基于神经网络的混合火箭设计优化,用于模块化多级运载火箭
Paolo Maria Zolla,
Alessandro Zavoli,
Mario Tindaro Migliorino
以及
Daniele Bianchi
《Aerospace》:Neural Network-Based Optimization of Hybrid Rocket Design for Modular Multistage Launch Vehicle
Paolo Maria Zolla,
Alessandro Zavoli,
Mario Tindaro Migliorino and
Daniele Bianchi
【字体:
大
中
小
】
时间:2026年04月17日
来源:Aerospace 2.2
编辑推荐:
摘要:本文通过集成优化方法,寻找针对500公里极地圆形轨道的模块化多级运载火箭的最优混合火箭发动机设计。整个运载火箭中重复使用单个混合火箭发动机单元,每个级由指定数量的此类单元组成。允许仅改变单元的喷嘴出口直径。这种集群方法旨在降低成本并简化优化过程。基于齐奥尔科夫斯基方程进行简
摘要:本文通过集成优化方法,寻找针对500公里极地圆形轨道的模块化多级运载火箭的最优混合火箭发动机设计。整个运载火箭中重复使用单个混合火箭发动机单元,每个级由指定数量的此类单元组成。允许仅改变单元的喷嘴出口直径。这种集群方法旨在降低成本并简化优化过程。基于齐奥尔科夫斯基方程进行简要的任务分析后,选择了三级配置的运载火箭,第一级、第二级和第三级分别使用16个、4个和1个发动机单元。采用基于神经网络的替代模型来近似复杂的混合火箭内部弹道特性,以降低优化过程的计算成本。替代模型通过使用0维混合火箭发动机模型的数据,将较少的设计参数映射到单个发动机单元的性能和质量预算上。然后评估了训练有素的网络在预测关键特征方面的准确性。最后,将训练有素的网络集成到多学科优化过程中,目标是确定能够最大化有效载荷送入目标轨道的火箭发动机设计和运载火箭上升轨迹。
1. 引言
混合火箭发动机(HREs)利用固体燃料与液体或气体氧化剂的组合作为推进剂。固体燃料放置在推力室内,而氧化剂则储存在加压罐中。与液体火箭发动机(LREs)和固体火箭发动机(SRMs)相比,HREs具有多个优势,包括降低复杂性和成本、比SRMs更高的平均比冲、能够调节推力和重新启动,以及使用环保、无毒的推进剂[1]。因此,人们非常感兴趣在各种推进应用中采用HREs,例如多级火箭的上层级[2]或亚轨道飞行器的主发动机[3]。此外,使用旋流喷射器可以通过提高燃烧率和燃烧效率来增强HREs的性能[4,5,6],从而提高其吸引力并扩展其应用范围。
在优化混合火箭时,必须考虑到推力的产生会显著影响上升轨迹,而这受到发动机设计的显著影响。因此,需要采用集成优化方法来最大化运载火箭(LV)的整体性能。基于这种方法,Casalino等人[7,8,9,10,11]专注于小型卫星的三级混合火箭动力运载火箭的上层级设计优化。Messinger等人[12]专注于液氧/石蜡两级混合火箭发射器的设计。Zhu等人[3,13]探讨了用于亚轨道飞行的单级混合火箭动力飞行器的优化。在Wang等人的研究[14]中,提出了一种稳健的三级混合火箭发射器的设计优化。Zhu等人[15]还进行了基于不确定性的稳健优化,用于混合火箭上层级。最后,参考文献[16,17]讨论了用于月球上升轨迹的单级混合火箭与旋流喷射的优化。在将火箭发动机设计与LV上升轨迹优化相结合时,优化循环内的发动机性能重复计算可能成为计算瓶颈[18]。为了解决这个问题,可以使用神经网络(NNs)来建模HRE性能与发动机设计之间的关系,从而提供计算上轻量级的工具。
神经网络擅长学习复杂的多输入多输出(MIMO)函数,可以用来加速计算密集型的过程并平滑潜在的不规则适应度景观[19]。深度神经网络在空间器的实时引导和控制方面显示出有前景的应用[20]。成功的应用包括行星际转移[21,22]、高超音速再入[23]、行星着陆[24,25]、在轨接近操作[26]以及火星大气进入[27]。作者在参考文献[28,29,30]中已经成功探索了使用神经网络作为替代模型来预测混合火箭性能的可行性。同样,Masseni在[31]中进行了将神经网络集成到基于不确定性的HRE设计优化中的尝试。
本文通过集成优化方法,寻找针对500公里极地圆形轨道的模块化多级运载火箭的最优混合火箭发动机设计。训练了一个替代神经网络模型来近似复杂的混合火箭内部弹道特性,以提高程序的计算效率。考虑使用单个HRE单元,LV的每个级由这些参考单元的集群组成,形成了所谓的“模块化”(或“集群化”设计)。同一级的发动机单元之间不共享任何子系统。可以根据高度调整不同级单元之间的喷嘴出口直径,以最大化级性能。虽然这种设计策略的缺点是降低了运载火箭的体积和结构效率,但它可以显著降低任务成本并简化制造过程。最后,这种方法提供了灵活性,通过调整每个级的HRE单元数量和相应的喷嘴出口直径,可以获得不同的LV配置。类似采用模块化设计的混合火箭运载火箭的方法已在[11,32,33,34]中提出。20世纪70年代末,位于西德的私营公司OTRAG进行了首次低成本模块化发射器的设计尝试[35]。本研究的新颖之处在于将不同的研究领域——混合推进、发动机集群和基于神经网络的替代建模——在多学科优化框架内协同工作,以评估现实的地球上升任务场景。尽管作者在[28,29,30]中已经探索了使用神经网络作为混合火箭性能的替代模型,但这些研究仅限于单级的优化。相比之下,当前的工作针对整个运载火箭的优化,采用不同的HRE操作范围,并结合了独特的架构特征,如旋流喷射和泵送系统。值得注意的是,采用集群方法不仅支持灵活且成本效益高的发射器设计,还使得可以训练一个适用于所有三个级的单一可重复使用神经网络,进一步减少了优化过程的计算负担。本文是对一篇题为“使用神经网络的三级集群混合火箭发射器的集成优化”的会议论文的修订和扩展版本,该论文于2024年1月8日至12日在美国佛罗里达州奥兰多的AIAA SciTech论坛上进行了展示[36]。
本手稿的结构如下。第2节介绍了用于评估HRE推进性能和质量预算的内部弹道模型。第3节介绍了用于创建基于神经网络的HRE性能替代模型的机器学习方法。第4节介绍了执行目标任务的选定运载火箭配置,第5节介绍了上升轨迹的数学模型。最后,第6节展示了数值结果。
2. 混合火箭模型
本节介绍了用于生成神经网络训练数据的混合火箭发动机的内部弹道模型。采用了零维方法,假设燃烧室内的热力学和流动特性在空间上是均匀的,仅是时间的函数。因此,它无法再现与燃烧速率轴向变化相关的局部流动特性,这些特性在混合火箭燃烧器的实验和数值研究中被观察到[37,38]。尽管有这个限制,零维内部弹道模型仍然被广泛用于混合火箭的初步设计中,因为它们提供了计算效率高的全局发动机行为表示,同时仍然捕捉了控制推力产生的主要物理过程。本工作中采用的模型遵循Zolla等人[39]引入的公式,并通过一组16次静态点火测试进行了验证,显示关键量(如颗粒燃烧速率、喉部侵蚀和推力)的相对预测误差低于大约10%。因此,其准确性被认为足够用于本研究的应用。请注意,模型输入和输出适用于单个HRE单元。
