مدل جدیدی برای طراحی سریع و کم هزینه موتور موشک

به گزارش ایسنا و به نقل از تک‌اکسپلور، زمان (اصلاح و ویرایش از اورانوس)، هزینه و ایمنی موجب می‌شوند که بررسی دوام یک موشک آزمایشی با استفاده از روش‌های فیزیکی دارای آزمون و خطا دشوار باشد. حتی شبیه‌سازی‌های محاسباتی نیز زمان‌بر هستند.

برای مثال، تحلیل کامل یک موتور موشک “مرلین” (Merlin) شرکت “اسپیس‌ایکس” (SpaceX) با کمک یک ابررایانه، شاید هفته‌ها و حتی ماه‌ها زمان ببرد تا پیش‌بینی‌های مطلوب ارائه شوند.

گروهی از پژوهشگران “دانشگاه تگزاس در آستین” (UT)، مدل جدیدی را براساس روش‌های مبتنی بر “یادگیری ماشینی علمی” (scientific machine learning) ابداع کرده‌اند که می‌تواند این چالش را برطرف کند. یادگیری ماشینی علمی، یک حوزه نسبتا جدید است که محاسبه علمی را با یادگیری ماشینی در هم می‌آمیزد. این کار به واسطه ادغام مدل‌سازی فیزیک و یادگیری مبتنی بر داده‌ها ممکن می‌شود و می‌تواند شبیه‌سازی‌هایی را ایجاد کند که در زمان کوتاهی راه‌اندازی می‌شوند و کارآیی بسیاری دارند.

هدف

هدف از این پژوهش، این است که روش سریعی برای ارزیابی عملکرد موتور موشک در شرایط گوناگون، برای طراحان موتور موشک فراهم شود.

“کارن ویلکوکس” (Karen Willcox)، سرپرست این گروه پژوهشی گفت: هدف مهندسان موشک این است که پیش از آزمایش و ساخت موشک، طراحی‌های متفاوت را روی رایانه بررسی کنند. آزمایش و ساخت فیزیکی موشک نه تنها زمان‌بر و پرهزینه است، بلکه می‌تواند خطرناک باشد.

ثبات موتور موشک که باید در شرایط پیش‌بینی نشده پرواز دوام بیاورد، یک هدف مهم در طراحی آن است که مهندسان باید از آن مطمئن باشند. هزینه و زمان بررسی ثبات موتور یک موشک، موجب پیچیدگی این موضوع می‌شود. متغیرهای بسیاری می‌توانند ثبات موتور را تحت تاثیر قرار دهند و سرعت تغییر هر یک از آنها طی سفر موشک، قابل تغییر است.

“راماکانث مونیپالی” (Ramakanth Munipalli)، مهندس حوزه هوافضا در “آزمایشگاه تحقیقات نیروی هوایی” (AFRL) گفت: مدلی که توسط ویلکوکس و گروهش ابداع شده، نقش مهمی در فراهم کردن قابلیت‌های طراحی سریع برای طراحان موتور موشک خواهد داشت.

این مدل‌ها در برخی از موارد مهم، تنها وسیله‌ای هستند که می‌توانند به شبیه‌سازی یک سیستم بزرگ پیشران کمک کنند. در شرایط کنونی که طراحان با محدودیت‌هایی مانند هزینه و زمان‌بندی رو به رو هستند، این مدل‌ها کارآیی بسیاری خواهند داشت.

این مدل‌های جدید می‌توانند کاری بیش از شبیه‌سازی آموزشی انجام دهند. آنها از عهده شبیه‌سازی عملکرد موتور در آینده برمی‌آیند و واکنش فیزیکی آن را در شرایط اجرایی پیش‌بینی می‌کنند.

اگرچه این مدل‌ها هنوز کامل نیستند اما کار خود را برای پیش‌بینی پویایی کلی موتور، به خوبی انجام می‌دهند.

ویلکوکس افزود: این مدل‌ها، جایگزینی برای مدل‌های پرهزینه‌ای هستند که در حال حاضر به آنها وابسته هستیم. عملکرد مدل‌های جدید آن قدر خوب است که می‌تواند مهندسان را برای طراحی تصمیم‌های مورد نیاز در زمان کوتاهی راهنمایی کند.

این پژوهش، به صورت آنلاین در مجله “AIAA Journal” به چاپ رسید.