Инновационные подходы к моделированию динамики разреженного газа при возвращении космических аппаратов
Возвращение космических аппаратов в атмосферу Земли является одной из самых экстремальных задач в аэрокосмической технике. По мере того, как транспортное средство погружается от орбитальных скоростей, превышающих 25 Маха, во все более плотный воздух, оно сталкивается с газовыми условиями, которые переходят от почти без столкновений к потоку континуума. На больших высотах - более 100 километров - атмосфера настолько разрежена, что средний свободный путь молекул становится сопоставимым с размером самого транспортного средства. В этом режиме классическая динамика жидкости, основанная на уравнениях Навье-Стокса, ломается, и инженеры должны обратиться к специализированным кинетическим методам для прогнозирования аэродинамического нагрева, сопротивления и разделения потока. Ставки огромны: даже несколько степеней ошибки в предсказаниях теплового потока могут означать разницу между успехом миссии и катастрофическим тепловым сбоем. Чтобы удовлетворить эти требования, исследователи разрабатывают набор инновационных подходов - гибридные континуум-кинетические модели, ускорения машинного обучения и передовые стратегии сетчатого уточнения - которые значительно улучшают точность и эффективность моделирования разреженного газа. Эта статья обеспечивает авторитетный, глубокий взгляд на
Понимание редециализированной газовой динамики
Поведение газа в данном потоке характеризуется числом Кнудсена (Kn), определяемым как отношение молекулярного среднего свободного пути к характерной шкале длины системы. Когда Kn ниже 0,01, газ можно рассматривать как континуум и описывать уравнениями Навье-Стокса с безскользящими граничными условиями. По мере того, как Kn входит в режим скольжения (0,01-0,1), значение приобретают скорость скольжения и скачок температуры на поверхностях. Для Kn между 0,1 и 10 поток находится в переходном режиме, где недостаточно ни континуума, ни свободно-молекулярных моделей. Выше Kn = 10 газ по существу является свободно-молекулярным, и столкновениями можно пренебречь.
Во время возвращения космический корабль проходит через все эти режимы. На высотах 120-200 км Kn находится на уровне 0,1-10, помещая его прямо в переходный режим. Здесь газ не является ни достаточно плотным для описания континуума, ни настолько разбавленным, что доминируют взаимодействия молекул и поверхности. Неравновесные эффекты, такие как тепловое неравновесие между трансляционным, вращательным и вибрационным энергетическими режимами, становятся значительными. Химические реакции, включая диссоциацию, ионизацию и рекомбинацию, еще больше усложняют физику. Точное моделирование этих явлений требует кинетического описания, как правило, с помощью решения уравнения Больцмана или его стохастического аналога: метод прямого моделирования Монте-Карло (DSMC).
Традиционные методы моделирования: подход DSMC
В течение десятилетий рабочая лошадка моделирования разреженного газа была методом прямого моделирования Монте-Карло. В DSMC поток представлен большим количеством смоделированных молекул — каждая несущая позиция, скорость и внутренняя энергия. Вычислительная область разделена на клетки, и внутри каждого столкновения клеток обрабатываются вероятностно, используя такие модели, как Переменная твердая сфера (VHS) или Переменная мягкая сфера (VSS) для расчета поперечного сечения. Время прогрессирует дискретными шагами, и молекулы перемещаются баллистически до разрешения столкновений.
DSMC был чрезвычайно успешным в прогнозировании аэротермодинамических нагрузок для капсул повторного входа, таких как командный модуль Apollo и орбитальный аппарат Space Shuttle. Однако, он поставляется со значительными вычислительными затратами. Каждая реальная молекула может быть представлена многими тысячами смоделированных частиц, и количество ячеек должно быть достаточно хорошо, чтобы захватывать градиенты - особенно вблизи поверхности космического корабля. Для трехмерных, химически реагирующих потоков со сложной геометрией (например, развертываемые тепловые экраны или закрылки), одно моделирование DSMC может потребовать часов на суперкомпьютере. Кроме того, статистический шум метода может затмить небольшие сигналы, и он становится неэффективным в режимах ближнего континуума, где частоты столкновений высоки.
Чтобы преодолеть эти ограничения, исследователи разработали ряд инновационных подходов, которые сочетают в себе лучшие из непрерывных и кинетических методов, используя современные вычисления.
Инновационные подходы к симуляции
Гибридные континуум-кинетические модели
Наиболее естественным путем к эффективности является использование континуумного решателя, где он действителен, и кинетического решателя только там, где это необходимо. Гибридные континуум-кинетические методы динамически разделяют домен на области: уравнения Навье-Стокса решаются в областях высокой плотности (Kn < 0,01), в то время как DSMC или кинетический решатель используются в разреженных или неравновесных зонах. Задача заключается в соединении двух решателей через интерфейс без введения ложных отражений или нарушения законов сохранения.
