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

El vuelo de alta velocidad en el borde del espacio presenta un desafío único y brutal para los ingenieros. Cuando un vehículo se desplaza a más de cinco veces la velocidad del sonido, el aire frente a él no simplemente se aparta; se comprime tan violentamente que se calienta a temperaturas donde las propias moléculas de aire comienzan a descomponerse y reaccionar químicamente. Esto crea un entorno complejo donde la forma del vehículo, el calor que genera y las fuerzas que ejercen presión sobre él están entrelazados en un equilibrio delicado. Diseñar un vehículo para este régimen requiere encontrar una forma que minimice la resistencia para ahorrar combustible y, simultáneamente, gestione el intenso calor que podría derretir la piel de la nave. Tradicionalmente, los ingenieros han tenido que confiar en poderosas simulaciones por computadora para probar estos diseños. Estas simulaciones son increíblemente precisas pero también increíblemente lentas, tardando a menudo días en modelar una sola condición de vuelo. Debido a que este proceso es tan costoso, los diseñadores generalmente solo pueden probar un puñado de formas, dejando vastas posibilidades sin explorar y perdiendo potencialmente el mejor diseño posible.

Un equipo de investigadores ha desarrollado un nuevo método para sortear este cuello de botella, permitiendo explorar miles de variaciones de diseño en el tiempo que antes se utilizaba para simular un solo diseño. Crearon un tipo de inteligencia artificial que actúa como un atajo rápido e inteligente para las lentas simulaciones por computadora. En lugar de ejecutar el cálculo completo y pesado para cada nueva forma o ángulo de vuelo, este sistema aprende los patrones subyacentes de cómo fluye el aire y cómo se calienta. Una vez entrenado, puede predecir el comportamiento de un nuevo diseño casi instantáneamente. Los investigadores probaron este enfoque en dos tipos de vehículos hipersónicos muy diferentes: una familia de formas de nariz roma que cambian a medida que la nariz se desgasta por el calor, y un ala volante tridimensional de punta afilada diseñada para viajar sobre su propia onda de choque. En ambos casos, el nuevo sistema predijo con éxito el complejo flujo de aire y calor con alta precisión, permitiendo al equipo mapear los compromisos perfectos entre velocidad, sustentación y protección térmica en cuestión de minutos.

La dificultad central que enfrentaron los investigadores fue que la física del vuelo hipersónico cambia drásticamente dependiendo de la forma del vehículo o del ángulo en el que vuela. En uno de sus casos de prueba, analizaron una familia de formas de nariz roma donde el radio de la nariz cambia. A medida que la nariz se vuelve más roma o más afilada, todo el espacio físico por el que fluye el aire cambia de forma. Un modelo computacional estándar tendría dificultades para comparar estas diferentes formas porque la rejilla de puntos utilizada para medir el aire sería diferente para cada diseño. Para resolver esto, los investigadores inventaron una forma de estirar y remodelar cada geometría diferente en un único marco de referencia común. Imagine tomar el mapa de un país y estirarlo de modo que cada frontera y línea costera se alinee perfectamente con una cuadrícula estándar, independientemente de la apariencia real del país. Al hacer esto, la inteligencia artificial pudo aprender los patrones del flujo de aire una sola vez y aplicarlos a cualquier forma de la familia, incluso a aquellas que nunca había visto antes.

Para el segundo caso de prueba, un ala volante tridimensional, la geometría permanecía constante, pero la forma en que el aire la golpeaba cambiaba a medida que el vehículo se inclinaba hacia arriba o hacia abajo. A medida que el ángulo cambiaba, una poderosa onda de choque —una delgada pared de aire comprimido— se desplazaba a través de la superficie del vehículo. Esta onda de choque móvil es un problema importante para los modelos computacionales porque es una característica aguda y discontinua que se desplaza de posición con cada pequeño cambio de ángulo. Si un modelo intenta aprender esto sin ayuda, tiende a difuminar la onda de choque, convirtiendo una pared nítida de presión en un gradiente difuso e inexacto. Los investigadores resolvieron esto enseñando al sistema a reconocer primero la posición de la onda de choque. Añadieron un paso especial donde el sistema aprendió a predecir exactamente dónde estaría la onda de choque para cualquier ángulo dado. Luego, utilizó esta predicción para crear un nuevo sistema de coordenadas que se moviera con la onda de choque, manteniendo el borde afilado en el mismo lugar relativo a la visión interna del modelo. Esto permitió al sistema aprender los detalles nítidos de la onda de choque sin difuminarlos, una hazaña que los modelos estándar no pudieron lograr.

