Pareto-Optimal Hypersonic Vehicle Design with Canonical-Coordinate Neural Operator Surrogates Under Ablation-Driven Shape Change and Incidence Variation

Hochgeschwindigkeitsflüge an der Grenze zum Weltraum stellen Ingenieure vor eine einzigartige und brutale Herausforderung. Wenn sich ein Fahrzeug schneller als das Fünffache der Schallgeschwindigkeit bewegt, wird die Luft vor ihm nicht einfach nur zur Seite gedrängt; sie wird so heftig komprimiert, dass sie sich auf Temperaturen aufheizt, bei denen die Luftmoleküle selbst beginnen, sich aufzuspalten und chemisch zu reagieren. Dies schafft eine komplexe Umgebung, in der die Form des Fahrzeugs, die von ihm erzeugte Hitze und die gegen ihn wirkenden Kräfte in einem empfindlichen Gleichgewicht miteinander verknüpft sind. Das Entwerfen eines Fahrzeugs für dieses Regime erfordert das Finden einer Form, die den Widerstand minimiert, um Treibstoff zu sparen, während sie gleichzeitig die intensive Hitze bewältigen muss, die die Hülle des Raumfahrzeugs zum Schmelzen bringen könnte. Traditionell mussten sich Ingenieure auf leistungsstarke Computersimulationen verlassen, um diese Designs zu testen. Diese Simulationen sind unglaublich genau, aber auch unglaublich langsam und benötigen oft Tage, um einen einzigen Flugzustand zu modellieren. Da dieser Prozess so kostspielig ist, können Designer in der Regel nur eine Handvoll Formen testen, wodurch riesige Möglichkeiten unerschlossen bleiben und man potenziell das beste Design übersieht.

Ein Team von Forschern hat eine neue Methode entwickelt, um diesen Engpass zu umgehen, die es ermöglicht, tausende von Designvariationen in der Zeit zu untersuchen, die früher für die Simulation eines einzigen Flugzustands benötigt wurde. Sie haben eine Art künstliche Intelligenz geschaffen, die als schneller, intelligenter Shortcut für die langsamen Computersimulationen fungiert. Anstatt für jede neue Form oder jeden neuen Flugwinkel die volle, schwere Berechnung durchzuführen, lernt dieses System die zugrunde liegenden Muster davon, wie die Luft strömt und sich aufheizt. Einmal trainiert, kann es das Verhalten eines neuen Designs fast augenblicklich vorhersagen. Die Forscher testeten diesen Ansatz an zwei sehr unterschiedlichen Typen von Hyperschallfahrzeugen: einer Familie von stumpfnasigen Formen, die sich verändern, während die Nase durch Hitze abgetragen wird, und einem spitzen, dreidimensionalen Nurflügler, der auf seiner eigenen Stoßwelle reiten soll. In beiden Fällen sagte das neue System den komplexen Luft- und Wärmefluss mit hoher Genauigkeit voraus und ermöglichte es dem Team, die perfekten Kompromisse zwischen Geschwindigkeit, Auftrieb und Hitzeschutz innerhalb von Minuten auszuarbeiten.

Die Kernschwierigkeit, der die Forscher gegenüberstanden, war, dass sich die Physik des Hyperschallflugs drastisch ändert, je nachdem, wie die Form des Fahrzeugs ist oder in welchem Winkel es fliegt. In einem ihrer Testfälle betrachteten sie eine Familie von stumpfnasigen Formen, bei denen sich der Nasenradius ändert. Wenn die Nase stumpfer oder spitzer wird, ändert sich der gesamte physikalische Raum, durch den die Luft strömt. Ein Standard-Computermodell hätte Schwierigkeiten, diese verschiedenen Formen zu vergleichen, da das Gitter der Punkte, mit denen die Luft gemessen wird, für jedes einzelne Design anders wäre. Um dies zu lösen, erfanden die Forscher eine Methode, um jede unterschiedliche Geometrie in einen einzigen, gemeinsamen Referenzrahmen zu dehnen und umzugestalten. Stellen Sie sich vor, Sie nehmen eine Landkarte eines Landes und dehnen sie so, dass jede Grenze und jede Küstenlinie perfekt mit einem Standardgitter übereben, unabhängig davon, wie das Land tatsächlich aussieht. Durch dies konnten die künstliche Intelligenz die Muster des Luftstroms einmal lernen und sie auf jede Form in der Familie anwenden, selbst auf solche, die sie zuvor noch nie gesehen hatte.

