Component-Based Reduced-Order Modeling Framework for Rocket Combustion Dynamics in Multi-Injector Configurations

Deze paper introduceert een componentgebaseerd gereduceerd orde-modelkader dat door het trainen van afzonderlijke componentmodellen op kleine schaal en het koppelen daarvan via een geavanceerde projectiemethode, efficiënte en nauwkeurige parametrische simulaties van roketverbrandingsdynamica in multi-injectorconfiguraties mogelijk maakt.

De kern

Stel je voor dat je een enorme raketmotor moet ontwerpen. Om te begrijpen hoe deze motor werkt, moeten wetenschappers complexe computersimulaties draaien. Deze simulaties zijn als het maken van een ultra-hoge-resolutie film van elke vonk, elke werveling en elke explosie binnenin de motor.

Het probleem? Het maken van zo'n 'film' kost zoveel rekenkracht dat het jaren kan duren, zelfs met de snelste supercomputers ter wereld. Voor raketontwerpers is dit een nachtmerrie, omdat ze duizenden variaties moeten testen (bijvoorbeeld: wat gebeurt er als we de brandstofkraan iets anders instellen? Of als we de vorm van de injectoren veranderen?). Ze kunnen niet wachten tot die simulaties klaar zijn.

Hier komt dit nieuwe onderzoek van Brody Gatza en Cheng Huang om de hoek kijken. Ze hebben een slimme oplossing bedacht die we CBROM noemen. Laten we dit uitleggen met een paar creatieve vergelijkingen.

1. De "Lego-blokken" aanpak

Stel je voor dat je een gigantisch, ingewikkeld Lego-kasteel moet bouwen en je wilt weten hoe het zich gedraagt als je een steen verwijdert. In plaats van het hele kasteel opnieuw te simuleren (wat enorm veel tijd kost), knip je het kasteel in stukken.

De auteurs doen precies dit met de raketmotor. Ze splitsen de motor op in drie soorten onderdelen:

• De injectoren: De kleine buisjes waar de brandstof en zuurstof in worden gespoten (zoals de brandstoftanks van de raket).
• De verbrandingskamer: De ruimte waar het vuur woedt.
• De uitlaat: De trechter aan de achterkant.

In plaats van één enorme, onhandelbare simulatie te draaien, maken ze kleine, slimme modellen voor elk van deze onderdelen apart.

2. De "Repetitie" in plaats van de "Hoofdfilm"

Hoe trainen ze deze kleine modellen?
Stel je voor dat je een toneelstuk wilt oefenen. Je hoeft niet de hele zaal met publiek te huren om te oefenen. Je kunt een klein stukje van het podium gebruiken en met een paar acteurs repeteren.

• Voor de injectoren: Ze bouwen een heel klein modelletje van slechts één of twee injectoren. Ze laten deze 'repeteren' in een kleine ruimte. Omdat het zo klein is, gaat dit supersnel. Ze leren het model hoe de injectoren reageren op verschillende situaties.
• Voor de uitlaat: Hier is het iets anders. Omdat de uitlaat beïnvloed wordt door alles wat erboven gebeurt, gebruiken ze een slimme truc: ze koppelen de kleine, snelle injectormodellen aan de grote uitlaat. Zo hoeven ze niet de hele raket te simuleren, maar alleen het deel dat echt belangrijk is.

3. De "Chameleons" (Aanpasbare modellen)

Dit is het meest magische deel. Normaal gesproken, als je de vorm van een raket verandert (bijvoorbeeld de injectoren iets langer maakt), moet je alles opnieuw berekenen.

Deze nieuwe modellen zijn echter als chameleons. Ze zijn zo slim dat ze zichzelf kunnen aanpassen.

• Als je de vorm van een injector verandert, past het model zich direct aan de nieuwe vorm aan zonder dat er opnieuw jarenlange berekeningen nodig zijn.
• Het is alsof je een digitale klei hebt die je kunt knijpen en trekken, en het model blijft precies weten hoe de lucht en het vuur zich in die nieuwe vorm zouden gedragen.

4. Het Resultaat: Snelheid en Precisie

Wat levert dit op?

