⚡ 电气工程

GrainArtist: A Physics-Informed Multi-Engine Framework for Solid Rocket Propellant Grain Inverse Design

本文介绍了 GrainArtist，这是一个物理启发式多引擎框架，它通过整合多种计算方法，能够快速且准确地进行固体推进剂药柱的逆向设计，在实现各种工况下高弹道跟踪精度的同时，通过解析安全防护机制高效地过滤掉不可行的几何形状。

原作者： Mostafa Bheary

发布于 2026-09-29

📖 1 分钟阅读☕ 轻松阅读

原作者： Mostafa Bheary

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

固体火箭发动机是航天领域的功臣，为从导弹拦截器到将卫星送入轨道的运载火箭上层级等各种飞行任务提供动力。与可以调节推力或关闭的液体燃料发动机不同，固体火箭发动机是一个简单的、坚固的圆柱体，内部填充着一整块高能材料。一旦点火，它就会一直燃烧直到燃料耗尽，而其整个性能表现完全取决于刻在燃料块中心处的孔洞形状。随着火焰吞噬这个孔洞的表面，燃烧面积会发生变化，进而改变发动机内部的压力和产生的推力。工程师们面临着一个难题：如果他们需要特定的推力模式——例如为了脱离大气层而进行的剧烈爆发，随后通过持续的推力到达轨道——他们必须设计出一种能够随着燃烧过程精确产生该模式的孔洞形状。这被称为“逆向设计”，由于形状与产生的火焰之间的关系复杂、非线性且受严格的安全规则约束，这一过程极其困难。如果形状具有尖锐的向内指向的角，点火时的剧烈热量和压力会导致燃料开裂，并导致发动机发生灾难性的失效。

由贝尼苏韦大学（Beni-Suef University）的 Mostafa Bheary 领导的研究小组引入了一种名为 GrainArtist 的新系统来解决这一设计难题。GrainArtist 并非依赖单一的方法来猜测正确的形状，而是作为一个多引擎工作坊，同时运行五种不同的设计策略。这些策略范围广泛，从在已知形状库中进行搜索并利用深度学习预测新形状，到应用严格的数学公式以及通过计算机模拟演化随机形状。在任何策略被允许运行耗时的完整火灾计算机模拟之前，系统会对每一个潜在设计进行快速的、基于物理学的安全性检查。这种检查源自成熟的航空航天安全原则，能够瞬间剔除那些过薄、具有危险尖角或会导致发动机因自身排气阻塞而失效的设计。通过在消耗计算资源之前过滤掉超过 99% 的不可能或危险的想法，该系统确保只有可行的候选方案才会被进行详细测试。

该系统针对三种不同的任务剖面进行了测试，以观察其逆向工程正确燃料形状的能力。在一次测试中，它必须创建一个产生持续增加推力的形状，即所谓的“递增燃烧”（progressive burn）。在另一次测试中，它需要维持恒定、平稳的推力水平，这是空对空导弹的典型特征。第三种也是最具挑战性的测试要求一种双重推力剖面：起始阶段的高压爆发，随后迅速下降到较低的稳定压力。对于前两种场景，系统成功合成出了复杂的、多瓣状的形状，其匹配目标推力曲线的准确度超过了 98%。对于双重推力任务，此前依赖简单平滑曲线的方法对此束手无策，但系统内的专用解析引擎仅用 7.36 秒就找到了解决方案。该方案使用了一种类似齿轮的齿状图案，这种图案在初期燃烧迅速，随后平滑过渡到稳定燃烧，而标准的设计模板无法产生这种形状。

研究人员发现，没有任何单一的设计方法能适用于所有情况。深度学习方法可以在不到一秒的时间内生成形状，但有时会产生物理上不可能或不准确的结果。模仿自然选择的进化搜索虽然稳健但速度较慢，通常需要超过两分钟才能收敛到解。解析引擎利用特定数学公式生成的齿状形状在处理双重推力任务时速度最快且最准确，但在处理恒定推力任务时表现欠佳。通过同时运行所有这些引擎并让计算机评判最佳结果，该系统在所有测试案例中都实现了高准确度。从定义任务需求到找到最终的燃料形状，整个过程对于复杂的进化搜索而言耗时不到两分钟，而对于解析解而言仅需几秒钟。

