"Não é ciência de foguetes" pode ser um clichê cansado, mas isso não significa que projetar foguetes seja menos complicado.

Tempo, o custo e a segurança proíbem o teste de estabilidade de um foguete de teste usando uma abordagem de "tentativa e erro" de construção física. Mas mesmo as simulações computacionais são extremamente demoradas. Uma única análise de todo o motor de foguete SpaceX Merlin, por exemplo, pode levar semanas, mesmo meses, para um supercomputador fornecer previsões satisfatórias.

Um grupo de pesquisadores da Universidade do Texas em Austin está desenvolvendo novos métodos de "aprendizado de máquina científico" para enfrentar esse desafio. O aprendizado de máquina científico é um campo relativamente novo que combina computação científica com aprendizado de máquina. Por meio de uma combinação de modelagem física e aprendizagem baseada em dados, torna-se possível criar modelos de ordem reduzida - simulações que podem ser executadas em uma fração do tempo, tornando-os particularmente úteis na configuração do projeto.

O objetivo do trabalho, liderado por Karen Willcox no Oden Institute for Computational Engineering and Sciences, é fornecer aos projetistas de motores de foguetes uma maneira rápida de avaliar o desempenho dos motores de foguetes em uma variedade de condições operacionais.

"Os engenheiros de foguetes tendem a explorar diferentes projetos em um computador antes de construir e testar, "Willcox disse." A construção física e o teste não são apenas demorados e caros, também pode ser perigoso. "

Mas a estabilidade do motor de um foguete, que deve ser capaz de suportar uma variedade de variáveis ​​imprevistas durante qualquer voo, é um alvo crítico de projeto que os engenheiros devem estar confiantes de que o alcançaram antes que qualquer foguete possa decolar.

O custo e o tempo que leva para caracterizar a estabilidade de um motor de foguete se resumem à complexidade do problema. Uma infinidade de variáveis ​​afetam a estabilidade do motor, sem falar na velocidade com que as coisas podem mudar durante a jornada de um foguete.

A pesquisa de Willcox é descrita em um artigo recente com coautoria de Willcox e publicado online por Jornal AIAA . É parte de um Centro de Excelência em Modelagem Multi-Fidelidade da Dinâmica de Combustão de Foguetes financiado pelo Escritório de Pesquisa Científica da Força Aérea e Laboratório de Pesquisa da Força Aérea.

"Os modelos de pedido reduzido que estão sendo desenvolvidos pelo grupo Willcox no UT Austin's Oden Institute desempenharão um papel essencial em colocar recursos de design rápido nas mãos de nossos projetistas de motores de foguete, "disse Ramakanth Munipalli, engenheiro sênior de pesquisa aeroespacial na Divisão de Dispositivos de Combustão do Laboratório de Pesquisa de Foguetes da Força Aérea. "Em alguns casos importantes, esses modelos de ordem reduzida são os únicos meios pelos quais se pode simular um grande sistema de propulsão. Isso é altamente desejável no ambiente de hoje, onde os designers são fortemente limitados por custos e prazos. "

Os novos métodos foram aplicados a um código de combustão usado pela Força Aérea conhecido como General Equation and Mesh Solver (GEMS). O grupo de Willcox recebeu "instantâneos" gerados pela execução do código GEMS para um cenário específico que modelou um único injetor de um combustor de motor de foguete. Esses instantâneos representam os campos instantâneos de pressão, velocidade, temperatura e conteúdo químico no combustor, e servem como dados de treinamento a partir dos quais Willcox e seu grupo derivam os modelos de ordem reduzida.

A geração desses dados de treinamento no GEMS leva cerca de 200 horas de processamento do computador. Uma vez treinado, os modelos de ordem reduzida podem executar a mesma simulação em segundos. "Os modelos de pedido reduzido agora podem ser executados no lugar do GEMS para emitir previsões rápidas, "Willcox disse.

Mas esses modelos fazem mais do que apenas repetir a simulação de treinamento.

Eles também podem simular no futuro, prever a resposta física do combustor para condições operacionais que não faziam parte dos dados de treinamento.

Embora não seja perfeito, os modelos fazem um excelente trabalho de previsão da dinâmica geral. Eles são particularmente eficazes na captura da fase e amplitude dos sinais de pressão, elementos-chave para fazer previsões precisas de estabilidade do motor.

"Esses modelos de ordem reduzida são substitutos do modelo caro de alta fidelidade em que confiamos agora, "Willcox disse." Eles fornecem respostas boas o suficiente para orientar as decisões de projeto dos engenheiros, mas em uma fração do tempo. "

Como funciona? Derivar modelos de ordem reduzida de dados de treinamento é semelhante em espírito ao aprendizado de máquina convencional. Contudo, existem algumas diferenças importantes. Compreender a física que afeta a estabilidade de um motor de foguete é crucial. E essa física deve então ser incorporada aos modelos de ordem reduzida durante o processo de treinamento.

"As abordagens de aprendizado de máquina disponíveis no mercado não serão suficientes para problemas desafiadores em engenharia e ciência, como esta multiescala, aplicação multifísica de motor de combustão de foguete, "Willcox disse." A física é muito complicada e o custo de geração de dados de treinamento é muito alto. O aprendizado de máquina científico oferece maior potencial porque permite o aprendizado de dados por meio das lentes de um modelo baseado na física. Isso é essencial se quisermos fornecer resultados robustos e confiáveis. "