A physics-informed neural network surrogate for multi-band reflection-loss prediction of carbon-fiber-reinforced polymer / Ti-6Al-4V ELI radar absorbing materials for UAV airframe integration

Technische Zusammenfassung: Ein physikinformiertes neuronales Netzwerk-Surrogat zur Vorhersage der Mehrband-Reflexionsverlust-Eigenschaften von CFRP/Ti-6Al-4V ELI RAM

Problemstellung
Das Design von radarabsorbierenden Materialien (RAM) für unbemannte Luftfahrzeuge (UAVs) stützt sich typischerweise auf analytische oder numerische Löser wie die Transfer-Matrix-Methode (TMM), die Finite-Differenzen-Zeitbereichs-Methode (FDTD) oder die Momentenmethode (MoM). Obwohl diese Methoden genau sind, werden sie bei der Untersuchung großer Designräume, die mehrere Frequenzbänder, Einfallswinkel und Materialstärken umfassen, rechenintensiv. Dies ist besonders kritisch für UAVs, bei denen die geringe Sichtbarkeit (Stealth) mit der strukturellen Integrität und den Massenbeschränkungen in Einklang gebracht werden muss. Insbesondere bieten kohlenstofffaserverstärkte Kunststoffe (CFRP) mit einem Rückboden aus dem Luftfahrt-Titan Ti-6Al-4V ELI eine duale Funktion aus tragender Struktur und elektromagnetischer Absorption, aber die Optimierung ihrer Dicke für die Mehrband-Leistung erfordert schnelle, wiederholte Auswertungen, die traditionelle Löser nicht effizient bereitstellen können.

Methodik
Der Autor schlägt ein physikinformiertes neuronales Netzwerk (PINN) als Surrogatmodell vor, um den Reflexionsverlust (RL) eines metallunterstützten CFRP-Absorbers über das Frequenzband von 2–18 GHz und über Transversal-Elektrische (TE) Einfallswinkel von 0–80° vorherzusagen.

1. Datengenerierung: Ein Referenzdatensatz von 6.400 Stichproben wurde mittels einer benutzerdefinierten Python-Implementierung der TMM erstellt. Die Eingangsparameter umfassten die Frequenz ($f$), den Einfallswinkel ($\theta$) und die Absorberdicke ($d$). Das Materialsystem wurde als homogenes magneto-dielektrisches CFRP-Layer über einem perfekten elektrischen Leiter (PEC) modelliert, der den Ti-6Al-4V ELI-Substrat darstellt.
2. Netzwerkarchitektur: Das PINN besteht aus einem Fourier-Feature-Embedding-Layer, gefolgt von einem sechs-schichtigen Multi-Layer-Perzeptron (MLP) mit 256 Neuronen pro verborgener Schicht und Hyperbeltangens-Aktivierungsfunktionen.
   • Mitigation des Spectral Bias: Um den Trend von Standard-MLPs zu begegnen, zuerst niederfrequente Komponenten zu lernen (Spectral Bias), wird der Eingangsraum mittels einer Random-Fourier-Feature-Embedding mit einer Gaußschen Projektionsmatrix angehoben.
   • Physikalische Regularisierung: Die Verlustfunktion enthält explizite physikbasierte Randbedingungen:
     • Monotonie: Erzwingung, dass sich der Reflexionsverlust im absorbierenden Regime mit steigender Frequenz verbessert (negativer wird).
     • Winkelgrenzwert: Erzwingung einer monotonen Degradation der Absorption mit zunehmendem Einfallswinkel für die TE-Polarisation.
     • Glattheit: Tikhonov-Regularisierung, um glatte Gradienten zu gewährleisten.
3. Training: Das Modell wurde mit dem Adam-Optimizer unter Verwendung eines Cosine-Annealing-Lernraten-Schedulers über 600 Epochen auf einem einzelnen CPU-Thread trainiert, wobei die Zeit 42 Sekunden betrug.