尽管该系统成功设计出了在计算机模拟中有效的形状，但研究人员指出，目前的这些设计仅限于二维横截面。真实的火箭发动机是一个三维物体，制造复杂的形状通常需要将金属芯从燃料中抽出，这一过程要求特定的角度以防止工具卡住。目前的系统可以保证二维形状是安全的且不会开裂，但尚未验证其三维版本是否可以物理铸造，或者是否可以使用新的增材制造技术制作。作者建议，下一步是将系统扩展到处理具有完整三维电机以及沿发动机长度堆叠的多个燃料段。在此之前，GrainArtist 作为一个强大的筛选工具，允许工程师探索广阔的燃料形状宇宙，并在投入昂贵且危险的真实火箭发动机制造与点火过程之前，识别出最具潜力的候选方案。

技术摘要：GrainArtist —— 一种用于固体火箭推进剂药柱逆向设计的物理启发式多引擎框架

问题陈述
固体火箭发动机（SRM）推进剂药柱的逆向设计涉及确定初始孔道几何形状 ( $\Omega_0$ )，以产生预设的燃烧室压力或推力-时间曲线 ( $P^*(t)$ 或 $F^*(t)$ )。这是一个本质上具有病态性、高维性且受多重约束的优化问题。其非线性源于由圣罗贝尔（Saint-Robert）燃烧速率定律 ( $r = aP_c^n$ ) 控制的热力学-几何反馈循环，其中瞬时燃烧面积 ( $A_b$ ) 决定了燃烧室压力。

现有方法面临显著局限：

经典解析方法： 受限于僵化的“原始”模板（如星形、BATES、Finocyl），无法合成复杂的双阶段推力或任意剖面。
随机进化算法： 需要极高的计算资源（ $10^4$ – $10^5$ 次前向评估），并存在“冷启动”效率低下和过早陷入局部最优的问题。
隐式拓扑方法： 提供拓扑自由度，但生成的几何形状往往难以制造（如尖锐缺口、内部空隙），且计算成本高昂（3D 情况下为 $O(N^3)$ ）。
深度学习方法： 提供快速推理，但存在“物理幻觉”风险（例如负值壁厚），且在缺乏解析防护的情况下，无法遵循严格的航空航天安全标准（如 NASA SP-8076/8064）。

此外，实际工程施加了严格的约束：结构完整性（最小圆角半径 $r_{fillet} \ge 2.22$ mm 以防止应力奇异）、气动稳定性（孔径与喷管面积比 $A_p/A_t \ge 1.50$ 以抑制冲蚀燃烧）以及可制造性（壳体间隙和拔模角）。

方法论：GrainArtist 框架
GrainArtist 通过一个物理启发式、多引擎并发架构来解决这些挑战。它并非依赖单一范式，而是集成五个合成引擎，并在统一的解析安全防护层下运行，并由高保真 GPU 加速的前向模拟器进行评估。