Für den zweiten Testfall, einen dreidimensionalen Nurflügler, blieb die Geometrie gleich, aber die Art und Weise, wie die Luft auf ihn traf, änderte sich, wenn sich das Fahrzeug nach oben oder unten neigte. Wenn sich der Winkel änderte, bewegte sich eine starke Stoßwelle – eine dünne Wand aus komprimierter Luft – über die Oberfläche des Fahrzeugs. Diese wandernde Stoßwelle ist ein großes Problem für Computermodelle, da sie ein scharfes, diskontinuierliches Merkmal ist, das sich mit jeder winzigen Winkeländerung verschiebt. Wenn ein Modell versucht, dies ohne Hilfe zu lernen, neigt es dazu, die Stoßwelle zu verschmieren und eine scharfe Druckwand in einen verschmierten, ungenauen Gradienten zu verwandeln. Die Forscher lösten dies, indem sie das System lehrten, die Position der Stoßwelle zuerst zu erkennen. Sie fügten einen speziellen Schritt hinzu, bei dem das System lernte, exakt vorherzusagen, wo die Stole für einen gegebenen Winkel liegen würde. Es nutzte diese Vorhersage dann, um ein neues Koordinatensystem zu erstellen, das sich mit der Stoßwelle bewegte und die scharfe Kante im Verhältnis zur internen Sicht des Modells an derselben Stelle hielt. Dies ermöglichte es dem System, die scharfen Details der Stoßwelle zu lernen, ohne sie zu verschmieren – eine Leistung, die Standardmodelle nicht erbringen konnten.

Die Ergebnisse dieser Arbeit waren beeindruckend. Für die stumpfnasigen Formen führte das Team einen Durchlauf von über tausend verschiedenen Designs durch, um das beste Gleichgewicht zwischen Widerstand und Hitze zu finden. In der Vergangenheit hätte das Testen so vieler Designs mit traditionellen Simulationen Jahre an Computerzeit beansprucht. Mit ihrer neuen Methode schloss das Team die gesamte Suche in etwa drei Minuten auf einem einzigen Computerprozessor ab. Sie identifizierten zweihundert Designs, die die bestmöglichen Kompromisse boten, wobei die Verbesserung eines Faktors zwangsläufig einen anderen Faktor verschlechterte. Sie fanden heraus, dass sie durch die Akzeptanz eines geringfügig höheren Widerstands die Spitzenheizung an der Nase des Fahrzeugs signifikant reduzieren konnten, eine entscheidende Erkenntnis für den Wärmeschutz. Ähnlich scannten sie für den Nurflügler hunderte verschiedene Flugwinkel, um den optimalen Punkt für die Effizienz zu finden. Sie entdeckten, dass ein spezifischer Winkel einen beträchtlichen Auftriebsschub bei nur einer geringfügigen Belastung der Hitze bot – eine Kombination, die ohne eine solch dichte Untersuchung des Designraums nur schwer zu lokalisieren gewesen wäre.

Die Forscher waren sorgfältig darauf bedacht, aufzuzeigen, wo ihre Methode an ihre Grenzen stieß. Während das System exzellent darin war, die gesamte Hitze vorherzusagen, die auf das Fahrzeug trifft, war es weniger präzise bei der Vorhersage des einzelnen heißesten Punktes auf der Oberfläche. Dies liegt daran, dass der heißeste Punkt ein winziger, lokalisierter Punkt ist, der mit jeder Änderung des Designs von einem kleinen Teil der Oberfläche zu einem anderen springen kann, was es schwieriger macht, ihn festzulegen als die durchschnittliche Hitze über den gesamten Körper. Folglich nutzten sie die gesamte Wärmelast als primäres Ziel für ihre Designentscheidungen und behandelten die Spitzentemperatur als eine sekundäre Überprüfung statt als Haupttreiber. Sie stellten auch fest, dass das System am besten funktioniert, wenn die Designs, die es vorherzusagen wurde, innerhalb des Bereichs der Formen liegen, die es bereits während des Trainings gesehen hat. Wenn es gefragt wurde, Formen vorherzusagen, die weit außerhalb dieses Bereichs lagen, sank die Genauigkeit, obwohl sie stabil genug blieb, um keine wilden Fehler zu machen. Dies deutet darauf hin, dass das Werkzeug am besten dazu geeignet ist, den Raum zwischen bekannten Designs zu explorieren, anstatt völlig neue, ungetestete Geometrien von Grund auf neu zu erfinden.

Letztendlich demonstriert diese Arbeit einen Wandel in der Art und Weise, wie hyperschallgestützte Fahrzeuge konstruiert werden können. Indem sie den langsamen Brute-Force-Ansatz des Durchlaufens von tausenden Simulationen durch ein schnelles, gelerntes Ersatzmodell ersetzen, können Ingenieure nun die gesamte Landschaft der Möglichkeiten sehen. Sie sind nicht mehr gezwungen, nur einige wenige Punkte zu sampeln und zu raten, wo das beste Design liegt. Stattdessen können sie das gesamte Kontinuum der Kompromisse betrachten und genau sehen, wie viel Auftrieb sie für eine spezifische Erhöhung der Hitze gewinnen können oder wie viel Widerstand sie sparen können, indem sie einen etwas anderen Shape akzeptieren. Die Methode ersetzt nicht die Notwendigkeit von High-Fidelity-Simulationen, die weiterhin erforderlich sind, um die endgültigen Entscheidungen zu verifizieren, aber sie ändert die Rolle dieser Simulationen von einem Engpass, der die Exploration einschränkt, hin zu einer abschließenden Kontrolle für die besten Kandidaten. Dies ermöglicht es dem Designprozess, von einem Spiel des Zufalls, bei dem Ingenieure hoffen, zufällig auf ein gutes Design zu stoßen, zu einem Prozess der informierten Auswahl zu werden, bei dem der bestmögliche Kompromiss mit Gewissheit gefunden wird.