Современные гибридные фреймворки, такие как разработанные в Исследовательском центре Эймса НАСА и Мичиганском университете, используют локализованные датчики на основе числа Кнудсена или датчики на основе градиента, чтобы вызвать переключение решателя. Например, соединение OpenFOAM-DSMC обеспечивает модульный интерфейс, где области континуума решаются с помощью решения Рейнольдса-среднего Навье-Стокса (RANS), в то время как разреженные карманы передаются на растворитель DSMC. Более поздняя работа встраивает кинетический слой (несколько средних свободных путей толщиной) вблизи поверхности транспортного средства в более крупную сетку континуума, значительно уменьшая домен DSMC при точном захвате проскальзывания поверхности и теплопередачи.
Эти гибридные методы были проверены на основе чистых результатов DSMC для геометрий, таких как модуль экипажа Orion и аппарат ввода в лабораторию Mars Science Laboratory. Они достигают ускорения 5-20 × при сохранении точности в пределах нескольких процентов для интегрированных величин, таких как сопротивление и тепловой поток. Основным недостатком является сложность разложения домена, особенно когда поток содержит несколько отдельных ударных волн, которые сдвигаются во времени. Адаптивные гибридные подходы, которые перераспределяют домен каждые несколько шагов, являются активной областью исследований.
Ускорения машинного обучения
Рост глубокого обучения открыл новый фронт в моделировании разреженного газа. Вместо того, чтобы запускать полное моделирование DSMC для каждого состояния, исследователи обучают нейронные сети на наборе автономных DSMC-забегов для прогнозирования макроскопических полей — плотности, скорости, температуры и теплового потока — как функций параметров высоты, скорости и геометрии. Эти суррогатные модели затем могут использоваться для быстрого исследования пространства проектирования, количественной оценки неопределенности или даже онлайн-контроля.
Одним из заметных подходов является использование физически информированных нейронных сетей (PINN) , которые встраивают уравнение Больцмана (или его моменты) в функцию потерь. Навязывая законы сохранения непосредственно, PINN могут создавать физически согласованные решения даже с ограниченными данными обучения. Работа Jambunathan et al. (2020) продемонстрировала, что PINN, обученный на снимках DSMC для плоской пластины с различными числами Маха, может предсказать передачу поверхностного тепла с точностью до 5%, будучи на порядок быстрее, чем DSMC.
Еще одним захватывающим направлением является использование генеративных состязательных сетей (GAN) для создания DSMC-подобных полей потока с высоким разрешением от входов с более низким разрешением, эффективно действующих как супер-решитель. Это может позволить инженерам запускать грубые симуляции на ноутбуке, а затем высококлассные для захвата мелкомасштабных структур вблизи стены.
Тем не менее, подходы машинного обучения сталкиваются с проблемами: они требуют больших высококачественных наборов данных DSMC для обучения; они могут плохо экстраполировать за пределы режима обучения; и они еще не справляются с химическим неравновесием с несколькими видами надежно. Текущие исследования сосредоточены на гибридных фреймворках глубокого обучения + DSMC, где нейронная сеть ускоряет части расчета столкновения - например, прогнозирование пар столкновений или скоростей после столкновения - в то время как костяк DSMC обеспечивает сохранение.
Адаптивная детализация сетки и расширенная дискретизация
Регулярные потоки часто содержат резкие градиенты на ударных волнах и вблизи поверхностей, но однородные тонкие сетки расточительны в областях плавного потока. Адаптивная уточнение сетки (AMR) динамически огрубляет или уточняет вычислительную сетку на основе датчиков, таких как градиент числа Кнудсена, расхождение скоростей или локальная скорость столкновения. В DSMC AMR может применяться как к пространственным ячейкам, так и к временному этапу, поскольку частота столкновения сильно варьируется по всей области.
Современные инструменты DSMC, такие как NASA dsmcFoam+ и связанный код SPARTA, включают в себя надежные возможности AMR. Типичная стратегия использует декартовую сетку с уточнением дерева коробки: домен дискретизируется в грубую декартовую сетку, а клетки рекурсивно подразделяются, где нарушается критерий уточнения (например, средний свободный путь меньше размера ячейки). Это может уменьшить общее количество ячеек на порядок, сохраняя точное разрешение удара.