• Snelheid: De nieuwe methode is ongeveer 7,7 keer sneller dan de oude, zware methoden. Wat voorheen dagen duurde, duurt nu uren.
• Nauwkeurigheid: Ondanks dat het sneller is, is het net zo nauwkeurig. Ze hebben getest of het model de juiste geluidsgolven (de 'zingende' raket) en temperatuurverdelingen voorspelt, en het antwoord is een volmondig ja.
• Veiligheid: Ontwerpers kunnen nu duizenden variaties testen (bijvoorbeeld: "Wat als we 2 injectoren uitschakelen?") om te zien of de raket stabiel blijft, voordat ze ook maar één stuk metaal smeden.

Samenvattend

Dit onderzoek is als het vinden van een magische blauwdruk voor raketten. In plaats van elke keer een heel nieuw, duur en traag model te bouwen om te zien hoe een raket werkt, bouwen ingenieurs nu een set van slimme, aanpasbare Lego-blokken. Ze kunnen deze blokken snel in elkaar zetten, veranderen en testen, waardoor het ontwerpen van de raketten van de toekomst veel sneller, goedkoper en veiliger wordt.

Het is een enorme stap voorwaarts om de ruimtevaart toegankelijker te maken!

Technische samenvatting

Probleemstelling

Hoewel high-fidelity computational fluid dynamics (CFD) simulaties, zoals Large-Eddy Simulations (LES), essentieel zijn voor het begrijpen van verbrandingsdynamica in raketmotoren (inclusief nieuwe concepten zoals Rotating Detonation Rocket Engines - RDREs), zijn ze voor praktische ontwerpprocessen vaak onbereikbaar. De complexe interacties tussen turbulentie, verbranding en schokgolven vereisen enorme rekenkracht.

• Huidige beperking: Een high-fidelity simulatie van een kleine raketmotor kan al meer dan $10^9$ CPU-uuren kosten. Voor een volledige motor met honderden injectoren zou dit oplopen tot meer dan $10^{10}$ CPU-uuren, wat ver buiten de mogelijkheden van huidige high-performance computing (HPC) ligt.
• Beperkingen van bestaande methoden:
  • Vereenvoudigde fysica-modellen (RFM): Verminderen de rekentijd, maar vaak ten koste van de nauwkeurigheid, wat leidt tot data die niet toepasbaar is op fysieke systemen.
  • Machine Learning (ML): Kan snel zijn, maar mist vaak fysieke consistentie (bijv. behoudswetten), heeft beperkte generaliseerbaarheid buiten de trainingsdata, en vereist enorme datasets.
  • Traditionele Reduced-Order Modeling (ROM): Projectie op lage-dimensionale manifolds is effectief, maar vereist high-fidelity data van het hele systeem voor training, wat bij grote systemen onmogelijk is om te genereren.

Methodologie

De auteurs ontwikkelen een Component-Based Reduced-Order Modeling (CBROM) framework. De kernidee is om het grote systeem geometrisch te decomponeren in representatieve componenten met identieke geometrische kenmerken, ROMs voor deze individuele componenten te trainen, en deze vervolgens te koppelen om het volledige systeem te simuleren.

1. Systeemdecompositie:
De raketbrandstoftank wordt opgedeeld in drie types componenten:

• Wand-aangrenzende injectoren (Wall injectors).
• Interne injectoren (Interior injectors).
• De downstream brandstoftank en het mondstuk (Downstream combustor & nozzle).

2. Trainingsstrategie (Om kosten te verlagen):
In plaats van het volledige systeem te simuleren voor training, worden specifieke strategieën gebruikt:

• Injectoren: Getraind met reduced-geometry configuraties. Deze bevatten de referentie-injector plus enkele "hulp"-injectoren en bufferzones om de sterke interacties tussen injectoren na te bootsen zonder het volledige domein te hoeven simuleren.
• Downstream component: Getraind met een full-geometry configuratie, waarbij de upstream injectoren echter al worden gemodelleerd met de reeds getrainde injector-ROMs. Alleen het downstream-deel wordt met high-fidelity (FOM) gesimuleerd voor het verzamelen van trainingsdata.

