Component-Based Reduced-Order Modeling Framework for Rocket Combustion Dynamics in Multi-Injector Configurations

Este trabajo presenta un marco de modelado de orden reducido basado en componentes (CBROM) que descompone geométricamente motores cohete de gran escala en subdominios representativos para entrenar modelos individuales eficientes y acoplarlos posteriormente, logrando así simulaciones precisas y de bajo costo de la dinámica de combustión en configuraciones multiinyector.

Lo esencial

Imagina que quieres diseñar el motor de un cohete gigante. Para hacerlo bien, necesitas entender cómo se comporta el fuego, el gas y el sonido dentro de ese motor. El problema es que simular esto en una computadora es como intentar predecir el clima de todo el planeta con un solo termómetro: requiere una cantidad de poder de cómputo tan enorme que ni las supercomputadoras más rápidas pueden hacerlo en un tiempo razonable.

Los autores de este artículo, Brody Gatza y Cheng Huang, han creado una solución inteligente. Llaman a su método CBROM (Modelado de Orden Reducido Basado en Componentes). Aquí te explico cómo funciona usando analogías sencillas:

1. El Problema: El "Rompecabezas" Demasiado Grande

Imagina que el motor del cohete es un rompecabezas gigante de 10,000 piezas. Para entender cómo funciona, normalmente tendrías que armar todo el rompecabezas y estudiarlo pieza por pieza. En el mundo de las computadoras, esto significa hacer una simulación ultra-detalada de todo el motor a la vez. Es tan costoso que tardaría años en completarse.

2. La Solución: Desarmar el Rompecabezas

En lugar de estudiar el motor entero de una sola vez, los autores lo "desarmaron" en piezas más pequeñas y manejables.

• La Analogía: Imagina que el motor tiene 7 inyectores (las boquillas que rocían el combustible) y una cámara de combustión con una tobera (la salida). En lugar de estudiar los 7 inyectores y la cámara juntos, dividen el problema en tres tipos de piezas:
  1. Los inyectores que están pegados a la pared.
  2. Los inyectores que están en el medio.
  3. La parte de atrás (la cámara y la salida).

3. Entrenar a los "Expertos" (Los Modelos)

Ahora, en lugar de entrenar a un solo experto para todo el motor, entrenan a tres expertos especializados:

• El experto en inyectores de pared: Aprende cómo se comporta el fuego solo en esa zona.
• El experto en inyectores centrales: Aprende su comportamiento específico.
• El experto en la cámara trasera: Aprende cómo fluyen los gases después de que salen de los inyectores.

El truco genial: Para entrenar a estos expertos, no necesitan simular el motor gigante. Solo simulan una versión pequeña y simplificada de su propia pieza. Es como si quisieras aprender a cocinar una pizza; no necesitas tener un restaurante entero, solo necesitas una cocina pequeña para practicar. Esto ahorra una cantidad inmensa de tiempo y energía.

4. Unir a los Expertos (El Ensamblaje)

Una vez que estos tres "expertos" (modelos matemáticos) están listos, los unen de nuevo.

• La Analogía: Imagina que tienes a tres actores muy talentosos que saben exactamente cómo actuar sus escenas individuales. Cuando los pones en el mismo escenario, se comunican entre ellos (intercambian información sobre presión y temperatura en los bordes) para crear la obra de teatro completa (el motor funcionando).
• Lo increíble es que si quieres cambiar algo (por ejemplo, apagar uno de los inyectores o hacer la boquilla más larga), no tienes que volver a entrenar a todos desde cero. Solo le dices al experto afectado: "Oye, ahora la situación es un poco diferente", y su modelo se adapta automáticamente gracias a una tecnología llamada "adaptativa".

5. ¿Qué lograron?

Probaron su método en un motor con 7 inyectores que tiene un comportamiento muy inestable y caótico (como un fuego que salta y vibra).

