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

Résumé Technique : Un réseau de neurones informés par la physique pour la prédiction de la perte de réflexion multi-bandes d'un RAM en CFRP/Ti-6Al-4V ELI

Énoncé du Problème
La conception de matériaux absorbants pour radars (RAM) destinés aux drones (UAV) repose généralement sur des solveurs analytiques ou numériques, tels que la méthode de la matrice de transfert (TMM), la méthode de différence finie dans le domaine temporel (FDTD) ou la méthode des moments (MoM). Bien qu'exactes, ces méthodes deviennent extrêmement coûteuses en calcul lors de l'exploration de vastes espaces de conception impliquant plusieurs bandes de fréquences, des angles d'incidence et des épaisseurs de matériaux. Cela est particulièrement critique pour les drones, où la faible observabilité (furtivité) doit être équilibrée avec l'intégrité structurelle et les contraintes de masse. Plus précisément, les composites en polymère renforcé de fibres de carbone (CFRP) supportés par du titane de qualité aérospatiale Ti-6Al-4V ELI offrent une double fonction de structure porteuse et d'absorption électromagnétique, mais l'optimisation de leur épaisseur pour des performances multi-bandes nécessite des évaluations rapides et répétées que les solveurs traditionnels ne peuvent fournir efficacement.

Méthodologie
L'auteur propose un modèle de substitution basé sur un réseau de neurones informés par la physique (PINN) pour prédire la perte de réflexion (RL) d'un absorbeur en CFRP avec un support métallique à travers une bande de fréquences de 2 à 18 GHz et des angles d'incidence transverses électriques (TE) de 0 à 80°.

1. Génération de Données : Un ensemble de données de référence comprenant 6 400 échantillons a été généré à l'aide d'une implémentation Python personnalisée de la TMM. Les paramètres d'entrée comprenaient la fréquence ($f$), l'angle d'incidence ($\theta$) et l'épaisseur de l'absorbeur ($d$). Le système de matériaux a été modélisé comme une couche de CFRP magnéto-diélectrique homogène sur un conducteur électrique parfait (PEC) représentant le substrat Ti-6Al-4V ELI.
2. Architecture du Réseau : Le PINN se compose d'une couche d'intégration de caractéristiques de Fourier suivie d'un perceptron multicouche (MLP) à six couches avec 256 neurones par couche cachée et des fonctions d'activation tangente hyperbolique.
   • Atténuation du biais spectral : Pour remédier à la tendance des MLP standards à apprendre d'abord les composantes de basse fréquence (biais spectral), l'espace d'entrée est élevé via une intégration de caractéristiques de Fourier aléatoires avec une matrice de projection gaussienne.
   • Régularisation Physique : La fonction de perte inclut des contraintes physiques explicites :
     • Monotonie : Imposer que la perte de réflexion s'améliore (devienne plus négative) avec la fréquence dans le régime d'absorption.
     • Limite Angulaire : Imposer une dégradation monotone de l'absorption avec l'augmentation de l'angle d'incidence pour la polarisation TE.
     • Lissage : Régularisation de Tikhonov pour garantir des gradients lisses.
3. Entraînement : Le modèle a été entraîné avec l'optimiseur Adam et un ordonnancement de taux d'apprentissage par recuit de cosinus sur 600 époques sur un seul thread CPU, se terminant en 42 secondes.

Principales Contributions

• Développement de Substitut : La création d'un substitut PINN qui atteint une précision sub-décibel par rapport à la référence analytique TMM sans nécessiter d'accélération GPU.
• Innovation d'Architecture : L'intégration de l'intégration de caractéristiques de Fourier aléatoires avec des régulariseurs spécifiques basés sur la physique (monotonie et contraintes angulaires) pour garantir des prédictions physiquement plausibles sur l'ensemble de l'espace des paramètres.
• Optimisation Multi-bandes : Utilisation du substitut entraîné pour effectuer une optimisation rapide et exhaustive de l'épaisseur à travers les bandes S, X et Ku afin d'identifier les optima de résonance quart d'onde.
• Évaluation de l'Intégration Structurelle : Une évaluation quantitative de la surcharge de masse requise pour intégrer le revêtement bi-couche CFRP/Ti-6Al-4V ELI optimisé sur des cellules de drones de classe MALE (moyenne altitude, longue endurance).

Résultats

• Précision : Le modèle de substitution a atteint une erreur quadratique moyenne (RMSE) de 0,22 dB et une erreur absolue moyenne (MAE) de 0,12 dB par rapport à la référence TMM. 95 % des points d'évaluation se situaient dans une marge d'erreur de 0,5 dB. Les écarts les plus importants sont survenus uniquement dans les régions d'incidence rasante ($\theta > 75^\circ$) où l'absorption est intrinsèquement faible.
• Efficacité : Le processus d'entraînement a duré 42 secondes sur un seul CPU. L'accélération de l'inférence par rapport à l'évaluation directe par TMM est d'environ 50 fois, permettant des études paramétriques rapides.
• Résultats d'Optimisation : L'optimisation de l'épaisseur multi-bandes a identifié les optima quart d'onde suivants pour une incidence normale :
  • Bande S (2–4 GHz) : Épaisseur de 3,9 mm ($RL = -4,64$ dB).
  • Bande X (8–12 GHz) : Épaisseur de 1,9 mm ($RL = -8,93$ dB).
  • Bande Ku (12–18 GHz) : Épaisseur de 1,5 mm ($RL = -11,31$ dB).
• Impact Structurel : Pour un drone MALE représentatif (MQ-9A Reaper), le revêtement optimisé pour la bande Ku (1,5 mm) ajoute environ 60,8 kg de masse, ce qui représente une surcharge de masse de 1,3 %. Pour une enveloppe plus large de la classe MALE, la surcharge varie de 1,5 % à 8,5 %, ce que l'auteur juge acceptable pour les variantes absorbantes de radars.

Signification et Revendications
L'article positionne ce travail comme une voie de calcul efficace pour la conception couplée de matériaux et de structures de drones. L'auteur affirme que, bien que le problème spécifique de couche unique puisse théoriquement être résolu via une optimisation analytique directe, le substitut proposé offre trois avantages distincts pour des applications d'ingénierie plus larges :

1. Différentiabilité : Le réseau entraîné est entièrement différentiable par rapport à tous les entrées, permettant le calcul analytique des sensibilités (par exemple, $\partial RL/\partial \theta$) en un seul passage arrière, ce qui est essentiel pour les boucles d'optimisation de la cellule de l'avion basées sur le gradient.
2. Évolutivité : L'architecture est conçue pour passer à l'échelle vers des problèmes plus complexes et analytiquement insolubles (par exemple, des absorbeurs multicouches gradués ou une dispersion dépendante de la fréquence) où les solveurs numériques directs seraient trop lents.
3. Capacité de Conception Inverse : Une fois entraîné, le réseau permet des requêtes inverses, associant les spécifications de perte de réflexion ciblées à des combinaisons admissibles de matériaux ou d'épaisseurs.

L'étude valide la philosophie du « substitut d'abord » en démontant qu'une approche informée par la physique peut atteindre une précision de niveau ingénierie (erreur sub-0,5 dB) sur du matériel standard, fournissant ainsi une base pour de futurs cadres d'optimisation de conception multidisciplinaire (MDO) qui intègrent simultanément la furtivité et la performance structurelle.