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

Snelle vlucht aan de rand van de ruimte vormt een unieke en brute uitdaging voor ingenieurs. Wanneer een voertuig sneller beweegt dan vijf keer de snelheid van het geluid, duwt de lucht voor het voertuig niet simpelweg opzij; de lucht wordt zo gewelddadig samengedrukt dat deze opwarmt tot temperaturen waarbij de luchtmoleculen zelf beginnen uiteen te vallen en chemisch reageren. Dit creëert een complexe omgeving waarin de vorm van het voertuig, de hitte die het genereert en de krachten die ertegen duwen, allemaal in een delicate balans met elkaar verbonden zijn. Het ontwerpen van een voertuig voor dit regime vereist het vinden van een vorm die de weerstand minimaliseert om brandstof te besparen, terwijl tegelijkertijd de intense hitte wordt beheerd die de huid van het vaartuig zou kunnen doen smelten. Traditioneel hebben ingenieurs moeten vertrouwen op krachtige computersimulaties om deze ontwerpen te testen. Deze simulaties zijn ongelooflijk nauwkeurig, maar ook ongelooflijk traag, waarbij het vaak dagen duurt om een enkele vluchtconditie te modelleren. Omdat dit proces zo kostbaar is, kunnen ontwerpers meestal slechts een handvol vormen testen, waardoor enorme mogelijkheden onontdekt blijven en ze potentieel de beste ontwerpen missen.

Een team onderzoekers heeft een nieuwe methode ontwikkeld om deze flessenhals te omzeilen, waardoor zij duizenden variaties in het ontwerp kunnen verkennen in de tijd die het vroeger kostte om slechts één simulatie uit te voeren. Ze creëerden een type kunstmatige intelligentie dat fungeert als een snelle, intelligente afkorting voor de trage computersimulaties. In plaats van voor elke nieuwe vorm of vliewhoek de volledige, zware berekening uit te voeren, leert dit systeem de onderliggende patronen van hoe de lucht stroomt en opwarmt. Eenmaal getraind, kan het het gedrag van een nieuw ontwerp bijna onmiddellelijk voorspellen. De onderzoekers testten deze aanpak op twee zeer verschillende soorten hypersonische voertuigen: een familie van stomp-geneste vormen die veranderen naarmate de neus slijt door hitte, en een scherpe, driedimensionale vliegende vleugel die ontworpen is om op zijn eigen schokgolf te rijden. In beide gevallen voorspelde het nieuwe systeem de complexe luchtstroom en hitte met hoge nauwkeurigheid, waardoor het team de perfecte afwegingen tussen snelheid, lift en hittebescherming in enkele minuten kon in kaart brengen.

De kern van de moeilijkheid waarmee de onderzoekers werden geconfronteerd, was dat de fysica van de hypersonische vlucht drastisch verandert afhankelijk van de vorm van het voertuig of de hoek waaronder het vliegt. In een van hun testgevallen keken ze naar een familie van stomp-geneste vormen waarbij de neusradius verandert. Naarmate de neus stomper of scherper wordt, verandert de gehele fysieke ruimte waar de lucht doorheen stroomt van vorm. Een standaard computermodel zou moeite hebben met het vergelijken van deze verschillende vormen omdat het rooster van punten dat de lucht meet, voor elk ontwerp anders is. Om dit op te lossen, hebben de onderzoekers een manier uitgevonden om elke verschillende geometrie uit te rekken en te hervormen tot een enkele, gemeenschappelijke referentiekader. Stel je voor dat je een kaart van een land neemt en deze uitrekt zodat elke grens en kustlijn perfect uitlijnt met een standaardraster, ongeacht hoe het land er werkelijk uitziet. Door dit te doen, kon de kunstmatige intelligentie de patronen van de luchtstroom één keer leren en toepassen op elke vorm in de familie, zelfs op vormen die het nog nooit eerder had gezien.

Voor de tweede testcase, een driedimensionale vliegende vleugel, bleef de geometrie gelijk, maar veranderde de manier waarop de lucht het voertuig raakte naarmate het voertuig omhoog en omlaag kantelde. Terwijl de hoek veranderde, bewoog een krachtige schokgolf — een dunne wand van samengeperste lucht — over het oppervlak van het voertuig. Deze bewegende schokgolf is een groot probleem voor computermodellen omdat het een scherp, discontinu kenmerk is dat met elke kleine verandering in hoek van positie verschuift. Als een model dit zonder hulp probeert te leren, heeft het de neiging de schokgolf te vervagen, waardoor een scherpe wand van druk verandert in een uitgesmeerde, onnauwkeurige gradiënt. De onderzoekers losten dit op door het systeem te leren de positie van de schokgolf eerst te herkennen. Ze voegden een speciale stap toe waarbij het systeem leerde om precies te voorspellen waar de schokgolf zich voor een bepaalde hoek zou bevinden. Vervolgens gebruikte het deze voorspelling om een nieuw coördinatenstelsel te creëren dat met de schokgolf mee bewoog, waardoor de scherpe rand op dezelfde plek bleef ten op uitzetting van de interne kijk van het model. Dit stelde het systeem in staat om de scherpe details van de schokgolf te leren zonder deze te vervagen, een prestatie die standaardmodellen niet konden bereiken.