• Precisión: Sus modelos predijeron con mucha exactitud cómo cambiaría el motor si apagaban ciertos inyectores o si cambiaban la forma de las boquillas.
• Velocidad: ¡El resultado más impresionante! Su método fue 7.7 veces más rápido que la simulación tradicional completa.

En Resumen

Los autores crearon una forma de estudiar motores de cohetes gigantes dividiéndolos en piezas pequeñas, entrenando modelos inteligentes para cada pieza por separado (usando computadoras normales) y luego uniendo esos modelos para ver el motor completo.

Es como si, en lugar de intentar predecir el tráfico de toda una ciudad de un solo golpe, aprendieras a predecir el tráfico en una sola intersección, luego en otra, y luego unieras esas predicciones para entender el tráfico de toda la ciudad. Esto permite a los ingenieros diseñar motores más seguros y eficientes mucho más rápido y barato.

Resumen técnico

Aquí presento un resumen técnico detallado del artículo en español, estructurado según los puntos solicitados:

Título: Marco de Modelado de Orden Reducido Basado en Componentes para la Dinámica de Combustión de Cohetes en Configuraciones de Multi-Inyectores

1. El Problema

La simulación de alta fidelidad (como la Simulación de Grandes Remolinos o LES) de motores de cohetes a gran escala sigue siendo computacionalmente prohibitiva, incluso con las capacidades de supercomputación más avanzadas.

• Costo Computacional: Una simulación de alta fidelidad de un motor completo (con cientos de inyectores) requeriría más de $10^{10}$ horas de CPU, lo cual es inalcanzable para el diseño iterativo de motores que requiere múltiples evaluaciones paramétricas.
• Limitaciones de los Modelos Actuales:
  • Los modelos de fidelidad reducida (RFM) simplifican la física (mallas más gruesas, cinética química simplificada), lo que a menudo compromete la precisión en dinámicas sensibles como la combustión.
  • Los modelos de orden reducido (ROM) basados en aprendizaje automático (ML) carecen a menudo de consistencia física inherente, generalización fuera de los datos de entrenamiento y requieren grandes conjuntos de datos de alta fidelidad.
  • Los métodos de reducción de orden (MOR) tradicionales basados en proyección requieren datos de alta fidelidad del sistema completo para entrenar, lo cual es imposible de obtener para motores a gran escala.

2. Metodología

Los autores proponen un marco de Modelado de Orden Reducido Basado en Componentes (CBROM) que descompone geométricamente el dominio del motor en componentes representativos para entrenar modelos individuales y luego acoplarlos.

• Descomposición del Dominio:

  • Se divide el motor en tres tipos de componentes: (1) Inyectores adyacentes a la pared, (2) Inyectores interiores y (3) La sección aguas abajo (cámara de combustión y tobera).
  • Se asume que los componentes interiores son geométricamente idénticos y los de pared son simétricos, permitiendo entrenar solo tres ROMs de referencia.

• Estrategias de Entrenamiento (Offline):

  • Para Inyectores: Se utiliza una estrategia de geometría reducida. Se simulan configuraciones pequeñas que incluyen el inyector de referencia y componentes auxiliares (con regiones de amortiguación) para capturar las interacciones fuertes entre inyectores sin simular todo el motor.
  • Para la Sección Aguas Abajo: Se utiliza una estrategia de geometría completa, pero con una innovación clave: los inyectores aguas arriba se modelan utilizando los ROMs de inyectores ya entrenados, mientras que la cámara y la tobera se modelan con el modelo de orden completo (FOM). Esto evita la necesidad de simular el motor completo con FOM para obtener datos de entrenamiento.

• Técnica de Reducción de Orden (Adaptive MOR):

  • Se emplea una formulación adaptativa que utiliza Mínimos Cuadrados que Preservan la Forma del Modelo con Transformación de Variables (MP-LSVT).
  • Se integra la Reducción Hiper-Reducida (Hyper-Reduction) mediante el Método de Interpolación Empírica Discreta (DEIM) para evaluar solo un subconjunto de puntos de la residual no lineal.
  • Adaptabilidad: El marco actualiza dinámicamente la base de proyección (POD) y los puntos de muestreo durante la simulación en línea (online) para adaptarse a la física evolutiva y no estacionaria de la combustión, superando la barrera de la anchura de Kolmogorov.