Zentrale Beiträge

• Surrogat-Entwicklung: Die Erstellung eines PINN-Surrogats, das eine Genauigkeit im Sub-Dezibel-Bereich gegenüber der analytischen TMM-Baseline erreicht, ohne GPU-Beschleunigung zu erfordern.
• Architektur-Innovation: Die Integration von Random-Fourier-Feature-Embedding mit spezifischen physikalischen Regularisatoren (Monotonie und Winkelbeschränkung), um physikalisch plausible Vorhersagen über den gesamten Parameterraum hinweg zu gewährleisten.
• Mehrband-Optimierung: Nutzung des trainierten Surrogats zur schnellen, exhaustiven Dickenoptimierung über die S-, X- und Ku-Bänder hinweg, um Viertelwellen-Resonanzoptima zu identifizieren.
• Bewertung der strukturellen Integration: Eine quantitative Bewertung des Massenzuwachses, der durch die Integration der optimierten CFRP/Ti-6Al-4V ELI-Bilayer auf MALE-UAV-Flugzellen entsteht.

Ergebnisse

• Genauigkeit: Das Surrogatmodell erreichte einen Root-Mean-Square-Error (RMSE) von 0,22 dB und einen Mean Absolute Error (MAE) von 0,12 dB gegenüber der TMM-Referenz. 95 % der Auswertungspunkte lagen innerhalb einer Fehlermarge von 0,5 dB. Die größten Abweichungen traten nur in Bereichen mit flachen Einfallswinkeln ($\theta > 75^\circ$) auf, in denen die Absorption inhärent schwach ist.
• Effizienz: Der Trainingsprozess dauerte 42 Sekunden auf einer einzelnen CPU. Die Beschleunigung der Inferenz gegenüber einer direkten TMM-Auswertung beträgt etwa das 50-fache, was schnelle parametrische Studien ermöglicht.
• Optimierungsergebnisse: Die Mehrband-Dickenoptimierung identifizierte die folgenden Viertelwellen-Optima für den senkrechten Einfall:
  • S-Band (2–4 GHz): 3,9 mm Dicke ($RL = -4,64$ dB).
  • X-Band (8–12 GHz): 1,9 mm Dicke ($RL = -8,93$ dB).
  • Ku-Band (12–18 GHz): 1,5 mm Dicke ($RL = -11,31$ dB).
• Strukturelle Auswirkungen: Für ein repräsentatives MALE-UAV (MQ-9A Reaper) fügt die Ku-Band-optimierte Beschichtung (1,5 mm) etwa 60,8 kg Masse hinzu, was einem Massenzuwachs von 1,3 % entspricht. Über eine breitere MALE-Klasse hinweg liegt der Zuwachs zwischen 1,5 % und 8,5 %, was der Autor als akzeptabel für radarabsorbierende Varianten erachtet.

Bedeutung und Ansprüche
Die Arbeit positioniert dieses Werk als einen recheneffizienten Pfad für die gekoppelte Material- und Struktur-UAV-Entwicklung. Der Autor behauptet, dass das spezifische Problem der Einzelschicht theoretisch auch über direkte analytische Optimierung lösbar wäre, das vorgeschlagene Surrogat jedoch drei deutliche Vorteile für breitere ingenieurtechnische Anwendungen bietet:

1. Differenzierbarkeit: Das trainierte Netzwerk ist gegenüber allen Eingaben voll differenzierbar, was die analytische Berechnung von Sensitivitäten (z. B. $\partial RL/\partial \theta$) in einem einzigen Backward-Pass ermöglicht, was für Gradienten-basierte Airframe-Optimierungsschleifen essenziell ist.
2. Skalierbarkeit: Die Architektur ist darauf ausgelegt, auf komplexe, analytisch schwer fassbare Probleme (z. B. abgestufte Multilayer-Absorber oder frequenzabhängige Dispersion) skalierbar zu sein, bei denen direkte numerische Löser zu langsam wären.
3. Inverse Design-Fähigkeit: Einmal trainiert, unterstützt das Netzwerk inverse Abfragen, die Zielvorgaben für den Reflexionsverlust zurück auf zulässige Material- oder Dickenkombinationen abbilden.

Die Studie validiert die „Surrogat-zuerst“-Philosophie, indem sie zeigt, dass ein physikinformierter Ansatz eine ingenieurtechnische Genauigkeit (Sub-0,5 dB Fehler) auf Standard-Hardware erreichen kann und somit eine Grundlage für zukünftige multidisziplinäre Designoptimierungs-Frameworks (MDO) schafft, die Stealth und strukturelle Leistung gleichzeitig integrieren.