Помимо пространственной AMR, временная адаптивность также набирает силу. Шаг времени в DSMC должен быть частью среднего времени столкновения; в режиме ближнего континуума вблизи стены время столкновения короткое, требующее крошечных шагов. Путем субциклирования области ближнего зала с меньшим шагом времени при использовании большего шага в свободном потоке, моделирование может быть ускорено факторами 2-5. Комбинированная пространственная и временная AMR позволили симуляции DSMC полного возвращения транспортных средств с 200 км до 70 км на одной рабочей станции - подвиг, который был невозможен десять лет назад.
Последствия для дизайна космических аппаратов
Эти инновационные методы моделирования непосредственно меняют подход инженеров к системам термозащиты (TPS), аэродинамическим поверхностям управления и планированию траектории повторного входа. Точное предсказание теплового потока точки застоя имеет решающее значение для калибровки абляционных тепловых экранов. Гибридные модели теперь позволяют дизайнерам запускать сотни симуляций Монте-Карло вне номинальных условий (например, вариации угла атаки) в доли времени, требуемого чистой DSMC. Это позволяет вероятностные оценки риска, которые ранее были слишком дорогими.
Для транспортных средств со сложной геометрией, таких как навесные закрылки SpaceX Starship или гиперзвуковой надувной аэродинамический ускоритель НАСА (HIAD), комбинация AMR и гибридного сцепления сделала возможным моделирование полного транспортного средства. Эти симуляции показывают локальные горячие точки, вызванные ударно-шоковыми взаимодействиями, разделением потока и повторным присоединением. В одном недавнем исследовании моделирование DSMC-AMR HIAD выявило неожиданную область высокого сдвига вблизи плеча, которая не была поднята равномерной грубой сеткой, что привело к редизайну укладки TPS.
Кроме того, аэродинамические коэффициенты силы, полученные из этих симуляций, поступают в модели наведения, навигации и управления (GNC). Поскольку силы разреженного потока очень чувствительны к углу атаки и числу Маха, наличие быстрых и точных суррогатных моделей (обученных с помощью машинного обучения) позволяет бортовым компьютерам корректировать траектории в реальном времени. Это особенно важно для миссий захвата аэродинамической системы, где транспортное средство должно выполнять маневр банковского угла полностью в разреженном режиме.
Будущие направления
Следующее десятилетие обещает дальнейшие прорывы. Exascale computing, теперь поступающие в сеть с такими системами, как Frontier и El Capitan, позволят моделировать DSMC с миллиардами частиц — достаточных для разрешения взаимодействий турбулентности и химии в переходном режиме. Такие модели обеспечат новое понимание начала перехода к турбулентности в повторных бодрствованиях, явление, которое в настоящее время не может быть смоделировано ab initio.
Квантовые вычисления, хотя все еще зарождающиеся, могут в конечном итоге ускорить шаги по генерации коллизионных и псевдослучайных чисел DSMC. Ранняя работа в Университете Иллинойса Урбана-Шампейн нанесла на карту алгоритм столкновения DSMC с архитектурой квантового отжига, показывая потенциал для квадратичных ускорений в сортировке частиц.
Экспериментальная валидация остается необходимой. Наземные испытания в плазматронных установках, ударных туннелях и вакуумных камерах не могут полностью воспроизвести разреженные условия высокой энталпии повторного входа. Инновации в лазерной флуоресценции (LIF) и настраиваемой диодной лазерной спектроскопии поглощения (TDLAS) теперь обеспечивают пространственно разрешенные измерения температуры и концентраций видов при низких плотностях. Эти данные используются для бенчмаркинга и улучшения моделей столкновений в DSMC и гибридных кодах.
Наконец, толчок к полностью связанным мультифизическим симуляциям, включая абляцию, излучение и реакцию материала, интегрирует динамику разреженного газа со структурными и тепловыми моделями. Например, новые структуры объединяют DSMC для внешнего потока с растворителем материала-ответа для TPS, позволяя газам продукта абляции (например, угарному газу, водороду) впрыскиваться обратно в область DSMC. Эта двусторонняя связь имеет важное значение для прогнозирования производительности современных тканых углеродных TPS материалов.
Заключение
Моделирование динамики разреженного газа во время возвращения космических аппаратов требует отхода от традиционных методов континуума. Путем смешивания гибридных континуум-кинетических моделей, суррогатов машинного обучения и адаптивной сетчатой уточнения аэрокосмическое сообщество достигает скорости и точности моделирования, которые были немыслимы поколение назад. Эти инновации не просто академические - они используются сегодня для сертификации тепловых экранов, оптимизации траекторий и раздвигания границ того, что могут выдержать транспортные средства для повторного входа. Поскольку экзафлопсные вычисления и экспериментальная диагностика продолжают развиваться, точность прогнозов разреженного потока будет только возрастать, что позволяет более безопасно и амбициозно исследовать нашу Солнечную систему.
Внешние ссылки: