestazioni del motore a razzo in una varietà di condizioni operative.

"Gli ingegneri missilistici tendono a esplorare diversi progetti su un computer prima di costruire e testare, " ha detto Willcox. "La costruzione fisica e il test non sono solo dispendiosi in termini di tempo e denaro, può anche essere pericoloso".

Ma la stabilità del motore di un razzo, che deve essere in grado di resistere a una varietà di variabili impreviste durante qualsiasi volo, è un obiettivo di progettazione critico, gli ingegneri devono essere sicuri di averli raggiunti prima che qualsiasi razzo possa decollare.

Il costo e il tempo necessari per caratterizzare la stabilità di un motore a razzo si riducono alla pura complessità del problema. Una moltitudine di variabili influiscono sulla stabilità del motore, per non parlare della velocità con cui le cose possono cambiare durante il viaggio di un razzo.

La ricerca di Willcox è delineata in un recente articolo co-autore di Willcox e pubblicato online da Giornale AIAA . Fa parte di un Centro di Eccellenza sulla Modellazione Multi-Fidelity delle Dinamiche di Combustione Razzo finanziato dall'Air Force Office of Scientific Research and Air Force Research Laboratory.

"I modelli di ordine ridotto sviluppati dal gruppo Willcox presso l'Oden Institute di UT Austin svolgeranno un ruolo essenziale nel mettere le capacità di progettazione rapida nelle mani dei nostri progettisti di motori a razzo, " disse Ramakanth Munipalli, ingegnere di ricerca aerospaziale senior nel ramo dei dispositivi di combustione presso l'Air Force Rocket Research Lab. "In alcuni casi importanti, questi modelli di ordine ridotto sono l'unico mezzo con cui si può simulare un grande sistema di propulsione. Ciò è altamente auspicabile nell'ambiente odierno in cui i progettisti sono fortemente vincolati da costi e tempistiche".

I nuovi metodi sono stati applicati a un codice di combustione utilizzato dall'Air Force noto come General Equation and Mesh Solver (GEMS). Il gruppo di Willcox ha ricevuto "istantanee" generate eseguendo il codice GEMS per uno scenario particolare che modellava un singolo iniettore di un combustore di un motore a razzo. Queste istantanee rappresentano i campi istantanei di pressione, velocità, temperatura e contenuto chimico nel combustore, e servono come dati di addestramento da cui Willcox e il suo gruppo derivano i modelli di ordine ridotto.

La generazione di tali dati di allenamento in GEMS richiede circa 200 ore di tempo di elaborazione del computer. Una volta addestrato, i modelli di ordine ridotto possono eseguire la stessa simulazione in pochi secondi. "I modelli di ordine ridotto possono ora essere eseguiti al posto di GEMS per emettere previsioni rapide, " disse Willcox.

Ma questi modelli non si limitano a ripetere la simulazione di addestramento.

Possono anche simulare nel futuro, predire la risposta fisica del combustore per condizioni operative che non facevano parte dei dati di addestramento.

Anche se non perfetto, i modelli svolgono un ottimo lavoro di previsione delle dinamiche complessive. Sono particolarmente efficaci nel catturare la fase e l'ampiezza dei segnali di pressione, elementi chiave per fare previsioni accurate sulla stabilità del motore.

"Questi modelli di ordine ridotto sono surrogati del costoso modello ad alta fedeltà su cui ci affidiamo ora, " ha detto Willcox. "Forniscono risposte abbastanza buone da guidare le decisioni di progettazione degli ingegneri, ma in una frazione del tempo."

Come funziona? La derivazione di modelli di ordine ridotto dai dati di addestramento è simile nello spirito all'apprendimento automatico convenzionale. Però, ci sono alcune differenze chiave. Comprendere la fisica che influenza la stabilità di un motore a razzo è fondamentale. E questa fisica deve quindi essere incorporata nei modelli di ordine ridotto durante il processo di addestramento.

"Gli approcci di apprendimento automatico standard non saranno all'altezza di problemi impegnativi in ​​ingegneria e scienza come questo multiscala, applicazione multifisica di combustione del motore a razzo, " Willcox ha detto. "La fisica è semplicemente troppo complicata e il costo per generare dati di addestramento è semplicemente troppo alto. Il machine learning scientifico offre un potenziale maggiore perché consente di apprendere dai dati attraverso la lente di un modello basato sulla fisica. Questo è essenziale se vogliamo fornire risultati solidi e affidabili".