• Acoplamiento (Online):

  • Los ROMs de los componentes se acoplan mediante un método de coincidencia directa de flujos (direct flux matching) mediante la asignación de celdas fantasma (ghost cells) en las interfaces, asegurando el intercambio preciso de información y permitiendo fenómenos complejos como flujos reversos.

3. Contribuciones Clave

1. Marco CBROM Escalable: Demostración de un marco capaz de simular motores de cohetes a gran escala descomponiéndolos en componentes, eliminando la necesidad de datos de alta fidelidad del sistema completo para el entrenamiento.
2. Estrategia de Entrenamiento Híbrida: Desarrollo de una metodología donde los ROMs de inyectores se entrenan en geometrías reducidas y el ROM de la cámara se entrena utilizando los propios ROMs de inyectores, reduciendo drásticamente el costo de generación de datos.
3. Capacidad Paramétrica y Geométrica: El marco permite realizar simulaciones paramétricas (cambios en condiciones de operación) y geométricas (cambios en el diseño de inyectores) sin necesidad de reentrenar los modelos, gracias a la formulación adaptativa y la mapeo de bases POD.
4. Validación en Dinámica de Combustión Compleja: Aplicación exitosa a un caso de inestabilidad de combustión autoexcitada en un motor de 7 inyectores, un problema altamente no lineal y difícil de modelar.

4. Resultados

El marco se evaluó utilizando un motor de cohetes de 2D con 7 inyectores bajo cuatro escenarios:

1. Caso Base: Condiciones operativas nominales.
2. Apagado de Inyector Central: Simulación de fallo en un inyector.
3. Apagado Múltiple: Fallo en el inyector central y uno de pared.
4. Variación Geométrica: Alargamiento del receso de los inyectores de pared en un 50%.

Hallazgos Principales:

• Precisión: El CBROM reprodujo con alta fidelidad los resultados del FOM en tres métricas clave:
  • Espectros DMD: Capturó con precisión los cambios en las frecuencias dominantes y las amplitudes de los modos acústicos (desplazamiento a frecuencias más bajas y amplitudes más altas al apagar inyectores).
  • Campos Promedio en el Tiempo: Predijo correctamente la penetración de reactantes fríos y las zonas de recirculación.
  • Campos RMS (Raíz Cuadrática Media): Capturó la intensidad de las fluctuaciones de temperatura y la asimetría inducida por el apagado de inyectores.
• Adaptabilidad Geométrica: El marco logró modelar con éxito el alargamiento del receso del inyector reutilizando la base POD existente y adaptándola, sin necesidad de generar nuevos datos de entrenamiento de alta fidelidad.
• Aceleración Computacional: El marco CBROM logró una aceleración de aproximadamente 7.7x en tiempo de cálculo en comparación con la simulación FOM completa, manteniendo la precisión física.

5. Significado

Este trabajo representa un avance significativo hacia la viabilidad del diseño de motores de cohetes de próxima generación y motores de detonación rotativa (RDRE).

• Viabilidad de Diseño: Hace posible realizar estudios paramétricos y de optimización que antes eran imposibles debido al costo computacional.
• Precisión Física: A diferencia de los modelos puramente basados en datos o simplificaciones físicas excesivas, el CBROM mantiene la consistencia física al integrar las ecuaciones diferenciales parciales (PDEs) en la reducción de orden.
• Escalabilidad: La metodología demuestra que es posible modelar sistemas complejos a gran escala descomponiéndolos, lo que abre la puerta a la simulación de motores con cientos de inyectores y configuraciones 3D completas en el futuro.

En resumen, el marco CBROM ofrece un equilibrio óptimo entre fidelidad física, costo computacional y flexibilidad paramétrica, superando las limitaciones actuales de la simulación de dinámica de combustión en propulsión aeroespacial.