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

O voo em alta velocidade na borda do espaço apresenta um desafio único e brutal para os engenheiros. Quando um veículo se move mais rápido do que cinco vezes a velocidade do som, o ar à sua frente não simplesmente se afasta; ele se comprime tão violentamente que aquece a temperaturas onde as próprias moléculas de ar começam a se decompor e a reagir quimicamente. Isso cria um ambiente complexo onde a forma do veículo, o calor que ele gera e as forças que empurram contra ele estão todos unidos em um equilíbrio delicado. Projetar um veículo para este regime exige encontrar uma forma que minimize o arrasto para economizar combustível e, simultaneamente, gerencie o calor intenso que poderia derreter a pele da nave. Tradicionalmente, os engenheiros tiveram que confiar em simulações computacionais poderosas para testar esses designs. Essas simulações são incrivelmente precisas, mas também incrivelmente lentas, muitas vezes levando dias para modelar uma única condição de voo. Como o processo é tão caro, os designers geralmente só conseguem testar um punhado de formas, deixando vastas possibilidades inexploradas e potencialmente perdendo o melhor design possível.

Uma equipe de pesquisadores desenvolveu um novo método para contornar esse gargalo, permitindo explorar milhares de variações de design no tempo que antes era usado para simular apenas um. Eles criaram um tipo de inteligência artificial que atua como um atalho rápido e inteligente para as simulações computacionais lentas. Em vez de executar o cálculo completo e pesado para cada nova forma ou ângulo de voo, este sistema aprende os padrões subjacentes de como o ar flui e aquece. Uma vez treinado, ele pode prever o comportamento de um novo design quase instantaneamente. Os pesquisadores testaram essa abordagem em dois tipos de veículos hipersônicos muito diferentes: uma família de formas de nariz rombo que mudam conforme o nariz se desgasta pelo calor, e uma asa voadora tridimensional de ponta aguda projetada para voar sobre sua própria onda de choque. Em ambos os casos, o novo sistema previu com sucesso o fluxo complexo de ar e calor com alta precisão, permitindo que a equipe mapeasse os equilíbrios perfeitos entre velocidade, sustentação e proteção térmica em questão de minutos.

A dificuldade central que os pesquisadores enfrentaram foi que a física do voo hipersônico muda drasticamente dependendo da forma do veículo ou do ângulo em que ele voa. Em um de seus casos de teste, eles observaram uma família de formas de nariz rombo onde o raio do nariz muda. À medida que o nariz se torna mais rombo ou mais agudo, todo o espaço físico pelo qual o ar flui muda de forma. Um modelo computacional padrão teria dificuldade em comparar essas diferentes formas porque a grade de pontos usada para medir o ar seria diferente para cada design. Para resolver isso, os pesquisadores inventaram uma maneira de esticar e remodelar cada geometria diferente em um único referencial comum. Imagine pegar o mapa de um país e esticá-lo para que cada fronteira e linha costeira se alinhe perfeitamente com uma grade padrão, independentemente de como o país realmente se parece. Ao fazer isso, a inteligência artificial pôde aprender os padrões do fluxo de ar uma única vez e aplicá-los a qualquer forma da família, mesmo aquelas que ela nunca tinha visto antes.

Para o segundo caso de teste, uma asa voadora tridimensional, a geometria permanecia a mesma, mas a maneira como o ar a atingia mudava conforme o veículo inclinava para cima e para baixo. À medida que o ângulo mudava, uma onda de choque poderosa — uma parede fina de ar comprimido — movia-se pela superfície do veículo. Esta onda de choque móvel é um grande problema para modelos computacionais porque é uma característica nítida e descontínua que muda de posição com cada pequena alteração de ângulo. Se um modelo tentar aprender isso sem ajuda, tende a borrar a onda de choque, transformando uma parede nítida de pressão em um gradiente borrado e impreciso. Os pesquisadores resolveram isso ensinando o sistema a reconhecer a posição da onda de choque primeiro. Eles adicionaram uma etapa especial onde o sistema aprendia a prever exatamente onde a onda de choque estaria para qualquer dado ângulo. Ele então usava essa previsão para criar um novo sistema de coordenadas que se movia com a onda de choque, mantendo a borda nítida na mesma posição relativa à visão interna do modelo. Isso permitiu que o sistema aprendesse os detalhes nítidos da choque sem borrá-los, um feito que modelos padrão não consegravam alcançar.

Os resultados deste trabalho foram impressionantes. Para as formas de nariz rombo, a equipe realizou uma varredura de mais de mil designs diferentes para encontrar o melhor equilíbrio entre arrasto e calor. No passado, testar tantos designs com simulações tradicionais teria levado anos de tempo computacional. Usando seu novo método, a equipe completou toda a busca em cerca de três minutos em um único processador de computador. Eles identificaram duzentos designs que ofereciam os melhores equilíbrios possíveis, onde a melhoria de um fator inevitavelmente pioraria outro. Descobriram que, ao aceitar um pequeno aumento no arrasto, poderiam reduzir significativamente o pico de aquecimento no nariz do veículo, um insight crucial para a proteção térmica. Da mesma forma, para a asa voadora, eles escanearam centenas de diferentes ângulos de voo para encontrar o ponto ideal de eficiência. Eles descobriram que um ângulo específico oferecia um aumento substancial na sustentação com apenas uma penalidade menor na carga de calor, uma combinação que teria sido difícil de identificar sem uma exploração tão densa do espaço de design.

Os pesquisadores foram cuidadosos ao notar onde seu método tinha limites. Embora o sistema fosse excelente em prever a quantidade total de calor atingindo o veículo, era menos preciso ao prever o único ponto mais quente na superfície. Isso ocorre porque o ponto mais quente é um ponto minúsculo e localizado que pode saltar de uma pequena área da superfície para outra conforme o design muda, tornando-o mais difícil de localizar do que a média de calor sobre todo o corpo. Consequentemente, eles usaram a carga térmica total como o objetivo principal para suas escolhas de design, tratando a temperatura de pico como uma verificação secundária em vez do motor principal. Eles também descobriram que o sistema funcionava melhor quando os designs que lhe eram solicitados estavam dentro do intervalo de formas que já havia visto durante o treinamento. Quando solicitado a prever formas muito fora desse intervalo, a precisão caía, embora permanecesse estável o suficiente para evitar erros selvagens. Isso sugere que a ferramenta é melhor usada para explorar o espaço entre designs conhecidos, em vez de inventar geometrias inteiramente novas e não testadas do zero.

Em última análise, este trabalho demonstra uma mudança na forma como os veículos hipersônicos podem ser projetados. Ao substituir a abordagem lenta de força bruta de executar milhares de simulações por um modelo substituto rápido e aprendido, os engenheiros agora podem ver todo o panorama de possibilidades. Eles não são mais forçados a amostrar apenas alguns pontos e adivinhar onde reside o melhor design. Em vez disso, eles podem visualizar todo o contínuo de compensações, vendo exatamente quanto de sustentação podem ganhar por um aumento específico de calor, ou quanto de arrasto podem economizar ao aceitar uma forma ligeiramente diferente. O método não substitui a necessidade de simulações de alta fidelidade, que ainda são necessárias para verificar as escolhas finais, mas altera o papel dessas simulações de um gargalo que limita a exploração para um checkpoint final para os melhores candidatos. Isso permite que o processo de design passe de um jogo de azar, onde os engenheiros esperam tropeçar em um bom design, para um processo de seleção informada, onde o melhor compromisso possível é encontrado com certeza.