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

Sintesi Tecnica: Un modello surrogato basato su Reti Neurali Informate dalla Fisica per la previsione della perdita di riflessione multi-banda di CFRP/Ti-6Al-4V ELI RAM

Problematica
La progettazione di Materiali Assorbenti per Radar (RAM) per Veicoli Aerei a Pilotaggio Remoto (UAV) si affida tipicamente a risolutori analitici o numerici, come il Metodo della Matrice di Trasferimento (TMM), il Metodo delle Differenze Finite nel Dominio del Tempo (FDTD) o il Metodo dei Momenti (MoM). Sebbene accurati, questi metodi diventano computazionalmente onerosi quando si esplorano ampi spazi di progettazione che coinvolgono molteplici bande di frequenza, angoli di incidenza e spessori dei materiali. Ciò è particolarmente critico per gli UAV, dove la bassa osservabilità (stealth) deve essere bilanciata con l'integrità strutturale e i vincoli di massa. Nello specifico, i compositi in Polimero Rinforzato con Fibra di Carbonio (CFRP) supportati da titanio aerospaziale Ti-6Al-4V ELI offrono una doppia funzione di struttura portante e assorbimento elettromagnetico, ma l'ottimizzazione del loro spessore per prestazioni multi-banda richiede valutazioni rapide e ripetute che i risolutori tradizionali non possono fornire con efficienza.

Metodologia
L'autore propone un modello surrogato basato su una Rete Neurale Informata dalla Fisica (PINN) per prevedere la Perdita di Riflessione (RL) di un assorbitore in CFRP con supporto metallico attraverso la banda di frequenza 2–18 GHz e angoli di incidenza Transverse-Electric (TE) da 0 a 80°.

1. Generazione dei Dati: Un dataset di riferimento composto da 6.400 campioni è stato generato utilizzando un'implementazione personalizzata in Python del TMM. I parametri di input includevano la frequenza ($f$), l'angolo di incidenza ($\theta$) e lo spessore dell'assorbitore ($d$). Il sistema materiale è stato modellato come uno strato di CFRP magneto-dielettrico omogeneo sopra un Conduttore Elettrico Perfetto (PEC) che rappresenta il substrato in Ti-6Al-4V ELI.
2. Architettura della Rete: La PINN consiste in uno strato di embedding delle caratteristiche di Fourier seguito da un Perceptron Multistrato (MLP) a sei strati con 256 neuroni per strato nascosto e attivazioni iperboliche tangenti.
   • Mitigazione del Bias Spettrale: Per affrontare la tendenza degli MLP standard a apprendere prima le componenti a bassa frequenza (bias spettrale), lo spazio di input viene elevato tramite un embedding di caratteristiche di Fourier casuali con una matrice di proiezione Gaussiana.
   • Regolarizzazione Fisica: La funzione di perdita include vincoli espliciti basati sulla fisica:
     • Monotonicità: Imposizione del fatto che la perdita di riflessione migliori (diventi più negativa) con la frequenza nel regime di assorbimento.
     • Confine Angolare: Imposizione della degradazione monotona dell'assorbimento all'aumentare dell'angolo di incidenza per la polarizzazione TE.
     • Smoothness (Levigatezza): Regolarizzazione di Tikhonov per garantire gradienti fluidi.
3. Addestramento: Il modello è stato addestrato utilizzando l'ottimizzatore Adam con uno scheduling del tasso di apprendimento tramite annealing del coseno su 600 epoche su un singolo thread CPU, completando l'operazione in 42 secondi.

Contributi Chiave

• Sviluppo del Modello Surrogato: La creazione di un surrogato PINN che raggiunge un'accuratezza sub-decibel rispetto al baseline analitico TMM senza richiedere l'accelerazione GPU.
• Innovazione dell'Architettura: L'integrazione dell'embedding delle caratteristiche di Fourier casuali con specifici regolarizzatori basati sulla fisica (monotonicità e vincoli angolari) per garantire previsioni fisicamente plausibili in tutto lo spazio dei parametri.
• Ottimizzazione Multi-banda: Utilizzo del surrogato addestrato per eseguire una rapida ed esaustiva ottimizzazione dello spessore attraverso le bande S, X e Ku per identificare gli ottimi di risonanza a quarto d'onda.
• Valutazione dell'Integrazione Strutturale: Una valutazione quantitativa del sovraccarico di massa richiesto per integrare il bilayer CFRP/Ti-6Al-4V ELI ottimizzato su strutture di UAV a media quota e lunga autonomia (MALE).

Risultati

• Accuratezza: Il modello surrogato ha raggiunto un Errore Quadratico Medio (RMSE) di 0,22 dB e un Errore Assoluto Medio (MAE) di 0,12 dB rispetto al riferimento TMM. Il 95% dei punti di valutazione rientrava in un margine di errore di 0,5 dB. Le deviazioni maggiori si sono verificate solo nelle regioni di incidenza radente ($\theta > 75^\circ$) dove l'assorbimento è intrinsecamente debole.
• Efficienza: Il processo di addestramento ha impiegato 42 secondi su una singola CPU. L'accelerazione dell'inferenza rispetto alla valutazione diretta del TMM è di circa 50 volte, consentendo studi parametrici rapidi.
• Esiti dell'Ottimizzazione: L'ottimizzazione dello spessore multi-banda ha identificato i seguenti ottimi a quarto d'onda per incidenza normale:
  • Banda S (2–4 GHz): Spessore di 3,9 mm ($RL = -4,64$ dB).
  • Banda X (8–12 GHz): Spessore di 1,9 mm ($RL = -8,93$ dB).
  • Banda Ku (12–18 GHz): Spessore di 1,5 mm ($RL = -11,31$ dB).
• Impatto Strutturale: Per un UAV MALE rappresentativo (MQ-9A Reaper), il rivestimento ottimizzato per la banda Ku (1,5 mm) aggiunge circa 60,8 kg di massa, risultando in un sovraccarico di massa dell'1,3%. Su un ambito più ampio della classe MALE, il sovraccarico varia dall'1,5% all'8,5%, valore che l'autore ritiene accettabile per le varianti radar-assorbenti.

Significatività e Rivendicazioni
Il lavoro posiziona questa ricerca come una via computazionalmente efficiente per la progettazione accoppiata di materiali e strutture per UAV. L'autore afferma che, sebbene il problema specifico a singolo strato possa teoricamente essere risolto tramite ottimizzazione analitica diretta, il surrogato proposto offre tre vantaggi distinti per applicazioni ingegneristiche più ampie:

1. Differenziabilità: La rete addestrata è completamente differenziabile rispetto a tutti gli input, permettendo il calcolo analitico delle sensibilità (ad esempio, $\partial RL/\partial \theta$) in un singolo passaggio di backpropagation, il che è essenziale per i cicli di ottimizzazione dell'ariaframe basati sul gradiente.
2. Scalabilità: L'architettura è progettata per scalare verso problemi più complessi e analiticamente intrattabili (ad esempio, assorbitori multistrato graduati o dispersione dipendente dalla frequenza) dove i risolutori numerici diretti sarebbero troppo lenti.
3. Capacità di Design Inverso: Una volta addestrata, la rete supporta query inverse, mappando le specifiche di perdita di riflessione target verso combinazioni ammissibili di materiale o spessore.

Lo studio valida la filosofia "surrogate-first" dimostrando che un approccio informato dalla fisica può raggiungere un'accuratezza di livello ingegneristico (errore sub-0,5 dB) su hardware standard, fornendo una base per futuri framework di ottimizzazione multi-disciplinare (MDO) che integrano simultaneamente prestazioni stealth e strutturali.