3. ROM Formule en Aanpassing:

• Adaptieve MOR: Gebruikmakend van Proper Orthogonal Decomposition (POD) voor de basis.
• MP-LSVT: Model-Form Preserving Least-Squares with Variable Transformation. Dit zorgt voor een stabiele ROM die de fysica van de oorspronkelijke vergelijkingen behoudt.
• Hyper-reductie (DEIM): De Discrete Empirical Interpolation Method wordt gebruikt om de evaluatie van niet-lineaire residuen te versnellen door slechts een subset van roosterpunten te berekenen.
• Adaptiviteit: Tijdens de online simulatie worden de basisvectoren en de samplingpunten periodiek bijgewerkt om te reageren op veranderende dynamica (bijv. veranderingen in stromingscondities of geometrie).

4. Koppeling en Implementatie:
De componenten worden gekoppeld via een direct flux-matching methode met "ghost cells". Dit zorgt voor een nauwkeurige uitwisseling van informatie (viskeuze en niet-viskeuze fluxen) aan de grenzen van de componenten, waardoor stromingsverschijnselen zoals terugstroming natuurlijk worden ondersteund.

Belangrijkste Bijdragen

1. CBROM Framework voor Raketmotoren: Een nieuw raamwerk dat het mogelijk maakt om full-scale raketmotoren te modelleren door het systeem te decomponeren, waardoor de trainingskosten drastisch dalen.
2. Efficiënte Trainingsstrategie: Het gebruik van gereduceerde geometrieën voor injectoren en een hybride FOM-ROM aanpak voor de downstream sectie elimineert de noodzaak van full-domain high-fidelity simulaties voor training.
3. Parametrische Voorspellingscapaciteit: Het framework kan niet alleen statische situaties simuleren, maar ook dynamische veranderingen in bedrijfscondities (bijv. uitschakelen van injectoren) en geometrische variaties (bijv. lengte van de injector-recess) voorspellen zonder opnieuw te hoeven trainen.
4. Geometrische Modulariteit: Het vermogen om de ROM-basis direct te mappen naar een gewijzigde geometrie (bijv. langere recess) en vervolgens adaptief aan te passen, wat hertraining voor elke geometrische variatie overbodig maakt.

Resultaten

Het framework werd gevalideerd aan de hand van een 2D simulatie van een raketbrandstoftank met zeven injectoren, die zelfopwekkende verbrandingsinstabiliteiten vertoont. Er werden vier testgevallen onderzocht:

1. Basisgeval: Normale bedrijfscondities.
2. Parametrische variatie 1: Uitschakeling van de centrale injector.
3. Parametrische variatie 2: Uitschakeling van de centrale en rechter wand-injector.
4. Geometrische variatie: 50% verlenging van de recess-lengte van de wand-injectoren.

Vergelijking met Full-Order Model (FOM):

• Dynamische Modus Decompositie (DMD): De CBROM voorspelde nauwkeurig de verschuivingen in frequentie en amplitude van de dominante akoestische modes (bijv. lagere frequenties en hogere amplitude bij uitgeschakelde injectoren).
• Statistische Grootheden: De tijd-gemiddelde en RMS (Root-Mean-Square) temperatuurvelden toonden uitstekende overeenkomst met de FOM-resultaten. Het framework kon complexe fenomenen zoals asymmetrische dynamica, recirculatiezones en de penetratie van koude reactanten nauwkeurig vastleggen.
• Rekensnelheid: Het framework leverde een rekenversnelling van ongeveer 7,7x op ten opzichte van de full-order simulatie, terwijl de nauwkeurigheid behouden bleef.

Betekenis en Conclusie

Dit werk is een doorslaggevende stap in de richting van het praktisch toepasbaar maken van high-fidelity simulaties voor het ontwerp van grote raketmotoren. Door de onmogelijke rekentijd van full-system high-fidelity simulaties te omzeilen via component-decompositie en adaptieve ROMs, biedt het framework:

• Een haalbare manier voor parametrische studies en ontwerpoptimalisatie.
• De mogelijkheid om geometrische variaties snel te evalueren zonder opnieuw te hoeven meshen of te trainen.
• Een brug tussen de nauwkeurigheid van CFD en de snelheid die nodig is voor engineering design loops.

De auteurs zien dit als een fundament voor toekomstige toepassingen op grotere schaal, zoals 3D simulaties van raketmotoren met negen injectoren en draaiende detonatiemotoren (RDREs).