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

अंतरिक्ष के किनारे पर उच्च-गति वाली उड़ान इंजीनियरों के लिए एक अनूठी और क्रूर चुनौती पेश करती है। जब कोई वाहन ध्वनि की गति से पांच गुना अधिक तेज चलता है, तो उसके सामने की हवा केवल एक तरफ नहीं हटती; यह इतनी हिंसक रूप से दब जाती है कि तापमान इतना बढ़ जाता है जहाँ हवा के अणु स्वयं टूटने लगते हैं और रासायनिक रूप से प्रतिक्रिया करने लगते हैं। यह एक जटिल वातावरण बनाता है जहाँ वाहन का आकार, उससे उत्पन्न ऊष्मा और उस पर लगने वाले बल, सभी एक नाजुक संतुलन में बंधे होते हैं। इस श्रेणी के लिए एक वाहन डिजाइन करने के लिए एक ऐसा आकार ढूंढना आवश्यक है जो ईंधन बचाने के लिए ड्रैग (कर्षण) को कम करे और साथ ही उस तीव्र ऊष्मा को प्रबंधित करे जो शिल्प की त्वचा को पिघला सकती है। पारंपरिक रूप से, इंजीनियरों को इन डिजाइनों का परीक्षण करने के लिए शक्तिशाली कंप्यूटर सिमुलेशन पर निर्भर रहना पड़ता था। ये सिमुलेशन अविश्वसनीय रूप से सटीक होते हैं लेकिन बहुत धीमे भी होते हैं, अक्सर एक एकल उड़ान स्थिति को मॉडल करने में कई दिन लग जाते हैं। क्योंकि यह प्रक्रिया इतनी महंगी है, इसलिए डिजाइनर आमतौर पर केवल कुछ ही आकारों का परीक्षण कर पाते हैं, जिससे विशाल संभावनाएँ अनछूती रह जाती हैं और संभावित रूप से सबसे अच्छा डिज़ाइन छूट सकता है।

शोधकर्ताओं की एक टीम ने इस बाधा को दूर करने के लिए एक नई विधि विकसित की है, जो उन्हें एक एकल सिमुलेशन में लगने वाले समय में हजारों डिजाइन विविधताओं को खोजने की अनुमति देती है। उन्होंने एक प्रकार का कृत्रिम बुद्धिमत्ता (AI) बनाया है जो धीमी कंप्यूटर सिमुलेशन के लिए एक तेज़, बुद्धिमान शॉर्टकट के रूप में कार्य करता है। हर नए आकार या उड़ान कोण के लिए पूर्ण, भारी गणना चलाने के बजाय, यह प्रणाली वायु प्रवाह और ऊष्मा के अंतर्निहित पैटर्न को सीख लेती है। प्रशिक्षित होने के बाद, यह किसी नए डिजाइन के व्यवहार की भविष्यवाणी लगभग तुरंत कर सकती है। शोधकर्ताओं ने इस दृष्टिकोण का परीक्षण दो बहुत अलग प्रकार के हाइपरसोनिक वाहनों पर किया: एक कुंद-नाक (blunt-nosed) वाले आकारों का परिवार जो गर्मी के कारण नाक के घिसने से बदलते हैं, और एक तीखा, तीन-आयामी फ्लाइंग विंग जिसे अपने स्वयं के शॉकवेव (आघात तरंग) पर सवारी करने के लिए डिज़ाइन किया गया है। दोनों मामलों में, नई प्रणाली ने वायु और ऊष्मा के जटिल प्रवाह को उच्च सटीकता के साथ सफलतापूर्वक अनुमानित किया, जिससे टीम को गति, लिफ्ट और ताप सुरक्षा के बीच के आदर्श तालमेल को मिनटों में मैप करने में मदद मिली।

