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

तकनीकी सारांश: CFRP/Ti-6Al-4V ELI RAM के मल्टी-बैंड रिफ्लेक्शन-लॉस प्रेडिक्शन के लिए एक फिजिक्स-इन्फॉर्म्ड न्यूरल नेटवर्क सरोगेट

समस्या विवरण
अनमैन्ड एरियल व्हीकल (UAV) के लिए रडार एब्जॉर्बिंग मैटेरियल्स (RAM) का डिज़ाइन आमतौर पर विश्लेषणात्मक या संख्यात्मक सॉल्वर, जैसे कि ट्रांसफर मैट्रिक्स मेथड (TMM), फाइनाइट-डिफरेंस टाइम-डोमेन (FDTD), या मेथड ऑफ मोमेंट्स (MoM) पर निर्भर करता है। हालांकि ये विधियाँ सटीक हैं, लेकिन जब मल्टीपल फ्रीक्वेंसी बैंड्स, इंसीडेंस एंगल्स और मटेरियल थिकनेस वाले बड़े डिज़ाइन स्पेस की खोज की जाती है, तो ये गणनात्मक रूप से बोझिल हो जाती हैं। यह विशेष रूप से UAVs के लिए महत्वपूर्ण है, जहाँ लो-ऑब्जर्वेबिलिटी (स्टेल्थ) को संरचनात्मक अखंडता और द्रव्यमान (मास) सीमाओं के साथ संतुलित करना होता है। विशेष रूप से, Ti-6Al-4V ELI टाइटेनियम द्वारा समर्थित कार्बन-फाइबर-रीइन्फोर्स्ड पॉलीमर (CFRP) कंपोजिट्स लोड-बेयरिंग स्ट्रक्चर और इलेक्ट्रोमैग्नेटिक एब्जॉर्प्शन दोनों कार्यों के लिए दोहरा कार्य प्रदान करते हैं, लेकिन मल्टी-बैंड प्रदर्शन के लिए इनकी मोटाई को अनुकूलित करने के लिए तीव्र, बार-बार मूल्यांकन की आवश्यकता होती है जिसे पारंपरिक सॉल्वर कुशलतापूर्वक प्रदान नहीं कर सकते।

कार्यप्रणाली
लेखक 2–18 GHz फ्रीक्वेंसी बैंड और 0–80° ट्रांसवर्स-इलेक्ट्रिक (TE) इंसीडेंस एंगल्स के लिए मेटल-बेक्ड CFRP एब्जॉर्बर के रिफ्लेक्शन लॉस (RL) की भविष्यवाणी करने के लिए एक फिजिक्स-इन्फॉर्म्ड न्यूरल नेटवर्क (PINN) सरोगेट मॉडल प्रस्तावित करता है।