De resultaten van dit werk waren opmerkelijk. Voor de stomp-geneste vormen voerde het team een sweep uit van meer dan duizend verschillende ontwerpen om de beste balans tussen weerstand en hitte te vinden. In het verleden zou het testen van zoveel ontwerpen met traditionele simulaties jaren aan computertijd gekost hebben. Met hun nieuwe methode voltooide het team de gehele zoektocht in ongeveer drie minuten op een enkele computerprocessor. Ze identificeerden tweehonderd ontwerpen die de beste mogere afwegingen boden, waarbij het verbeteren van één factor onvermijdelijk een andere factor zou verslechteren. Ze ontdekten dat door een kleine toename in weerstand te accepteren, ze de piekhitte op de neus van het voertuig aanzienlijk konden verminderen, een cruciaal inzicht voor thermische bescherming. Op dezelfde manier scande de vliegende vleugel honderden verschillende vliewhoeken om het ideale punt voor efficiëntie te vinden. Ze ontdekten dat een specifieke hoek een substantiële boost in lift bood met slechts een minimale straf in hittebelasting, een combinatie die zonder een dergelijk dichte verkenning van de ontwerpplek moeilijk te pinpointen zou zijn geweest.

De onderzoekers waren zorgvuldig om te vermelden waar hun methode beperkingen had. Hoewel het systeem uitstekend was in het voorspellen van de totale hoeveelheid hitte die het voertuig raakte, was het minder nauwkeurig in het voorspellen van het enkelvoudige heetste punt op het oppervlak. Dit komt omdat het heetste punt een kleine, gelokaliseerde stip is die van de ene naar de andere kleine plek op het oppervlak kan springen naarmate het ontwerp verandert, wat het moeilijker maakt om vast te leggen dan de gemiddelde hitte over het hele lichaam. Daarom gebruikten ze de totale hittebelasting als het primaire doel voor hun ontwerpkeuzes, waarbij ze de piektemperatuur als een secundaire controle beschouwden in plaats van de belangrijkste drijfveer. Ze vonden ook dat het systeem het beste werkte wanneer de ontwerpen die het werd gevraagd te voorspellen binnen het bereik van de vormen lagen die het tijdens de training al had gezien. Wanneer het werd gevraagd om vormen te voorspellen die ver buiten dat bereik lagen, nam de nauwkeurigheid af, hoewel deze stabiel genoeg bleef om extreme fouten te voorkomen. Dit suggereert dat het hulpmiddel het beste kan worden gebruikt om de ruimte tussen bekende ontwerpen te verkennen in plaats van om geheel nieuwe, ongeteste geometrieën vanaf nul uit te vinden.

Uiteindelijk demonstreert dit werk een verschuiving in hoe hypersonische voertuigen kunnen worden ontworpen. Door de trage, brute-force benadering van het uitvoeren van duizenden simulaties te vervangen door een snel, geleerd surrogaatmodel, kunnen ingenieurs nu het volledige landschap van mogelijkheden zien. Ze zijn niet langer gedwongen om slechts enkele punten te bemonsteren en te gokken waar het beste ontwerp ligt. In plaats daarvan kunnen ze het gehele continuüm van afwegingen bekijken, waarbij ze precies zien hoeveel lift ze kunnen winnen voor een specifieke toename in hitte, of hoeveel weerstand ze kunnen besparen door een iets andere vorm te accepteren. De methode vervangt niet de noodzaak voor modellen met een hoge getrouwheid, die nog steeds vereist zijn om de definitieve keuzes te verifiëren, maar het verandert de rol van die simulaties van een flessenhals die exploratie beperkt naar een laatste controlepunt voor de beste kandidaten. Dit laat het ontwerpproces verschuiven van een spel van kansen, waarbij ingenieurs hopen op een goed ontwerp te stuiten, naar een proces van geïnformeerde selectie, waarbij het best mogelijke compromis met zekerheid wordt gevonden.