मुख्य कठिनाई जो शोधकर्ताओं को सामना करनी पड़ी वह यह थी कि हाइपरसकीले उड़ान का भौतिक विज्ञान वाहन के आकार या उसके उड़ने के कोण के आधार पर नाटकीय रूप से बदल जाता है। उनके एक परीक्षण मामले में, उन्होंने कुंद-नाक वाले आकारों के एक परिवार को देखा जहाँ नाक की त्रिज्या बदलती है। जैसे-जैसे नाक अधिक कुंद या तीखी होती है, वह संपूर्ण भौतिक स्थान जिससे हवा प्रवाहित होती है, अपना आकार बदल लेता है। एक मानक कंप्यूटर मॉडल इन विभिन्न आकारों की तुलना करने में संघर्ष करेगा क्योंकि हवा को मापने के लिए उपयोग किया जाने वाला बिंदुओं का ग्रिड हर डिजाइन के लिए अलग होगा। इसे हल करने के लिए, शोधकर्ताओं ने प्रत्येक अलग ज्यामिति को एक एकल, सामान्य संदर्भ ढांचे (reference frame) में खींचने और पुनर्गठित करने का एक तरीका ईजाद किया। कल्पना कीजिए कि आप किसी देश के मानचित्र को इस तरह खींचते हैं कि हर सीमा और तटरेखा एक मानक ग्रिड के साथ पूरी तरह से संरेखित हो जाए, चाहे उस देश का वास्तविक आकार कैसा भी हो। ऐसा करके, कृत्रिम बुद्धिमत्ता एक बार वायु प्रवाह के पैटर्न को सीख सकती थी और उसे किसी भी आकार पर लागू कर सकती थी, यहाँ तक कि उन आकारों पर भी जिन्हें उसने पहले कभी नहीं देखा था।

दूसरे परीक्षण मामले के लिए, एक तीन-आयामी फ्लाइंग विंग के लिए, ज्यामिति स्थिर रही, लेकिन हवा जिस तरह से टकराती है वह वाहन के ऊपर-नीचे झुकने से बदल गई। जैसे-जैसे कोण बदलता है, एक शक्तिशाली शॉकवेव—संपीमित हवा की एक पतली दीवार—वाहन की सतह पर चलती है। यह चलती हुई शॉकवेव कंप्यूटर मॉडल के लिए एक बड़ी समस्या है क्योंकि यह एक तीखी, असंतत विशेषता है जो कोण में हर सूक्ष्म परिवर्तन के साथ अपनी स्थिति बदल लेती है। यदि कोई मॉडल बिना सहायता के इसे सीखने की कोशिश करता है, तो यह शॉकवेव को धुंधला कर देता है, जिससे दबाव की एक तीखी दीवार एक फैले हुए, गलत ग्रेडिएंट में बदल जाती है। शोधकर्ताओं ने इस समस्या को हल करने के लिए सिस्टम को पहले शॉकवेव की स्थिति को पहचानना सिखाया। उन्होंने एक विशेष चरण जोड़ा जहाँ सिस्टम ने किसी भी दिए गए कोण के लिए शॉकवेव कहाँ होगी, इसकी सटीक भविष्यवाणी करना सीखा। फिर इसने इस भविष्यवाणी का उपयोग एक नया समन्वय तंत्र (coordinate system) बनाने के लिए किया जो शॉकवेव के साथ चलता है, जिससे मॉडल के आंतरिक दृश्य के सापेक्ष तीखी धार हमेशा एक ही स्थान पर बनी रहती है। इसने सिस्टम को शॉकवेव के तीखे विवरणों को धुंधला किए बिना सीखने की अनुमति दी, जो एक ऐसी उपलब्धि है जिसे मानक मॉडल प्राप्त नहीं कर सकते थे।

इस कार्य के परिणाम आश्चर्यजनक थे। कुंद-नाक वाले आकारों के लिए, टीम ने ड्रैग और ऊष्मा के बीच सबसे अच्छा संतुलन खोजने के लिए एक हजार से अधिक विभिन्न डिजाइनों का सर्वेक्षण किया। अतीत में, पारंपरिक सिमुलेशन के साथ इतने डिजाइनों का परीक्षण करने में कंप्यूटर समय के कई वर्ष लग जाते। अपने नए तरीके का उपयोग करते हुए, टीम ने एक एकल कंप्यूटर प्रोसेसर पर लगभग तीन मिनट में पूरी खोज पूरी कर ली। उन्होंने दो सौ ऐसे डिजाइनों की पहचान की जो सर्वोत्तम संभव तालमेल प्रदान करते थे, जहाँ एक कारक को सुधारने से अनिवार्य रूप से दूसरा कारक बिगड़ जाता है। उन्होंने पाया कि ड्रैग में थोड़ी वृद्धि स्वीकार करके, वे वाहन की नाक पर चरम ऊष्मा को काफी कम कर सकते हैं, जो थर्मल सुरक्षा के लिए एक महत्वपूर्ण अंतर्दृष्टि है। इसी तरह, फ्लाइंग विंग के लिए, उन्होंने दक्षता के लिए सैकड़ों अलग-अलग उड़ान कोणों को स्कैन किया। उन्होंने पाया कि एक विशिष्ट कोण ने दक्षता में उल्लेखनीय वृद्धि दी जबकि ऊष्मा भार में बहुत मामूली वृद्धि हुई, एक ऐसा संयोजन जिसे इतने सघन अन्वेषण के बिना पहचानना कठिन होता।

शोधकर्ताओं ने सावधानीपूर्वक उन सीमाओं को भी नोट किया जहाँ उनकी विधि सीमित थी। हालांकि सिस्टम वाहन पर लगने वाली कुल ऊष्मा की मात्रा का अनुमान लगाने में उत्कृष्ट था, लेकिन यह सतह पर एक एकल सबसे गर्म बिंदु की भविष्यवाणी करने में कम सटीक था। ऐसा इसलिए है क्योंकि सबसे गर्म बिंदु एक अत्यंत स्थानीयकृत बिंदु है जो डिजाइन बदलने के साथ सतह के एक छोटे से हिस्से से दूसरे हिस्से में कूद सकता है, जिससे इसे पकड़ना पूरे शरीर की औसत ऊष्मा की तुलना में कठिन हो जाता है। फलस्वरूप, उन्होंने अपने डिजाइन विकल्पों के लिए प्राथमिक लक्ष्य के रूप में कुल ऊष्मा भार का उपयोग किया, और चरम तापमान को मुख्य चालक के बजाय एक माध्यमिक जांच के रूप में माना। उन्होंने यह भी पाया कि सिस्टम तब सबसे अच्छा काम करता है जब उसे जिन डिजाइनों की भविष्यवाणी करने के लिए कहा जाता है, वे उसके प्रशिक्षण के दौरान देखे गए आकारों की सीमा के भीतर होते हैं। जब इसे उस सीमा से बहुत बाहर के आकारों की भविष्यवाणी करने के लिए कहा गया, तो सटीकता में गिरावट आई, हालांकि यह बड़े एरर से बचने के लिए पर्याप्त स्थिर रही। यह सुझाव देता है कि यह उपकरण पूरी तरह से नए, अनछुए ज्यामितीय आकारों को बनाने के बजाय, ज्ञात डिजाइनों के बीच के स्थान का पता लगाने के लिए सबसे अच्छा है।

अंततः, यह कार्य इस बात का प्रदर्शन करता है कि हाइपरसोनिक वाहनों को कैसे डिजाइन किया जा सकता है। हजारों सिमुलेशन चलाने के धीमे, 'ब्रूट-फोर्स' दृष्टिकोण को एक तेज़, सीखे हुए 'सरोगेट मॉडल' से बदलकर, इंजीनियर अब संभावनाओं के पूर्ण परिदृश्य को देख सकते हैं। वे अब केवल कुछ बिंदुओं का नमूना लेने और यह अनुमान लगाने के लिए मजबूर नहीं हैं कि सबसे अच्छा डिजाइन कहाँ स्थित है। इसके बजाय, वे ट्रेड-ऑफ के पूरे निरंतरता (continuum) को देख सकते हैं, यह देख सकते हैं कि वे ऊष्मा में विशिष्ट वृद्धि के लिए कितनी लिफ्ट प्राप्त कर सकते हैं, या थोड़े अलग आकार को स्वीकार करके कितना ड्रैग बचा सकते हैं। यह विधि उच्च-सटीकता वाले सिमुलेशन की आवश्यकता को प्रतिस्थापित नहीं करती है, जो अंतिम विकल्पों को सत्यापित करने के लिए अभी भी आवश्यक हैं, लेकिन यह सिमुलेशन की भूमिका को एक बाधा से बदलकर एक अंतिम चेकपॉइंट में बदल देती है जो सर्वश्रेष्ठ उम्मीदवारों के लिए होता है। यह डिजाइन प्रक्रिया को संयोग के खेल से बदलकर एक सूचित चयन की प्रक्रिया में ले जाता है, जहाँ सर्वोत्तम संभव समझौता निश्चितता के साथ पाया जाता है।