Los resultados de este trabajo fueron sorprendentes. Para las formas de nariz roma, el equipo realizó un barrido de más de mil diseños diferentes para encontrar el mejor equilibrio entre resistencia y calor. En el pasado, probar esta cantidad de diseños con simulaciones tradicionales habría tomado años de tiempo computacional. Usando su nuevo método, el equipo completó toda la búsqueda en aproximadamente tres minutos en un solo procesador de computadora. Identificaron doscientos diseños que ofrecían los mejores compromisos posibles, donde mejorar un factor inevitablemente empeoraba otro. Descubrieron que, al aceptar un pequeño aumento en la resistencia, podían reducir significamente el calentamiento máximo en la nariz del vehículo, un conocimiento crucial para la protección térmica. Del mismo modo, para el ala volante, escanearon cientos de diferentes ángulos de vuelo para encontrar el punto óptimo de eficiencia. Descubrieron que un ángulo específico ofrecía un aumento sustancial en la sustentación con solo una penalización menor en la carga térmica, una combinación que habría sido difícil de precisar sin una exploración tan densa del espacio de diseño.

Los investigadores fueron cuidadosos al señalar dónde tenía límites su método. Si bien el sistema fue excelente prediciendo la cantidad total de calor que golpeaba al vehículo, fue menos preciso al predecir el punto más caliente individual en la superficie. Esto se debe a que el punto más caliente es un punto diminuto y localizado que puede saltar de un parche minúsculo de la superficie a otro a medida que el diseño cambia, lo que lo hace más difícil de localizar que el calor promedio sobre todo el cuerpo. Consecuentemente, utilizaron la carga térmica total como el objetivo principal para sus elecciones de diseño, tratando la temperatura máxima como una verificación secundaria en lugar del motor principal. También descubrieron que el sistema funcionaba mejor cuando los diseños que se le pedía predecir estaban dentro del rango de formas que ya había visto durante el entrenamiento. Cuando se le pidió predecir formas que estaban muy fuera de ese rango, la precisión disminuyó, aunque se mantuvo lo suficientemente estable como para evitar errores salvajes. Esto sugiere que la herramienta es mejor para explorar el espacio entre los diseños conocidos en lugar de inventar geometrías completamente nuevas y no probadas desde cero.

En última instancia, este trabajo demuestra un cambio en la forma en que se pueden diseñar los vehículos hipersónicos. Al reemplazar el enfoque lento y de fuerza bruta de ejecutar miles de simulaciones con un modelo sustituto rápido y aprendido, los ingenieros ahora pueden ver el panorama completo de las posibilidades. Ya no están obligados a muestrear solo unos pocos puntos y adivinar dónde se encuentra el mejor diseño. En cambio, pueden visualizar todo el continuo de compensaciones, viendo exactamente cuánto aumento de sustentación pueden obtener por un aumento específico de calor, o cuánta resistencia pueden ahorrar aceptando una forma ligeramente diferente. El método no reemplaza la necesidad de simulaciones de alta fidelidad, que aún son necesarias para verificar las elecciones finales, pero cambia el papel de esas simulaciones de ser un cuello de botella que limita la exploración a ser un control final para los mejores candidatos. Esto permite que el proceso de diseño pase de ser un juego de azar, donde los ingenieros esperan tropezar con un buen diseño, a un proceso de selección informada, donde se encuentra con certeza el mejor compromiso posible.