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

Resumen Técnico: Un Modelo Sustituto de Red Neuronal Informada por la Física para la Predicción de Pérdida de Reflexión Multibanda de CFRP/Ti-6Al-4V ELI RAM

Planteamiento del Problema
El diseño de Materiales Absorbentes de Radar (RAM) para Vehículos Aéreos No Tripulados (UAV) depende típicamente de resolvedores analíticos o numéricos, tales como el Método de la Matriz de Transferencia (TMM), el Método de Diferencias Finitas en el Dominio del Tiempo (FDTD) o el Método de Momentos (MoM). Aunque son precisos, estos métodos se vuelven computacionalmente pesados cuando se exploran grandes espacios de diseño que involucran múltiples bandas de frecuencia, ángulos de incidencia y espesores de material. Esto es particularmente crítico para los UAV, donde la baja observabilidad (sigilo) debe equilibrarse con la integridad estructural y las restricciones de masa. Específicamente, los compuestos de Polímero Reforzado con Fibra de Carbono (CFRP) respaldados por titanio de grado aeroespacial Ti-6Al-4V ELI ofrecen una función dual de estructura de carga y absorción electromagnética, pero la optimización de su espesor para un rendimiento multibanda requiere evaluaciones rápidas y repetidas que los resolvedores tradicionales no pueden proporcionar de manera eficiente.

Metodología
El autor propone un modelo sustituto de Red Neuronal Informada por la Física (PINN) para predecir la Pérdida de Reflexión (RL) de un absorbente de CFRP con respaldo metálico a través de la banda de frecuencia de 2 a 18 GHz y ángulos de incidencia Transversal-Eléctrica (TE) de 0 a 80°.

1. Generación de Datos: Se generó un conjunto de datos de referencia de 6,400 muestras utilizando una implementación personalizada en Python del TMM. Los parámetros de entrada incluyeron frecuencia ($f$), ángulo de incidencia ($\theta$) y espesor del absorbente ($d$). El sistema de material se modeló como una capa de CFRP magneto-dieléctrica homogénea sobre un Conductor Eléctrico Perfecto (PEC) que representa el sustrato de Ti-6Al-4V ELI.
2. Arquitectura de la Red: La PINN consiste en una capa de incrustación de características de Fourier seguida de un Perceptrón Multicapa (MLP) de seis capas con 256 neuronas por capa oculta y activaciones de tangente hiperbólica.
   • Mitigación del Sesgo Espectral: Para abordar la tendencia de los MLP estándar a aprender primero los componentes de baja frecuencia (sesgo espectral), el espacio de entrada se eleva mediante una incrustación de características de Fourier aleatorias con una matriz de proyección Gaussiana.
   • Regularización Física: La función de pérdida incluye restricciones explícitas basadas en la física:
     • Monotonicidad: Forzar que la pérdida de reflexión mejore (se vuelva más negativa) con la frecuencia en el régimen de absorción.
     • Límite Angular: Forzar la degradación monotónica de la absorción con el aumento del ángulo de incidencia para la polarización TE.
     • Suavidad: Regularización de Tikhonov para asegurar gradientes suaves.
3. Entrenamiento: El modelo fue entrenado con el optimizador Adam con un programador de tasa de aprendizaje de recocido de coseno (cosine annealing) durante 600 épocas en un solo hilo de CPU, completándose en 42 segundos.

Contribuciones Clave

• Desarrollo del Sustituto: La creación de un sustituto PINN que logra una precisión de sub-decibelios contra la línea base analítica del TMM sin requerir aceleración por GPU.
• Innovación de Arquitectura: La integración de la incrustación de características de Fourier aleatorias con regularizadores físicos específicos (monotonicidad y restricciones angulares) para asegurar predicciones físicamente plausibles en todo el espacio de parámetros.
• Optimización Multibanda: Utilización del sustituto entrenado para realizar una optimización exhaustiva y rápida del espesor a través de las bandas S, X y Ku para identificar los óptimos de resonancia de cuarto de onda.
• Evaluación de Integración Estructural: Una evaluación cuantitativa de la sobrecarga de masa requerida para integrar el revestimiento bicapa de CFRP/Ti-6Al-4V ELI en estructuras de aeronaves UAV de media altitud y largo alcance (MALE).

Resultados

• Precisión: El modelo sustituto logró un Error Cuadrático Medio (RMSE) de 0.22 dB y un Error Absoluto Medio (MAE) de 0.12 dB contra la referencia TMM. El 95% de los puntos de evaluación se situaron dentro de un margen de error de 0.5 dB. Las mayores desviaciones ocurrieron solo en las regiones de incidencia rasante ($\theta > 75^\circ$) donde la absorción es inherentemente débil.
• Eficiencia: El proceso de entrenamiento tomó 42 segundos en un solo hilo de CPU. La aceleración de inferencia sobre la evaluación directa de TMM es de aproximadamente 50 veces, lo que permite estudios paramétricos rápidos.
• Resultados de Optimización: La optimización del espesor multibanda identificó los siguientes óptimos de cuarto de onda para incidencia normal:
  • Banda S (2–4 GHz): Espesor de 3.9 mm ($RL = -4.64$ dB).
  • Banda X (8–12 GHz): Espesor de 1.9 mm ($RL = -8.93$ dB).
  • Banda Ku (12–18 GHz): Espesor de 1.5 mm ($RL = -11.31$ dB).
• Impacto Estructural: Para un UAV MALE representativo (MQ-9A Reaper), el revestimiento optimizado para la banda Ku (1.5 mm) añade aproximadamente 60.8 kg de masa, resultando en una sobrecarga de masa del 1.3%. A través de un envolvente más amplio de la clase MALE, la sobrecarga oscila entre el 1.5% y el 8.5%, lo cual el autor considera aceptable para variantes de absorción de radar.

Significancia y Reivindicaciones
El artículo posiciona este trabajo como una vía computacionalmente eficiente para el diseño acoplado de materiales y estructuras de UAV. El autor afirma que, si bien el problema específico de una sola capa podría teóricamente resolverse mediante la optimización analítica directa, el sustituto propuesto ofrece tres ventajas distintas para aplicaciones de ingeniería más amplias:

1. Diferenciabilidad: La red entrenada es totalmente diferenciable con respecto a todas las entradas, lo que permite el cálculo analítico de sensibilidades (por ejemplo, $\partial RL/\partial \theta$) en una sola pasada hacia atrás (backward pass), lo cual es esencial para los bucles de optimización de aire de gradiente basado.
2. Escalabilidad: La arquitectura está diseñada para escalar a problemas complejos e intratables analíticamente (por ejemplo, absorbentes multicapa graduados o dispersión dependiente de la frecuencia) donde los resolvedores numéricos directos serían demasiado lentos.
3. Capacidad de Diseño Inverso: Una vez entrenada, la red soporta consultas inversas, mapeando las especificaciones de pérdida de reflexión objetivo de vuelta a combinaciones admisibles de material o espesor.

El estudio valida la filosofía de "sustituto primero" al demostrar que un enfoque informado por la física puede lograr una precisión de grado de ingeniería (error de sub-0.5 dB) en hardware estándar, proporcionando una base para futuros marcos de optimización de diseño multidisciplinario (MDO) que integren simultáneamente el sigilo y el rendimiento estructural.