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

Este trabalho apresenta um framework de modelagem de ordem reduzida baseada em componentes (CBROM) que, ao decompor geometricamente motores de foguete em componentes individuais e acoplá-los via projeção MP-LSVT, permite simulações precisas e computacionalmente eficientes da dinâmica de combustão em configurações multi-injetor, superando as limitações de custo das simulações de alta fidelidade.

O essencial

Imagine que você precisa projetar o motor de um foguete gigante. O problema é que simular como o combustível queima, como o som viaja e como o ar se move dentro desse motor é como tentar prever o tempo em todo o planeta, mas em escala microscópica e com explosões.

Os computadores mais potentes do mundo hoje em dia ainda demoram anos para fazer uma única simulação detalhada e precisa de um motor desses. Para os engenheiros, que precisam testar centenas de designs diferentes (mudar o tamanho de uma peça, a pressão, etc.), isso é impossível. É como tentar desenhar um mapa de uma cidade inteira desenhando cada tijolo de cada prédio, um por um, antes de saber se a cidade vai funcionar.

Aqui entra o trabalho de Brody Gatza e Cheng Huang. Eles criaram uma "caixa de ferramentas" inteligente chamada Modelagem Reduzida Baseada em Componentes (CBROM).

A Analogia do Quebra-Cabeça Modular

Pense no motor do foguete não como uma peça única e gigante, mas como um quebra-cabeça feito de peças repetidas.

• O motor tem 7 injetores (peças que jogam o combustível).
• Todos os injetores do meio são idênticos.
• Os injetores nas paredes são iguais entre si, mas diferentes dos do meio.
• E tem a parte de trás, o bocal, que é único.

O problema antigo: Para simular o motor todo, você precisava calcular a física de todos os 7 injetores e o bocal ao mesmo tempo, o que exigia um computador superpoderoso.

A solução deles (CBROM):

1. Estudar as Peças Individuais: Em vez de estudar o motor inteiro, eles pegaram apenas um injetor do meio e apenas um injetor da parede, e criaram simulações super detalhadas apenas para essas pequenas peças. É como se você aprendesse a cozinhar um prato perfeito (o injetor) em uma panela pequena, antes de tentar cozinhar um banquete inteiro.
2. Criar "Mini-Engenheiros" (ROMs): Eles treinaram modelos de computador (chamados ROMs) para entender como uma única peça se comporta. Esses modelos são rápidos e leves.
3. Montar o Motor: Depois, eles "conectaram" esses mini-engenheiros. O modelo do injetor do meio fala com o modelo do injetor da parede, que fala com o modelo do bocal.
4. O Truque da Adaptação: O que torna isso genial é que, se você mudar o tamanho de um injetor (por exemplo, torná-lo um pouco mais comprido), o modelo não precisa ser refeito do zero. Ele se "estica" e se adapta, como um elástico, para entender a nova forma sem precisar de novos cálculos pesados.

Por que isso é incrível?

Imagine que você quer saber o que acontece se você apagar um dos injetores do foguete (talvez por uma falha).

• Método Antigo: Teria que rodar uma simulação nova do motor inteiro do zero. Demoraria meses.
• Método Novo (CBROM): O sistema apenas "troca" o modelo do injetor desligado por um modelo de "injetor morto" e recalcula a interação entre as peças. Isso leva horas em vez de meses.

Os Resultados na Prática

Os autores testaram isso em um motor com 7 injetores. Eles mudaram coisas como:

• Desligar o injetor do centro.
• Desligar o do centro e o da parede.
• Aumentar o tamanho do "buraco" dentro do injetor.

O resultado? O modelo novo conseguiu prever exatamente o que o computador superpoderoso (o método antigo) previa, com 7,7 vezes mais velocidade.

Eles conseguiram prever:

• O som do motor: Onde as ondas de choque e o barulho da explosão se formam.
• O calor: Onde o motor fica mais quente e onde o combustível frio penetra.
• A estabilidade: Se o motor vai vibrar perigosamente ou se vai funcionar suavemente.

Resumo em uma frase

Eles criaram um sistema que ensina o computador a entender as "peças de Lego" de um motor de foguete individualmente e depois as junta rapidamente, permitindo que engenheiros testem milhares de designs diferentes em tempo recorde, sem precisar de supercomputadores que demoram anos para rodar.

É como passar de desenhar cada tijolo de um arranha-céu para apenas montar os andares pré-fabricados que você já conhece perfeitamente.

Resumo técnico

Resumo Técnico: Framework de Modelagem de Ordem Reduzida Baseada em Componentes para Dinâmica de Combustão em Foguetes

1. Problema e Motivação
Simulações de alta fidelidade (como Simulações de Grandes Vórtices - LES) de motores-foguete em escala real são computacionalmente proibitivas para fins de projeto, que exigem avaliações paramétricas iterativas. Mesmo com o avanço da computação de alto desempenho (HPC), simular um motor completo com centenas de injetores pode exigir mais de $10^{10}$ horas de CPU, tornando-se inviável para a indústria. Métodos existentes, como modelos de baixa fidelidade (RFMs), muitas vezes sacrificam a precisão física, enquanto abordagens puramente baseadas em dados (Machine Learning) sofrem com falta de consistência física e generalização. Modelos de Ordem Reduzida (ROMs) tradicionais baseados em projeção enfrentam o "bloqueio de Kolmogorov" em dinâmicas não lineares complexas e exigem dados de treinamento de sistemas completos, que não estão disponíveis.

