La funzione di ricognizione spaziale nell'atmosfera terrestre è una delle sfide più estreme dell'ingegneria aerospaziale: come un veicolo si immerge dalle velocità orbitali che superano Mach 25 in aria sempre più densa, incontra le condizioni di gas che passano da quasi senza collisione a flusso continuo.

Comprensione di dinamiche di gas rarefatti

Il comportamento di un gas in un determinato flusso è caratterizzato dal numero di Knudsen (Kn), definito come rapporto del percorso libero mediale a una scala di lunghezza caratteristica del sistema. Quando Kn è inferiore a 0,01, il gas può essere trattato come un continuum e descritto dal Navier-Stokes equazioni di sola taglia senza paranco.

Durante il reinserimento, una sonda passa attraverso tutti questi regimi. A quota 120-200 km, Kn è sull'ordine di 0,1–10, ponendolo quadrangolare nel regime di transizione. Qui, il gas non è abbastanza denso per una descrizione continuum né così diluire le interazioni di simulazione di Bol-surface dominano.

Metodi di simulazione tradizionali: l'approccio DSMC

Per decenni, il cavalletto di lavoro della simulazione del gas rara è stato il metodo Direct Simulation Monte Carlo. In DSMC, il flusso è rappresentato da un gran numero di molecole simulate, ciascuna posizione di trasporto, velocità e energia interna. Il dominio computazionale è diviso in celle, e all'interno di ogni collisione cellulare viene elaborato in modo probabile, utilizzando modelli come il Variable Hard Sphere (VHS) o il calcolo Variable Soft Sphere (VSS).

DSMC ha avuto un enorme successo nella predizione dei carichi aerotermodinamici per le capsule reentry, come il modulo di comando Apollo e l’orbitatore Space Shuttle. Tuttavia, esso è dotato di costi computazionali significativi. Ogni molecola reale può essere rappresentata da molte migliaia di particelle simulate, e il numero di celle deve essere abbastanza sottile per catturare gradienti, soprattutto vicino alla superficie di veicoli spaziali.

Per superare queste limitazioni, i ricercatori hanno sviluppato una gamma di approcci innovativi che combinano il meglio dei metodi continuum e cinetici, sfruttando l'informatica moderna.

Approcci innovativi alla simulazione

Modelli ibridi continuum-Kinetic

Il percorso più naturale per l'efficienza è quello di utilizzare un risolutore continuum dove è valido e un risolutore cinetico solo se necessario. I metodi continuum-kinetic ibridi dinamici distribuiscono dinamicamente il dominio nelle regioni: le equazioni Navier-Stokes sono risolte in regioni ad alta densità (Kn < 0,01), mentre DSMC o un risolutore cinetico viene utilizzato in zone rarefate.

I sistemi di controllo di sicurezza e di controllo sono più diffusi e più diffusi.

Questi metodi ibridi sono stati convalidati contro i risultati di DSMC pura per geometrie come il modulo dell'equipaggio di Orion e il veicolo di ingresso del Mars Science Laboratory. Conseguino velocizzazioni di 5-20× mantenendo al contempo l'accuratezza entro un paio di per cento per quantità integrate come il flusso di calore e il trascinamento.

Accelerazioni di apprendimento della macchina

L'aumento dell'apprendimento profondo ha aperto un nuovo fronte nella simulazione del gas raraficato, piuttosto che eseguire una simulazione completa di DSMC per ogni condizione, i ricercatori addestrano reti neurali su una serie di circuiti DSMC offline per prevedere campi macroscopici, densità, velocità, temperatura e flusso di calore, come funzioni di altitudine, velocità e parametri di geometria.

Un approccio notevole è l'uso di reti neurali fisiche-informate (PINNs)] che incorporano l'equazione di Boltzmann (o i suoi momenti) nella funzione di perdita.

Un'altra direzione entusiasmante è l'uso di network adversariali generativi (GAN)[] per produrre campi di flusso DSMC ad alta risoluzione da input a bassa risoluzione, agendo efficacemente come super-risolvente.

Tuttavia, l'apprendimento automatico affronta le sfide: richiedono grandi e di alta qualità set di dati DSMC per la formazione; possono estrapolare poco al di fuori del regime di formazione; e non maneggiano ancora non-equilibrio chimico con più specie robustamente. La ricerca in corso si concentra su sistemi di deep-learning ibrido + DSMC dove la rete neurale accelera parti del calcolo della collisione, ad esempio, predire coppie di collisioni o velocità di post-collisione.

