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

Resumo Técnico: Um Modelo Substituído de Rede Neural Informada pela Física para a Predição de Perda de Reflexão Multibanda de CFRP/Ti-6Al-4V ELI RAM

Definição do Problema
O projeto de Materiais Absorvedores de Radar (RAM) para Veículos Aéreos Não Tripulados (VANTs) baseia-se tipicamente em resolvedores analíticos ou numéricos, como o Método da Matriz de Transferência (TMM), o Método de Diferenças Finitas no Domínio do Tempo (FDTD) ou o Método dos Momentos (MoM). Embora precisos, esses métodos tornam-se computacionalmente onerosos ao explorar grandes espaços de projeto que envolvem múltiplas bandas de frequência, ângulos de incidência e espessuras de material. Isso é particularmente crítico para VANTs, onde a baixa observabilidade (stealth) deve ser equilibrada com a integridade estrutural e restrições de massa. Especificamente, compósitos de Polímero Reforçado com Fibra de Carbono (CFRP) apoiados por titânio aeroespacial Ti-6Al-4V ELI oferecem uma função dupla de estrutura de suporte de carga e absorção eletromagnética, mas a otimização de sua espessura para desempenho multibanda requer avaliações rápidas e repetidas que os resolvedores tradicionais não conseguem fornecer de forma eficiente.

Metodologia
O autor propõe um modelo substituto de Rede Neural Informada pela Física (PINN) para prever a Perda de Reflexão (RL) de um absorvedor de CFRP com suporte metálico ao longo da banda de frequência de 2–18 GHz e ângulos de incidência Transversal-Elétricos (TE) de 0–80°.

1. Geração de Dados: Um conjunto de dados de referência de 6.400 amostras foi gerado usando uma implementação personalizada em Python do TMM. Os parâmetros de entrada incluíram frequência ($f$), ângulo de incidência ($\theta$) e espessura do absorvedor ($d$). O sistema de material foi modelado como uma camada de CFRP magneto-dielétrica homogênea sobre um Condutor Elétrico Perfeito (PEC) representando o substrato de Ti-6Al-4V ELI.
2. Arquitetura da Rede: A PINN consiste em uma camada de incorporação de características de Fourier seguida por um Perceptron Multicamadas (MLP) de seis camadas com 256 neurônios por camada oculta e ativações de tangente hiperbólica.
   • Mitigação do Viés Espectral: Para abordar a tendência dos MLPs padrão de aprender primeiro componentes de baixa frequência (viés espectral), o espaço de entrada é elevado através de uma incorporação de característica de Fourier aleatória com uma matriz de projeção Gaussiana.
   • Regularização Física: A função de perda inclui restrições explícitas baseadas na física:
     • Monotonicidade: Forçar que a perda de reflexão melhore (torne-se mais negativa) com a frequência na região de absorção.
     • Limite Angular: Forçar a degradação monotônica da absorção com o aumento do ângulo de incidência para polarização TE.
     • Suavidade: Regularização de Tikhonov para garantir gradientes suaves.

• Treinamento: O modelo foi treinado com o otimizador Adam utilizando um escalonamento de taxa de aprendizado por recozimento de cosseno (cosine annealing) ao longo de 600 épocas em um único thread de CPU, completando em 42 segundos.

Principais Contribuições

• Desenvolvimento de Modelo Substituto: A criação de um substituto PINN que alcança precisão sub-decibel contra a linha de base analítica do TMM sem exigir aceleração por GPU.
• Inovação de Arquitetura: A integração de incorporação de característica de Fourier aleatória com regularizadores específicos baseados na física (monotonicidade e restrições angulares) para garantir previsões fisicamente plausíveis em todo o espaço de parâmetros.
• Otimização Multibanda: Utilização do substituto treinado para realizar uma otimização de espessura exaustiva e rápida através das bandas S, X e Ku para identificar ótimos de ressonância de quarto de onda.
• Avaliação de Integração Estrutural: Uma avaliação quantitativa da sobrecarga de massa necessária para integrar o bilayer CFRP/Ti-6Al-4V ELI otimizado em estruturas de VANTs de média altitude e longo alcance (MALE).

Resultados

• Precisão: O modelo substituto alcançou um Erro Quadrático Médio (RMSE) de 0,22 dB e um Erro Médio Absoluto (MAE) de 0,12 dB contra a referência TMM. 95% dos pontos de avaliação ficaram dentro de uma margem de erro de 0,5 dB. As maiores desvios ocorreram apenas em regiões de incidência rasante ($\theta > 75^\circ$), onde a absorção é inerentemente fraca.
• Eficiência: O processo de treinamento levou 42 segundos em um único thread de CPU. A aceleração de inferência sobre a avaliação direta do TMM é de aproximadamente 50 vezes, permitindo estudos paramétricos rápidos.
• Resultados de Otimização: A otimização de espessura multibanda identificou os seguintes ótimos de quarto de onda para incidência normal:
  • Banda S (2–4 GHz): Espessura de 3,9 mm ($RL = -4,64$ dB).
  • Banda X (8–12 GHz): Espessura de 1,9 mm ($RL = -8,93$ dB).
  • Banda Ku (12–18 GHz): Espessura de 1,5 mm ($RL = -11,31$ dB).
• Impacto Estrutural: Para um VANT MALE representativo (MQ-9A Reaper), o revestimento otimizado para a banda Ku (1,5 mm) adiciona aproximadamente 60,8 kg de massa, resultando em uma sobrecarga de massa de 1,3%. Através de um envelope mais amplo da classe MALE, a sobrecarga varia de 1,5% a 8,5%, o que o autor considera aceitável para variantes de absorção de radar.

Significância e Alegações
O artigo posiciona este trabalho como um caminho computacionalmente eficiente para o design estrutural e de materiais acoplados em VANTs. O autor afirma que, embora o problema específico de camada única pudesse teoricamente ser resolvido via otimização analítica direta, o substituto proposto oferece três vantagens distintas para aplicações de engenharia mais amplas:

1. Diferenciabilidade: A rede treinada é totalmente diferenciável em relação a todas as entradas, permitindo o cálculo analítico de sensibilidades (ex: $\partial RL/\partial \theta$) em uma única passagem de retropropagação (backward pass), o que é essencial para loops de otimização de célula de aeronave baseados em gradiente.
2. Escalabilidade: A arquitetura é projetada para escalar para problemas complexos e analiticamente intratáveis (ex: absorvedores de multicamadas graduadas ou dispersão dependente de frequência) onde resolvedores numéricos diretos seriam muito lentos.
3. Capacidade de Design Inverso: Uma vez treinada, a rede suporta consultas inversas, mapeando especificações de perda de reflexão alvo de volta para combinações admissíveis de material ou espessura.

O estudo valida a filosofia "substituto primeiro" ao demonstrar que uma abordagem informada pela física pode alcançar precisão de nível de engenharia (erro sub-0,5 dB) em hardware padrão, fornecendo uma base para futuros frameworks de otimização de design multidisciplinar (MDO) que integram simultaneamente desempenho de stealth e estrutural.