科学机器学习为快速火箭发动机设计铺平道路
机器学习辅助火箭发动机快速开发并不意味着设计火箭就没有那么复杂了。
时间、成本和安全性问题不能用“试错法”测试火箭的稳定性。即使是计算模拟也非常耗时。例如，对整个SpaceX-Merlin火箭发动机的一次分析，超级计算机可能需要数周甚至数月的时间，才能提供令人满意的预测。
德克萨斯大学奥斯汀分校的一组研究人员正在开发新的 “科学机器学习 “方法来应对这一挑战。科学机器学习是一个相对较新的领域，它融合了科学计算和机器学习。通过物理建模和数据驱动学习的结合，就有可能创建降阶模型——可以在很短时间内运行模拟，这使得该方法在设计环境中特别有用。
这项工作由奥登计算工程与科学研究所的Karen Willcox领导，其目标是为火箭发动机设计师提供一种快速评估火箭发动机在各种工作条件下的性能的方法。
“奥斯汀大学奥登研究所的Willcox小组正在开发的降阶模型将为火箭发动机设计人员提供快速设计能力起到至关重要的作用，”空军火箭研究实验室燃烧装置分部的高级航空航天研究工程师Ramakanth Munipalli说。”在一些重要的情况下，这些降阶模型是模拟大型推进系统的唯一手段。因为设计人员经常受到成本和进度的严重制约。”
这种新方法已经被应用到空军使用的代码中，称为通用方程和网格求解器(GEMS)。Willcox的小组收到了通过运行一个特定场景的GEMS代码生成的“快照”，该场景模拟了一个火箭发动机燃烧室的单个喷射器。。这些快照代表燃烧室中压力、速度、温度和化学成分的瞬时场，它们是Willcox和她的研究小组推导出降阶模型的训练数据。
在GEMS中生成训练数据需要大约200小时的计算机处理时间。一旦训练完毕，降阶模型可以在几秒钟内运行相同的模拟。但这些模型不仅仅是重复训练模拟，还可以模拟未来，预测燃烧室在非训练数据的操作条件下的物理响应。
虽然不完美，但这些模型在预测整体动力学方面做得很好。它们在捕捉压力信号的相位和振幅方面特别有效，这是准确预测发动机稳定性的关键因素。
降阶模型是目前所依赖的昂贵高保真模型的替代品。机器学习模型提供的答案足以指导工程师的设计决策，但只需很短的时间。
科学机器学习与传统机器学习本质上类似，关键区别在于理解火箭发动机稳定性的物理学是至关重要的。在训练过程中，这些物理学知识必须被嵌入到降阶模型中。
现成的机器学习方法不足以解决工程和科学中的挑战性问题，比如这种多尺度、多物理的火箭发动机燃烧应用方面，会有不足。物理学太复杂了，生成训练数据的成本太高了。科学机器学习提供了更大的潜力。
你可能感兴趣的文章：
发表评论
评论已关闭。
评论列表(3)