1. डेटा जनरेशन: संदर्भ डेटासेट के 6,400 नमूने TMM के एक कस्टम पायथन कार्यान्वयन का उपयोग करके उत्पन्न किए गए थे। इनपुट पैरामीटर्स में फ्रीक्वेंसी ($f$), इंसीडेंस एंगल ($\theta$), और एब्जॉर्बर थिकनेस ($d$) शामिल थे। मटेरियल सिस्टम को एक परफेक्ट इलेक्ट्रिक कंडक्टर (PEC), जो Ti-6Al-4V ELI सबस्ट्रेट का प्रतिनिधित्व करता है, के ऊपर एक होमोजेनियस मैग्नेटो-डाइइलेक्ट्रिक CFRP लेयर के रूप में मॉडल किया गया था।
2. नेटवर्क आर्किटेक्चर: PINN में एक फूरियर फीचर एम्बेडिंग लेयर के बाद छह-परत वाला मल्टी-लेयर पर्सेप्ट्रॉन (MLP) है, जिसमें प्रत्येक हिडन लेयर में 256 न्यूरॉन्स और हाइपरबोलिक टेंगेंट एक्टिवेशन है।
   • स्पेक्ट्रल बायस मिटिगेशन: मानक MLPs की कम-फ्रीक्वेंसी घटकों को पहले सीखने की प्रवृत्ति (स्पेक्ट्रल बायस) को संबोधित करने के लिए, इनपुट स्पेस को एक गाऊसी प्रोजेक्शन मैट्रिक्स के साथ रैंडम फूरियर फीचर एम्बेडिंग का उपयोग करके लिफ्ट किया गया है।
   • फिजिक्स रेगुलराइजेशन: लॉस फंक्शन में स्पष्ट भौतिक-आधारित बाधाएं शामिल हैं:
     • मोनोटोनिसिटी (एकदिशता): यह सुनिश्चित करना कि एब्जॉर्बिंग रिजीम में फ्रीक्वेंसी के साथ रिफ्लेक्शन लॉस बेहतर (अधिक नकारात्मक) होता है।
     • एंगुलर बाउंड्री: TE पोलराइजेशन के लिए बढ़ते इंसीडेंस एंगल के साथ एब्जॉर्प्शन के मोनोटोनिक गिरावट को लागू करना।
     • स्मूथनेस: स्मूथ ग्रेडिएंट्स सुनिश्चित करने के लिए टिखोनोव रेगुलराइजेशन।
3. ट्रेनिंग: मॉडल को सिंगल CPU थ्रेड पर कोसाइन एनीलिंग लर्निंग रेट शेड्यूलिंग के साथ 600 एपॉक्स (epochs) के लिए एडम ऑप्टिमाइज़र का उपयोग करके प्रशिक्षित किया गया था, जो 42 सेकंड में पूरा हुआ।

प्रमुख योगदान

• सरोगेट डेवलपमेंट: एक PINN सरोगेट का निर्माण जिसने बिना GPU एक्सेलेरेशन के, एनालिटिकल TMM बेसलाइन के विरुद्ध सब-डेसिबेल सटीकता प्राप्त की।
• आर्किटेक्चर इनोवेशन: भौतिक रूप से प्रशंसनीय भविष्यवाणियों को सुनिश्चित करने के लिए विशिष्ट फिजिक्स-आधारस्ड रेगुलराइजर्स (मोनोटोनिसिटी और एंगुलर कंस्ट्रेंट्स) के साथ रैंडम फूरियर फीचर एम्बेडिंग का एकीकरण।
• मल्टी-बैंड ऑप्टिमाइजेशन: क्वार्टर-वेव रेजोनेंस ऑप्टिमा की पहचान करने के लिए प्रशिक्षित सरोगेट का उपयोग करके S-, X-, और Ku-बैंड्स के माध्यम से तीव्र, व्यापक थिकनेस ऑप्टिमाइजेशन।
• स्ट्रक्चरल इंटीग्रेशन असेसमेंट: मीडियम-अल्टीट्यूड लॉन्ग-एंड्योरेंस (MALE) UAV एयरफ्रेम्स पर अनुकूलित CFRP/Ti-6Al-4V ELI बाइलेयर को एकीकृत करने के लिए आवश्यक मास ओवरहेड का मात्रात्मक मूल्यांकन।

परिणाम

• सटीकता: सरोगेट मॉडल ने TMM रेफरेंस के विरुद्ध 0.22 dB का रूट-मीन-स्क्वायर एरर (RMSE) और 0.12 dB का मीन एब्सोल्यूट एरर (MAE) प्राप्त किया। 95% मूल्यांकन बिंदु 0.5 dB के एरर मार्जिन के भीतर थे। सबसे बड़े विचलन केवल ग्रेजिंग इंसीडेंस क्षेत्रों ($\theta > 75^\circ$) में देखे गए जहाँ एब्जॉर्प्शन स्वाभाविक रूप से कमजोर होता है।
• दक्षता: ट्रेनिंग प्रक्रिया एक सिंगल CPU पर 42 सेकंड में पूरी हुई। डायरेक्ट TMM इवैल्यूएशन की तुलना में इन्फरेंस स्पीडअप लगभग 50-गुना है, जो तीव्र पैरामेट्रिक अध्ययन को सक्षम बनाता है।
• ऑप्टिमाइजेशन आउटकम्स: मल्टी-बैंड थिकनेस ऑप्टिमाइजेशन ने नॉर्मल इंसीडेंस के लिए निम्नलिखित क्वार्टर-वेव ऑप्टिमा की पहचान की:
  • S-बैंड (2–4 GHz): 3.9 mm थिकनेस ($RL = -4.64$ dB)।
  • X-बैंड (8–12 GHz): 1.9 mm थिकनेस ($RL = -8.93$ dB)।
  • Ku-बैंड (12–18 GHz): 1.5 mm थिकनेस ($RL = -11.31$ dB)।
• स्ट्रक्चरल इम्पैक्ट: एक प्रतिनिधि MALE UAV (MQ-9A Reaper) के लिए, Ku-बैंड अनुकूलित कोटिंग (1.5 mm) लगभग 60.8 किलोग्राम द्रव्यमान जोड़ती है, जिसके परिणामस्वरूप 1.3% मास ओवरहेड होता है। व्यापक MALE क्लास एनवेलप में, ओवरहेड 1.5% से 8.5% के बीच रहता है, जिसे लेखक स्वीकार्य मानता है।

महत्व और दावे
यह पेपर इस काम को कपल्ड मटेरियल और स्ट्रक्चरल UAV डिज़ाइन के लिए एक गणनात्मक रूप से कुशल मार्ग के रूप में प्रस्तुत करता है। लेखक का दावा है कि जबकि विशिष्ट सिंगल-लेयर समस्या को सैद्धांतिक रूप से डायरेक्ट एनालिटिकल ऑप्टिमाइजेशन के माध्यम से हल किया जा सकता है, प्रस्तावित सरोगेट तीन स्पष्ट लाभ प्रदान करता है:

1. डिफरेंशिएबिलिटी (अवकलनीयता): प्रशिक्षित नेटवर्क सभी इनपुट्स के संबंध में पूरी तरह से डिफरेंशिएबल है, जिससे सभी इनपुट्स के सापेक्ष सेंसिटिविटी (जैसे, $\partial RL/\partial \theta$) की गणना एक सिंगल बैकवर्ड पास में संभव है, जो ग्रेडिएंट-बेस्ड एयरफ्रेम ऑप्टिमाइजेशन लूप के लिए आवश्यक है।
2. स्केलेबिलिटी: आर्किटेक्चर को जटिल, एनालिटिकली इंट्रैक्टेबल समस्याओं (जैसे, ग्रेडेड मल्टीलेयर एब्जॉर्बर्स या फ्रीक्वेंसी-डिपेंडेंट डिस्पर्सन) के लिए स्केल करने के लिए डिज़ाइन किया गया है जहाँ डायरेक्ट न्यूमेरिकल सॉल्वर बहुत धीमे होंगे।
3. इनवर्स डिज़ाइन कैपेबिलिटी: प्रशिक्षित होने के बाद, नेटवर्क टारगेट रिफ्लेक्शन लॉस स्पेसिफिकेशन को स्वीकार्य मटेरियल या थिकनेस कॉम्बिनेशन में मैप करने के लिए इनवर्स क्वेरीज़ का समर्थन करता है।

यह अध्ययन "सरोगेट-फर्स्ट" फिलॉसफी को मान्य करता है, यह प्रदर्शित करते हुए कि एक फिजिक्स-इन्फॉर्म्ड दृष्टिकोण एक मानक हार्डवेयर पर इंजीनियरिंग-ग्रेड सटीकता (सब-0.5 dB एरर) प्राप्त कर सकता है, जो भविष्य के मल्टी-डिसिप्लिनरी डिज़ाइन ऑप्टिमाइजेशन (MDO) फ्रेमवर्क के लिए एक आधार प्रदान करता है जो स्टेल्थ और स्ट्रक्चरल परफॉरमेंस को एक साथ एकीकृत करते हैं।