解析安全防护层： 在进行任何 GPU 模拟之前，候选几何形状会在 CPU 内存中（每个候选者约 $\approx 22.89 \mu s$ ）通过基于 NASA SP-8076 和 SP-8064 原则的五个谓词进行过滤：
- 壁厚间隙 ( $w_{web} \ge 5.0$ mm)。
- 防止空隙合并。
- 圆角半径 ( $r_{fillet} \ge 2.22$ mm)。
- 孔径-喷管气动稳定性 ( $A_p/A_t \ge 1.50$ )。
- 体积填充约束 ( $V_f/V_c \in [0.35, 0.88]$ )。
  该层过滤掉了 99.05% 的不可行设计，确保在无效候选者上实现零 GPU 开销。
五大并发合成引擎：
- 引擎 I（向量数据库检索）： 从包含 5,000 个经过验证的设计（跨越 10 个几何族）的分层数据集中检索最近邻种子。
- 引擎 II（深度神经网络逆向大脑）： 一个多层感知器（MLP），通过主成分分析（PCA）将目标轨迹（压力、斜率、冲量）映射到 36 维的潜在符号距离场（SDF）流形，实现亚秒级的零样本预测。
- 引擎 III（双阶段极轮齿轮优化器）： 一种专门的闭式解析引擎，利用四个参数（ $N_t, r_{in}, d_{tooth}, w_r$ ）通过几何阶段转换来合成增压-持续（Boost-Sustain）剖面。
- 引擎 IV（生成式自由形态雕刻器）： 一个连续 25 自由度的引擎，结合谐波轮廓与高斯喷射器及卫星空隙，用于生成非标准、非对称剖面。
- 引擎 V（神经-遗传算法进化引擎）： 一种代理加速的遗传算法，利用双层热启动（数据库 + 神经网络）和基于不确定性引导的 $k$ -NN 过滤来减少 GPU 评估次数。
GPU 加速前向模拟器：
框架采用在 $1000 \times 1000$ 网格上基于 CuPy 加速的欧几里得距离变换（EDT）求解器。它执行带有 Sutton 燃尽后气流吹扫的前向燃烧回退计算，耗时约为 $\approx 0.59$ 秒。模拟器通过综合适应度函数对几何形状进行验证，该函数平衡了压力跟踪精度（ $R^2$ , MAE）、峰值压力误差、燃尽持续时间和残余碎屑质量。
锦标赛仲裁器：
自动化的多指标仲裁器评估所有五个引擎的输出，并根据工作区间精度、结构合规性和计算效率选出“冠军”设计。

核心贡献

多引擎架构： 首个集成了数据库检索、神经逆向、解析优化、生成式雕刻和进化搜索的统一框架。
极轮齿轮解析引擎： 一种针对双阶段推力（增压-持续）任务的确定性闭式求解器，在 7.36 秒内实现了 98.24% 的精度。
解析安全防护： 一种预飞过滤系统，在 CPU 内存中消除了 99.05% 的不可行几何形状，严格执行基于 NASA 标准的结构和气动约束。
代理加速搜索： 神经-GA 引擎通过不确定性引导的 $k$ -NN 过滤和 MD5 缓存，将全量 GPU 前向评估次数减少了 77.6%。
高保真模拟： GPU 加速的 EDT 求解器在执行全模拟时，与解析圆孔预测的偏差在 0.28% 以内，且执行时间不足一秒。

结果
该框架在三种典型弹道状态下进行了验证：

递增状态（六瓣星形）： 实现 98.81% 的工作区间精度（98.74% 全轨迹 MAE），收敛时间约为 $\approx 111.6$ 秒。
中性状态（同心棒管式）： 实现 98.61% 的工作区间精度（93.94% 全轨迹 MAE），耗时约为 $\approx 118.1$ 秒。
双阶段推力增压-持续状态（极轮齿轮）： 实现 98.24% 的工作区间精度，并以 7.36 秒 的确定性时间完成收敛。

消融研究证实，双层热启动和代理过滤相比于标准的冷启动 GA，将总运行时间缩短了 4.46 倍，同时保持了求解质量。多引擎锦标赛证明，没有单一引擎能统治所有状态；极轮齿轮引擎在双阶段推力剖面方面表现卓越，而神经-GA 引擎在处理中性剖面时更具优势。

意义与声明
本文声称 GrainArtist 解决了几何表达能力、收敛速度与严格遵守航空航天安全启发式规则之间的根本权衡。通过将逆向设计视为一个竞争性的多引擎问题，该框架避免了解析方法的“原始陷阱”和进化算法的“冷启动困境”。

作者强调，虽然该框架保证了 2D 平面壳体间隙和圆角半径（必要条件），但物理 3D 可制造性（例如铸造用的拔模角）仍需要下游验证或增材制造工作流。该系统被定位为一个高保效计算筛选工具，能够大幅缩小物理原型制作前的设计搜索空间，具备合成多种弹道剖面所需的任务定制化几何形状的能力，其工作区间跟踪精度一致超过 98%。

类似论文