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

Technische Samenvatting: Een Physics-Informed Neural Network Surrogaat voor Multi-Band Reflectie-verlies Voorspelling van CFRP/Ti-6Al-4V ELI RAM

Probleemstelling
Het ontwerp van Radar Absorberende Materialen (RAM) voor Unmanned Aerial Vehicles (UAV's) leunt doorgaans op analytische of numerieke solvers, zoals de Transfer Matrix Method (TMM), Finite-Difference Time-Domain (FDTD) of de Method of Moments (MoM). Hoewel accuraat, worden deze methoden computationeel belastend bij het verkennen van grote ontwerpparameters die meerdere frequentiebanden, invalshoeken en materiaaldiktes omvatten. Dit is met name kritiek voor UAV's, waarbij lage detectbaarheid (stealth) moet worden afgewogen tegen structurele integriteit en massa-beperkingen. Specifiek bieden Carbon-Fiber-Reinforced Polymer (CFRP) composieten met een achterzijde van luchtvaartwaardig Ti-6Al-4V ELI titanium een dubbele functie van dragende structuur en elektromagnetische absorptie, maar het optimaliseren van de dikte voor multi-band prestaties vereist snelle, herhaalde evaluaties die traditionele solvers niet efficiënt kunnen bieden.

Methodologie
De auteur stelt een Physics-Informed Neural Network (PINN) surrogaatmodel voor om het reflectieverlies (RL) van een metaal-ondersteunde CFRP-absorber te voorspellen over de 2–18 GHz frequentieband en 0–80° Transverse-Electric (TE) invalshoeken.

1. Datageneratie: Een referentiedataset van 6.400 monsters werd gegenereerd met behulp van een aangepaste Python-implementatie van de TMM. De invoerparameters omvatten frequentie ($f$), invalshoek ($\theta$) en absorber dikte ($d$). Het materiaalsysteem werd gemodelleerd als een homogene magneto-diëlektrische CFRP-laag over een Perfect Electric Conductor (PEC) die de Ti-6Al-4V ELI substraat representeert.
2. Netwerkarchitectuur: De PINN bestaat uit een Fourier feature embedding-laag gevolgd door een zes-laagse Multi-Layer Perceptron (MLP) met 256 neuronen per verborgen laag en hyperbolic tangent activaties.
   • Mitigatie van Spectrale Bias: Om de neiging van standaard MLP's om eerst laagfrequente componenten te leren (spectrale bias) aan te pakken, wordt de invoerruimte verhoogd met een random Fourier feature embedding met een Gaussische projectiematrix.
   • Fysische Regularisatie: De verliesfunctie bevat expliciete fysische beperkingen:
     • Monotoniciteit: Het afdwingen dat de reflectieverlies verbetert (negatiever wordt) met de frequentie in het absorberende regime.
     • Hoekgrenswaarde: Het afdwingen van een monotone degradatie van absorptie met toenemende invalshoek voor TE-polarisatie.
     • Gladheid: Tikhonov-regularisatie om gladde gradiënten te garanderen.
3. Training: Het model werd getraind met de Adam-optimizer met een cosine annealing learning rate scheduling over 600 epochs op een enkele CPU-thread, wat 42 seconden duurde.

Belangrijkste Bijdragen

• Surrogaatontwikkeling: De creatie van een PINN-surrogaat die een sub-decibel nauwkeurigheid bereikt ten opzichte van de analytische TMM-baseline zonder de noodzaak van GPU-acceleratie.
• Architecturale Innovatie: De integratie van random Fourier feature embedding met specifieke fysisch-geïnformeerde regularisaties (monotoniciteit en hoekbeperkingen) om fysisch plausibele voorspellingen te garanderen over de volledige parameterruimte.
• Multi-Band Optimalisatie: Gebruik van het getrainde surrogaat voor snelle, exhaustieve dikte-optimalisatie over de S-, X- en Ku-banden om kwartgolf-resonantie optima te identificeren.
• Beoordeling Structurele Integratie: Een kwantitatieve evaluatie van de massa-overhead die nodig is om de geoptimaliseerde CFRP/Ti-6Al-4V ELI bilayer op MALE UAV-luchtframes te integreren.

Resultaten

• Nauwkeurigheid: Het surrogaatmodel bereikte een Root-Mean-Square Error (RMSE) van 0,22 dB en een Mean Absolute Error (MAE) van 0,12 dB ten opzichte van de TMM-referentie. 95% van de evaluatiepunten viel binnen een foutmarge van 0,5 dB. De grootste afwijkingen traden alleen op in regio's met grazende invalshoeken ($\theta > 75^\circ$) waar absorptie inherent zwak is.
• Efficiëntie: Het trainingsproces duurde 42 seconden op een enkele CPU. De versnelling van de inferentie ten opzichte van directe TMM-evaluatie is ongeveer 50-voudig, wat snelle parametrische studies mogelijk maakt.
• Optimalisatie-uitkomsten: De multi-band dikte-optimalisatie identificeerde de volgende kwartgolf-optima voor normale inval:
  • S-band (2–4 GHz): 3,9 mm dikte ($RL = -4,64$ dB).
  • X-band (8–12 GHz): 1,9 mm dikte ($RL = -8,93$ dB).
  • Ku-band (12–18 GHz): 1,5 mm dikte ($RL = -11,31$ dB).
• Structurele Impact: Voor een representatieve MALE UAV (MQ-9A Reaper) voegt de Ku-band geoptimaliseerde coating (1,5 mm) ongeveer 60,8 kg massa toe, wat resulteert in een massa-overhead van 1,3%. Over een breder MALE-klasse envelop varieert de overhead tussen de 1,5% en 8,5%, wat de auteur als acceptabel beschouwt voor radar-absorberende varianten.

Betekenis en Claims
Het artikel positioneert dit werk als een computationeel efficiënte route voor gekoppeld materiaal- en structureel UAV-ontwerp. De auteur claimt dat hoewel het specifieke single-layer probleem theoretisch direct via analytische optimalisatie kan worden opgelost, het voorgestelde surrogaat drie duidelijke voordelen biedt voor bredere engineering-toepassingen:

1. Differentieerbaarheid: Het getrainde netwerk is volledig differentieerbaar met betrekking tot alle inputs, waardoor de analytische berekening van sensitiviteiten (bijv. $\partial RL/\partial \theta$) mogelijk is in een enkele backward pass, wat essentieel is voor gradiënt-gebaseerde airframe-optimalisatiecycli.
2. Schaalbaarheid: De architectuur is ontworpen om te schalen naar complexe, analytisch onhandelbare problemen (bijv. gegradeerde meerlagige absorbers of frequentie-afhankelijke dispersie) waar directe numerieke solvers te traag zouden zijn.
3. Inverse Design Mogelijkheid: Eenmaal getraind, ondersteunt het netwerk inverse queries, waarbij doelstellingen voor reflectieverlies worden teruggekoppeld naar toelaatbare materiaal- of diktecombinaties.

De studie valideert de "surrogaat-eerst" filosofie door aan te tonen dat een physics-informed benadering een engineering-grade nauwkeurigheid (sub-0,5 dB fout) kan bereiken op standaard hardware, wat een fundament legt voor toekomstige multi-disciplinaire design optimalisatie (MDO) frameworks die stealth en structurele prestaties simultaan integreren.