Raffineamento della rete adattiva e divulgazione avanzata

I flussi rarefatti contengono spesso gradienti acuti alle onde d'urto e alle superfici vicine, ma la computazione uniforme dei rifiuti delle reti sottili nelle regioni di flusso liscio. La raffinatezza della rete adattiva (AMR) corazza dinamicamente o affina la rete computazionale basata su sensori come il gradiente del numero di Knudsen, la divergenza della velocità o la velocità della velocità di collisione locale.

Gli strumenti moderni DSMC, come la NASA ]dsmcFoam+] e il codice accoppiato [SPARTA]] – incorporano robuste capacità AMR. Una strategia tipica utilizza una rete cartesiana con una raffinatezza del box-tree: il dominio è in grado di integrare le cellule in una griglia di gravità Caritetica.

Oltre l'AMM spaziale, l'adattabilità temporale sta anche guadagnando trazione. Il passo temporale in DSMC deve essere una frazione del tempo di collisione medio; nel regime vicino al continuum vicino alla parete, i tempi di collisione sono brevi, richiedendo piccoli passi.

Implicazioni per Spacecraft Design

Queste innovative tecniche di simulazione stanno ridisegnando direttamente come gli ingegneri si approcciano ai sistemi di protezione termica (TPS), alle superfici di controllo aerodinamico e alla pianificazione della traiettoria reinserimento. La previsione accurata del flusso di calore del punto di stagnazione è fondamentale per la dimensionamento degli scudi termici ablativi.

Per i veicoli con geometria complessa, come le patte a cerniera della nave SpaceX o il deflettore aerodinamico Hypersonic della NASA (HIAD) – la combinazione di AMR e accoppiamento ibrido ha reso possibili simulazioni a pieno carico. Queste simulazioni rivelano punti caldi locali causati da interazioni shock-shock, separazione del flusso e ri-attacco.

Inoltre, i coefficienti di forza aerodinamici derivati da queste simulazioni si nutrono di modelli di guida, navigazione e controllo (GNC), poiché le forze di flusso rarefatte sono altamente sensibili all'angolo di attacco e al numero di Mach, avendo modelli di surrogato veloci e precisi (trained tramite machine learning) permettono ai computer di volo di bordo di regolare le traiettorie in tempo reale.

Le direzioni future

Il prossimo decennio promette ulteriori scoperte. Il calcolo su larga scala, ora in linea con sistemi come Frontier e El Capitan, consentirà simulazioni DSMC con miliardi di particelle—sufficienti per risolvere le interazioni tra turbolenze e chimica nel regime di transizione. Tali simulazioni forniranno una nuova visione dell'inizio della transizione alla turbolenza nelle onde reentry, un fenomeno che attualmente non può essere modellato ab initio.

Il calcolo quantistico, pur essendo ancora nascente, può eventualmente accelerare i gradini di generazione di numeri di collisione e pseudorandom di DSMC. Il lavoro precoce presso l'Università dell'Illinois Urbana-Champaign ha mappato l'algoritmo di collisione DSMC ad un'architettura di ricottura quantistica, mostrando il potenziale per velocizzazioni quadratiche nella smistamento delle particelle.

I test terrestri in impianti di plasmatrone, tunnel di shock e camere sottovuoto non possono replicare completamente le rarefatte condizioni di reinserimento ad alta entalpia. Le innovazioni nella fluorescenza indotta dal laser (LIF) e nella spettroscopia di assorbimento del laser a diodi sintonizza (TDLAS) ora forniscono misurazioni di temperatura e di concentrazioni di specie a basse densità.

Infine, la spinta verso simulazioni multi-fisiche completamente accoppiate, tra cui ablazione, radiazione e risposta materiale, integra dinamiche di gas rarefatti con modelli strutturali e termici. Ad esempio, nuovi quadri accoppiano DSMC per il flusso esterno con un risolutore di materiale-risposta per il TPS, permettendo l'accoppiamento dei gas di prodotto ablazione (ad esempio, monossido di carbonio, idrogeno) da iniettare nuovamente nel dominio moderno DSMC.

Conclusioni

La simulazione delle dinamiche gassose rarefatte durante la reinserimento di veicoli spaziali richiede una partenza dai metodi tradizionali del continuum. Con la fusione di modelli continuum-kinetic ibridi, surrogate di machine learning e raffinatezza della rete adattativa, la comunità aerospaziale sta raggiungendo velocità di simulazione e accurazioni che erano impensabili una generazione fa.

Link esterno:[