การส่งจรวดไปยังอวกาศ

เวลา ต้นทุน และความปลอดภัยห้ามไม่ให้ทดสอบความเสถียรของจรวดทดสอบโดยใช้วิธีการ "ลองผิดลองถูก" ที่สร้างขึ้นจริง แต่ถึงกระนั้นการจำลองทางคอมพิวเตอร์ก็ใช้เวลานานมาก ตัวอย่างเช่น การวิเคราะห์เพียงครั้งเดียวของเครื่องยนต์จรวด SpaceX Merlin ทั้งหมดอาจใช้เวลาหลายสัปดาห์หรือหลายเดือนกว่าที่ซูเปอร์คอมพิวเตอร์จะให้การคาดคะเนที่น่าพอใจ นักวิจัยกลุ่มหนึ่งจาก The University of Texas at Austin กำลังพัฒนาวิธีการ "การเรียนรู้ด้วยเครื่องเชิงวิทยาศาสตร์" แบบใหม่เพื่อรับมือกับความท้าทายนี้ การเรียนรู้ของเครื่องทางวิทยาศาสตร์เป็นสาขาที่ค่อนข้างใหม่ที่ผสมผสานการคำนวณทางวิทยาศาสตร์เข้ากับการเรียนรู้ของเครื่อง ด้วยการผสมผสานระหว่างการสร้างแบบจำลองทางฟิสิกส์และการเรียนรู้ที่ขับเคลื่อนด้วยข้อมูล จึงเป็นไปได้ที่จะสร้างแบบจำลองที่มีลำดับลดลง ซึ่งเป็นการจำลองที่สามารถทำงานได้ในเสี้ยวเวลา ทำให้มีประโยชน์อย่างยิ่งในการออกแบบ เป้าหมายของงานซึ่งนำโดย Karen Willcox จาก Oden Institute for Computational Engineering and Sciences คือการให้ผู้ออกแบบเครื่องยนต์จรวดมีวิธีที่รวดเร็วในการประเมินประสิทธิภาพของเครื่องยนต์จรวดในสภาวะการทำงานที่หลากหลาย "วิศวกรจรวดมักจะสำรวจการออกแบบต่างๆ บนคอมพิวเตอร์ก่อนที่จะสร้างและทดสอบ" Willcox กล่าว "การสร้างและทดสอบทางกายภาพไม่เพียงแต่ใช้เวลานานและมีราคาแพงเท่านั้น แต่ยังอาจเป็นอันตรายได้อีกด้วย" แต่ความเสถียรของเครื่องยนต์จรวด ซึ่งต้องสามารถทนต่อตัวแปรต่างๆ ที่คาดไม่ถึงระหว่างการบินใดๆ เป็นเป้าหมายการออกแบบที่สำคัญ วิศวกรต้องมั่นใจว่าพวกเขาได้พบก่อนที่จรวดใดๆ จะขึ้นจากพื้นได้ ค่าใช้จ่ายและเวลาที่ใช้ในการระบุลักษณะความเสถียรของเครื่องยนต์จรวดขึ้นอยู่กับความซับซ้อนของปัญหา ตัวแปรมากมายส่งผลต่อความเสถียรของเครื่องยนต์ ไม่ต้องพูดถึงความเร็วที่สิ่งต่างๆ สามารถเปลี่ยนแปลงได้ในระหว่างการเดินทางของจรวด งานวิจัยของ Willcox นำเสนอในบทความล่าสุดที่ร่วมเขียนโดย Willcox และเผยแพร่ทางออนไลน์โดยAIAA Journal เป็นส่วนหนึ่งของ Center of Excellence on Multi-Fidelity Modeling of Rocket Combustion Dynamics ซึ่งได้รับทุนสนับสนุนจาก Air Force Office of Scientific Research และ Air Force Research Laboratory "แบบจำลองลดคำสั่งที่พัฒนาโดย Willcox group ที่ UT Austin's Oden Institute จะมีบทบาทสำคัญในการนำความสามารถในการออกแบบที่รวดเร็วมาสู่มือของนักออกแบบเครื่องยนต์จรวดของเรา" รามาคันธ์ มูนิปาลลี วิศวกรวิจัยการบินและอวกาศอาวุโส สาขา Combustion Devices กล่าว ที่ห้องปฏิบัติการวิจัย จรวด ของกองทัพอากาศ "ในบางกรณีที่สำคัญ แบบจำลองที่มีลำดับลดลงเหล่านี้เป็นวิธีการเดียวที่สามารถจำลองระบบขับเคลื่อนขนาดใหญ่ได้ ซึ่งเป็นที่ต้องการอย่างมากในสภาพแวดล้อมปัจจุบันที่นักออกแบบมีข้อจำกัดอย่างมากในด้านต้นทุนและตารางเวลา" วิธีการใหม่นี้ถูกนำไปใช้กับรหัสการเผาไหม้ที่ใช้โดยกองทัพอากาศซึ่งเรียกว่า General Equation and Mesh Solver (GEMS) กลุ่มของ Willcox ได้รับ "ภาพรวม" ที่สร้างขึ้นจากการเรียกใช้รหัส GEMS สำหรับสถานการณ์เฉพาะที่สร้างแบบจำลองหัวฉีดเดียวของเครื่องยนต์สันดาปของเครื่องยนต์จรวด สแน็ปช็อตเหล่านี้แสดงถึงฟิลด์ความดัน ความเร็ว อุณหภูมิ และปริมาณสารเคมีในเตาเผาในทันที และใช้เป็นข้อมูลการฝึกอบรมที่ Willcox และกลุ่มของเธอได้รับแบบจำลองลดลำดับ การสร้างข้อมูลการฝึกอบรมใน GEMS ใช้เวลาประมาณ 200 ชั่วโมงในการประมวลผลของคอมพิวเตอร์ เมื่อผ่านการฝึกอบรมแล้ว แบบจำลองลำดับที่ลดลงสามารถเรียกใช้การจำลองแบบเดียวกันได้ภายในไม่กี่วินาที "แบบจำลองการสั่งซื้อแบบลดขนาดสามารถเรียกใช้แทน GEMS ได้แล้ว เพื่อคาดการณ์อย่างรวดเร็ว" Willcox กล่าว แต่แบบจำลองเหล่านี้ทำมากกว่าการจำลองการฝึกอบรมซ้ำ พวกเขายังสามารถจำลองในอนาคต ทำนายการตอบสนองทางกายภาพของเครื่องเผาไหม้สำหรับสภาพการทำงานที่ไม่ได้เป็นส่วนหนึ่งของข้อมูลการฝึกอบรม แม้ว่าจะไม่สมบูรณ์แบบ แต่โมเดลก็ทำหน้าที่ทำนายไดนามิกโดยรวมได้อย่างยอดเยี่ยม มีประสิทธิภาพโดยเฉพาะอย่างยิ่งในการจับเฟสและแอมพลิจูดของสัญญาณแรงดัน ซึ่งเป็นองค์ประกอบหลักในการคาดการณ์ความเสถียรของเครื่องยนต์ได้อย่างแม่นยำ Willcox กล่าวว่า "โมเดลที่มีการสั่งซื้อลดลงเหล่านี้เป็นตัวแทนของโมเดลที่มีความเที่ยงตรงสูงซึ่งมีราคาแพงซึ่งเราพึ่งพาอยู่ในขณะนี้" "พวกเขาให้คำตอบที่ดีพอที่จะเป็นแนวทางในการตัดสินใจออกแบบของวิศวกร แต่ในช่วงเวลาเพียงเศษเสี้ยว" มันทำงานอย่างไร? การรับแบบจำลองลำดับที่ลดลงจากข้อมูลการฝึกอบรมนั้นมีความคล้ายคลึงกับการเรียนรู้ของเครื่องทั่วไป อย่างไรก็ตาม มีความแตกต่างที่สำคัญบางประการ การทำความเข้าใจฟิสิกส์ที่มีผลต่อความเสถียรของเครื่องยนต์จรวดเป็นสิ่งสำคัญ จากนั้นฟิสิกส์เหล่านี้จะต้องถูกฝังลงในแบบจำลองลำดับที่ลดลงในระหว่างกระบวนการฝึกอบรม Willcox กล่าวว่า "แนวทางการเรียนรู้ด้วยเครื่องจักรที่มีอยู่ทั่วไปจะไม่เพียงพอสำหรับปัญหาที่ท้าทายในด้านวิศวกรรมและวิทยาศาสตร์ เช่น การประยุกต์ใช้การเผาไหม้เครื่องยนต์จรวดแบบหลายขนาดและหลายฟิสิกส์" "ฟิสิกส์นั้นซับซ้อนเกินไปและค่าใช้จ่ายในการสร้างข้อมูลการฝึกอบรมก็สูงเกินไป การเรียนรู้ด้วยเครื่องจักรทางวิทยาศาสตร์นั้นมีศักยภาพที่สูงกว่าเพราะช่วยให้สามารถเรียนรู้จากข้อมูลผ่านเลนส์ของแบบจำลองทางฟิสิกส์ได้ นี่เป็นสิ่งสำคัญหากเราต้องการให้มีประสิทธิภาพ และผลลัพธ์ที่น่าเชื่อถือ"