Comparative Performance Analysis of Xenon, Krypton, and Argon Propellants for Hall Thrusters Using a Reproducible Machine-learning Framework

Technische Samenvatting: Vergelijkende Prestatieanalyse van Xenon-, Krypton- en Argon-stuwstoffen voor Hall-thrusters

Probleemstelling
Hall-effect thrusters (HET's) zijn cruciaal voor moderne satellietmissies, waaronder baanverhoging, station-keeping en diepe ruimteverkenning. Hoewel Xenon (Xe) historisch gezien de referentiestuwstof is vanwege de hoge atomaire massa en lage eerste ionisatie-energie, hebben voorraadbeperkingen en hoge kosten de interesse in alternatieven aangewakkerd, specifiek Krypton (Kr) en Argon (Ar). Het voorspellen van de macroscopische prestaties van HET's over verschillende stuwstoffen heen is echter uitdagend vanwege de complexe, gekoppelde fysica van ionisatie, elektronentransport en wandinteracties. Zuiver analytische modellen worstelen om deze nuances te vangen, terwijl experimentele tests voor elke potentiële operationele conditie zeer arbeidsintensief zijn. Er is behoefte aan een datagestuurde aanpak die prestatietrends binnen een gemeten operationeel bereik kan interpoleren om de selectie van stuwstoffen en missie-afwegingen te ondersteunen.

Methodologie
De studie maakt gebruik van een reproduceerbaar machine learning (ML)-framework om Xe, Kr en Ar te vergelijken. De kern van de methodologie omvat:

• Dataset Samenstelling: Een geharmoniseerde dataset van 600 operationele punten is samengesteld uit peer-reviewed tijdschriften, conferentieverslagen en technische rapporten. De data werd gestandaardiseerd naar gemeenschappelijke eenheden (Volt, Ampère, Watt, mg/s, mN, seconden) en gescreend om te waarborgen dat input- en outputvariabelen herstelbaar zijn. De dataset beslaat een breed vermogensbereik (0,1 kW tot 72,5 kW) en bevat diverse thrustergeometrieën.
• Feature Engineering: De inputvectoren bevatten ontlaadspanning ($V_d$), ontlaadstroom ($I_d$), ingangsvermogen ($P_{in}$), massastroom van de stuwstof ($\dot{m}$), magnetische veldindicatoren ($B_r$), kanaalgeometrie en intrinsieke eigenschappen van de stuwstof (atomaire massa, eerste ionisatie-energie). One-hot encoding werd gebruikt voor de identificatie van de stuwstof.
• Model Evaluatie: Vijf supervised regressie-algoritmen werden geëvalueerd: Random Forest, Gradient Boosting, XGBoost, Multi-Layer Perceptron (MLP) en Gaussian Process Regression (GPR).
• Validatiestrategie: Om robuustheid te garanderen, maakte de studie gebruik van meerdere validatiestrategieën:
  • Random Split: Een 80/20 split met 5-voudige cross-validatie om interpolatievermogen te beoordelen.
  • Grouped Validation: "Leave-one-campaign-out" en "Leave-one-propellant-out" tests om te schatten hoe goed het model generaliseert naar ongeziene hardwareconfiguraties en stuwstoftypes.
  • Onzekerheidskwantificering: Bootstrap resampling voor boom-gebaseerde modellen en de natuurlijke posterieure variantie voor GPR om voorspellingsintervallen vast te stellen.
• Kosten-Prestatie-Index: Een genormaliseerde stuwkracht-per-kosten index ($C_T^*$) is ontwikkeld, die relatieve stuwstofkosten (genormaliseerd naar Argon) en voorspelde prestatie-indicatoren incorporeert om economische afwegingen op missieniveau te faciliteren.

Belangrijkste Bijdragen
Het artikel claimt zes primaire bijdragen:

1. Een geharmoniseerde, op literatuur gebaseerde dataset van 600 HET operationele punten die Xe, Kr en Ar beslaat.
2. Een consistente feature-engineering verklaring voor HET-prestatiemodellering.
3. Een vergelijkende analyse van vijf ML-modelfamilies voor het voorspellen van stuwkracht, specifieke impuls ($I_{sp}$) en efficiëntie.
4. Rigoureuze validatie inclusief gegroepeerde tests (campaign en propellant leave-outs) en onzekerheidsrapportage.
5. Een fysisch geïnterpreteerde vergelijking van stuwstofprestatietrends afgeleid van de getrainde modellen.
6. Een expliciet gedefinieerde kosten-prestatie-index met gevoeligheidsanalyse naar kostenveronderstellingen.

Resultaten

• Modelprestaties: XGBoost bleek het superieure model voor stuwkrachtvoorspelling in de random-split evaluatie, met een $R^2$ van 0,978, een RMSE van 1,21 mN en een MAE van 0,86 mN. Het presteerde beter dan Gradient Boosting, Random Forest, MLP en GPR.
• Generalisatie: De voorspellende nauwkeurigheid nam significant af in gegroepeerde validatiescenario's. De "Leave-one-propellant-out" test leverde een stuwkracht $R^2$ van 0,701 op, wat aangeeft dat hoewel modellen goed interpoleren binnen bekende data, extrapolatie naar geheel nieuwe stuwstofphysics of hardware-campagnes uitdagend blijft.
• Stuwstoftrends: De modellen reproduceerden de verwachte fysische trends:
  • Xenon: Levert de hoogste stuwkracht en efficiëntie dankzij de hoge atomaire massa en gunstige ionisatiekenmerken.
  • Krypton: Biedt een praktisch compromis, met tussenliggende stuwkracht en efficiëntie tegen lagere kosten.
  • Argon: Vertoont de laagste stuwkracht en efficiëntie onder standaardcondities door de lagere atomaire massa en hogere ionisatie-energie, wat zorgvuldige optimalisatie van de thruster vereist om benuttingsverliezen te beperken.
• Feature Belang: In het XGBoost-model werden ingangsvermogen en atomaire massa geïdentificeerd als de sterkste voorspellers van stuwkracht.
• Kosten-Prestatie Afweging: De genormaliseerde index ($C_T^*$) suggereert dat hoewel Xenon de prestatieleider is, Krypton een robuust compromis biedt. Argon scoort het hoogst op kosten-genormaliseerde termen, maar brengt aanzienlijke technische risico's met zich mee wat betreft benutting en pluimdivergentie, tenzij de thruster specifiek hiervoor is geoptimaliseerd.

Betekenis en Claims
De auteurs positioneren dit werk als een datagestuurde engineering-screeningstool in plaats van een vervanging voor plasma-opgeloste simulaties of fysische experimenten. De studie stelt expliciet dat de ML-modellen macroscopische input-output trends vastleggen en geen onderliggende plasma-microphysics (zoals elektronische energieverdelingsfuncties of ionisatie-doorsneden) oplossen.

De betekenis van het framework ligt in de reproduceerbaarheid en het vermogen om operationele condities, stuwstofeigenschappen, voorspellingsonzekerheid en missie-niveau economische aannames aan elkaar te koppelen. Het artikel concludeert dat er geen enkele stuwstof universeel superieur is; de keuze hangt eerder af van specifieke missiebeperkingen met betrekking tot kosten, beschikbaarheid en acceptabele efficiëntie-penaliteiten. Het framework biedt een gestructureerde methode voor het evalueren van deze afwegingen, waarbij het specifiek benadrukt dat Krypton een levensvatbaar alternatief is voor Xenon wanneer systeemeconomie de prioriteit heeft, en Argon een kosteneffectieve optie is, mits de thruster-niveau optimalisatie wordt toegepast.