2. Metodologia Proposta
Os autores desenvolveram um Framework de Modelagem de Ordem Reduzida Baseada em Componentes (CBROM). A abordagem principal consiste em decompor o domínio do motor de foguete em componentes geométricos representativos, treinar ROMs individuais para cada componente e acoplá-los para simular o sistema completo.

• Decomposição do Domínio: O combustor de múltiplos injetores é dividido em três tipos de componentes de referência:
  1. Injetores adjacentes à parede (Wall Injectors).
  2. Injetores internos (Interior Injectors).
  3. Componente a jusante (Combustor e Bocal).
• Estratégia de Treinamento Híbrida:
  • Para Injetores: Utiliza-se uma estratégia de geometria reduzida. Simulações de alta fidelidade são realizadas em domínios menores contendo apenas o injetor de interesse e injetores auxiliares (para capturar interações), com regiões de amortecimento (buffers) para evitar reflexões indesejadas. Isso elimina a necessidade de simular o motor inteiro para treinar os ROMs dos injetores.
  • Para o Componente a Jusante: Utiliza-se uma estratégia de geometria completa, mas com os injetores a montante modelados pelos ROMs já treinados, enquanto o combustor e o bocal são modelados pelo modelo de ordem completa (FOM).
• Formulação do ROM:
  • Utiliza-se Decomposição Ortogonal Proper (POD) para construir a base de baixa dimensão.
  • Emprega-se Least-Squares com Transformação de Variáveis e Preservação de Forma do Modelo (MP-LSVT) para garantir estabilidade e consistência física.
  • Aplica-se Redução Hiper (Hyper-reduction) via Método de Interpolação Empírica Discreta (DEIM) para acelerar a avaliação de resíduos não lineares.
  • Implementa-se uma formulação Adaptativa, onde a base e os pontos de amostragem são atualizados durante a simulação online para capturar dinâmicas não estacionárias e evitar o bloqueio de Kolmogorov.
• Acoplamento: Os componentes são acoplados através de um método de correspondência direta de fluxo (direct flux matching) via atribuição de células fantasmas, garantindo a conservação de massa, momento e energia nas interfaces.

3. Contribuições Chave

• Viabilidade de Escala: Demonstra que é possível modelar motores de foguete em escala completa (com centenas de injetores) decompondo o problema em componentes menores, tornando o treinamento de ROMs viável onde simulações FOM completas não são.
• Capacidade Paramétrica e Geométrica: O framework permite simulações paramétricas (mudanças nas condições de operação) e geométricas (alterações no design dos injetores) sem a necessidade de retreinamento completo ou remalhamento do domínio inteiro. A base do ROM pode ser mapeada para novas geometrias e adaptada online.
• Conservação Física: Ao contrário de modelos de "caixa preta" de ML, o CBROM integra as equações físicas (PDEs) diretamente na formulação do ROM, garantindo resultados fisicamente consistentes.

4. Resultados Numéricos
O framework foi validado em um combustor de foguete 2D com sete injetores que exibe instabilidades de combustão autoexcitadas. Foram testados quatro casos:

1. Caso Baseline: Condições operacionais nominais.
2. Caso Paramétrico 1: Desligamento do injetor de combustível central.
3. Caso Paramétrico 2: Desligamento dos injetores central e da parede direita.
4. Caso Geométrico: Aumento de 50% no comprimento do recesso dos injetores da parede.

Desempenho e Precisão:

• Espectros DMD: O CBROM capturou com precisão as mudanças nas frequências dominantes e amplitudes dos modos acústicos (pressão e temperatura) causadas pelo desligamento dos injetores, incluindo o surgimento de novos modos acústicos.
• Campos Estatísticos: Os campos de temperatura média no tempo e de Raiz Quadrada Média (RMS) gerados pelo CBROM mostraram excelente concordância com as simulações FOM, capturando corretamente a penetração de reagentes frios, zonas de recirculação e a assimetria induzida pelo desligamento dos injetores.
• Aceleração Computacional: O framework alcançou uma aceleração de aproximadamente 7,7x em relação às simulações FOM completas para todos os casos testados, reduzindo significativamente o custo computacional.

5. Significado e Conclusão
Este trabalho estabelece um marco para a modelagem de sistemas de propulsão em grande escala. O framework CBROM supera as limitações de custo de dados e memória das simulações FOM completas, permitindo a exploração eficiente de espaços de design paramétrico e geométrico. A capacidade de prever com precisão a dinâmica de combustão complexa (não linear e não estacionária) em motores com múltiplos injetores abre caminho para o uso de ROMs no projeto de motores-foguete convencionais e de próxima geração (como motores de detonação rotativa - RDREs). O sucesso neste estudo valida a abordagem de decomposição de domínio combinada com MOR adaptativa como uma ferramenta robusta para a engenharia aeroespacial.