“این علم موشک نیست” ممکن است خسته کلیشه, اما این بدان معنی نیست که طراحی موشک است که هیچ کمتر پیچیده است.

زمان و هزینه و ایمنی منع آزمایش ثبات یک تست موشک با استفاده از ساخت فیزیکی “آزمون و خطا” رویکرد. اما حتی محاسباتی شبیه سازی بسیار وقت گیر است. یک تجزیه و تحلیل از کل SpaceX مرلین موتور موشک برای مثال می تواند هفته ها و حتی ماه ها برای یک ابر رایانه به ارائه رضایت بخش پیش بینی.

یک گروه از محققان در دانشگاه تگزاس در آستین در حال توسعه جدید “علمی یادگیری ماشین” روش برای رسیدگی به این چالش. علمی یادگیری ماشین نسبتا جدید در این زمینه است که می آمیزد محاسبات علمی با یادگیری ماشین. از طریق ترکیبی از فیزیک مدلسازی و داده محور یادگیری آن امکان پذیر می شود برای ایجاد کاهش مرتبه مدل های — شبیه سازی است که می تواند در کسری از زمان ساخت آنها به خصوص مفید در طراحی محیط است.

هدف از این کار رهبری کارن Willcox در Oden موسسه محاسباتی و مهندسی علوم است که به ارائه موتور موشک طراحان با یک راه سریع برای ارزیابی عملکرد موتور موشک در انواع شرایط عملیاتی.

“موشک مهندسین تمایل به کشف طرح های مختلف بر روی یک کامپیوتر قبل از ساخت و تست” Willcox گفت. “ساخت فیزیکی و آزمون است که نه تنها وقت گیر و گران قیمت آن را نیز می تواند خطرناک باشد.”

اما ثبات یک موشک موتور که باید قادر به مقاومت در برابر انواع متغیرهای پیش بینی نشده در طول هر پرواز حیاتی طراحی هدف مهندسین باید اعتماد به نفس آنها را ملاقات کرده اید قبل از هر گونه موشک می تواند به خارج از زمین.

هزینه و مدت زمان لازم برای مشخص کردن ثبات موشک موتور پایین می آید به محض پیچیدگی مشکل است. بسیاری از متغیرها بر موتور ثبات به ذکر است سرعت که در آن همه چیز می تواند تغییر در طول یک موشک سفر.

این تحقیقات توسط Willcox مشخص شده است در مقاله اخیر همكاري با Willcox و آنلاین منتشر شده توسط AIAA Journal. این بخشی از یک مرکز تعالی در چند وفاداری مدلسازی احتراق موشک دینامیک بودجه توسط نیروی هوایی دفتر پژوهش های علمی و نیروی هوایی آزمایشگاه تحقیقاتی.

“کاهش مرتبه مدل های در حال توسعه توسط Willcox گروه در UT Austin Oden موسسه خواهد شد و نقش مهمی در قرار دادن سریع قابلیت طراحی به دست ما موتور موشک طراحان” گفت: Ramakanth Munipalli ارشد هوافضا تحقیقات مهندس در احتراق دستگاه های شعبه در نیروی هوایی موشک آزمایشگاه تحقیقاتی. “در برخی از موارد مهم این کاهش سفارش مدل ها تنها وسیله ای که توسط آن می توانید شبیه سازی زیادی سیستم نیروی محرکه. این است که بسیار مطلوب در محیط امروز که در آن طراحان به شدت محدود هزینه و برنامه.”

روش های جدید استفاده شده است احتراق کد مورد استفاده توسط نیروی هوایی شناخته شده به عنوان به طور کلی معادله و مش حل (سنگهای قیمتی). Willcox گروه دریافت “گزارشهای ویژه” تولید شده توسط در حال اجرا سنگهای کد برای یک سناریوی خاص که مدل تک انژکتور از یک موتور موشک combustor. این عکس نشان دهنده آنی زمینه فشار, سرعت, متوسط و شیمیایی محتوا در combustor و آنها در خدمت به عنوان داده های آموزشی که از آن Willcox و گروه او مشتق کاهش مرتبه مدل های.

تولید است که داده های آموزشی در سنگهای قیمتی در حدود 200 ساعت از کامپیوتر زمان پردازش. یک بار آموزش کاهش مرتبه مدل می تواند اجرا شود همان شبیه سازی در ثانیه است. “کاهش مرتبه مدل های در حال حاضر می تواند اجرا شود در محل سنگهای به موضوع سریع پیش بینی” Willcox گفت.

اما این مدل انجام بیش از فقط تکرار آموزش شبیه سازی.

آنها همچنین می توانید شبیه سازی را در آینده پیش بینی پاسخ فیزیکی از combustor برای شرایط عملیاتی شد که بخشی از داده های آموزشی.

اگر چه نه کامل مدل انجام یک کار عالی از پیش بینی کلی دینامیک. آنها به خصوص موثر در گرفتن فاز و دامنه فشار سیگنال عناصر کلیدی برای ساخت دقیق موتور ثبات پیش بینی.

“این کاهش مرتبه مدل های عملیاتی از گران بالا وفاداری مدل ما با تکیه بر” در حال حاضر Willcox گفت. “آنها ارائه پاسخ به اندازه کافی خوب به راهنمای مهندسین تصمیم گیری های طراحی اما در کسری از زمان.”

چگونه کار می کند ؟ استخراج کاهش مرتبه مدل از داده های آموزشی در روح شبیه است به متعارف یادگیری ماشین. با این حال وجود دارد برخی از تفاوت های کلیدی. درک فیزیک مؤثر بر ثبات یک موتور موشک بسیار مهم است. و این فیزیک پس از آن باید تعبیه شده به کاهش مرتبه مدل های در طول فرآیند آموزش.

“خارج از قفسه-یادگیری ماشین روش سقوط خواهد کرد برای به چالش کشیدن مشکلات در مهندسی و علوم از جمله این چندمقياسی, multiphysics موشک موتور احتراق نرم افزار” Willcox گفت. “فیزیک فقط بیش از حد پیچیده و هزینه تولید آموزش داده است فقط بیش از حد بالا است. علمی یادگیری ماشین ارائه می دهد پتانسیل بیشتری به دلیل آن اجازه می دهد تا یادگیری از داده ها از طریق لنز از فیزیک مبتنی بر مدل. این ضروری است اگر ما به ارائه قوی و نتایج قابل اعتماد.”

tinyurlis.gdv.gdv.htu.nuclck.ruulvis.netshrtco.detny.im