2.1. 内部弹道
由于石蜡液化特性提供的高比冲和高燃烧速率,选择液氧(LOX)和含有SEBS聚合物添加剂的石蜡作为推进剂组合,有助于减轻飞行初期的重力损失。添加剂的使用被认为可以增强颗粒的机械性能,而旋流喷射的实施可以减轻其对颗粒燃烧速率的负面影响[40]。假设燃料颗粒具有单端口圆柱形状,其特征由其外直径(??c)、长度(??g)和初始端口直径(??p,0)唯一确定,前两者是模型输入参数。因此,适用以下方程:
??p=??4???2p (1)
??fu=??fu???g???4?(??2c???2p,0) (2)
其中??p是端口面积,??fu是总燃料质量。石蜡的高燃烧速率和旋流喷射消除了对复杂几何形状(如多孔颗粒)的需求,提高了简洁性,减少了碎片的形成,并改进了可制造性。遵循Casalino等人的方法[41],由于燃料颗粒进入核心流动而产生的总压力损失如下计算:
??h=??c?(1+0.5?Γ2???2) (3)
其中Γ=√???(2??+1)??+1???1,?? =??t/??p。为了实现较低的燃烧室马赫数(低于0.3)并最小化压力损失,初始端口直径设置为??p,0 =√2???t,0(喉部到端口面积比?? =0.5)。
对于当前问题,考虑了涡轮泵送系统,提供恒定的氧化剂质量流量˙??ox2(??) =˙??ox,0(模型输入),并且罐压??tk =3.0巴。燃烧室和氧化剂罐压力的解耦允许更高的燃烧室压力,提高性能并降低海平面上喷嘴流动分离的风险。请注意,使用旋流喷射器需要以切向分量注入氧化剂。假设燃烧速率沿颗粒是均匀的:
˙??=???????ox (4)
其中˙??的单位是mm/s,氧化剂质量通量??ox =˙??ox/??p的单位是kg/(m2s)。这里的a是一个经验参数,其值取决于推进剂组合和喷射配置。根据Karabeyoglu等人的研究[42],对于LOX/Wax组合,?? =0.62。考虑到旋流喷射对颗粒燃烧速率的增强作用,假设通过调整氧化剂切向分量的强度,所选推进剂组合的a值可以增加到0.12 mm/s · (m2·s/kg)??(实验报告的值高达0.3 [4])。由于文献中缺乏数据,没有采用依赖旋流强度的复杂燃烧速率模型。值得注意的是,正如Dubey等人[38]所报告的,使用旋流喷射器与燃料颗粒沿方向的更均匀燃烧速率有关,这部分抵消了零维内部弹道模型未能捕捉到的空间非均匀性。此外,同一实验研究还表明,随着长度与直径比的增加,旋流喷射的有益效果减弱,因为旋流强度沿颗粒逐渐衰减,Dubey等人确定了最佳的??/??比率低于13.5 [38]。一旦知道了颗粒燃烧速率,就可以计算燃料质量流量:
˙??fu=??fu?˙?????g??????p (5)
其中O/F =˙??ox/˙??fu是发动机混合物比(氧化剂与燃料的比例),??fu是固体燃料密度,˙??e =˙??ox +˙??fu是总质量流量。燃烧室压力如下获得:
??c=˙??e???*/??t (6)
为了确保燃料颗粒的结构完整性,其值被限制在100巴以下。
推进剂的比热比??和特征速度??*的数据来自NASA化学平衡与应用软件(CEA)[43],假设流动是冻结的,并使用关于??c和O/F的保形三次函数进行插值。喷嘴效率??????和燃烧效率????*被乐观地假设为98%,以考虑喷嘴膨胀和燃烧过程中的损失。尽管这些假设的效率可能偏高,但??????仍然处于设计良好的喷嘴所报告的数值范围内[44],而如Franco等人[5]所展示的,使用旋流喷射可以实现高达99%的????*效率。真空推力系数??F是在假设1D等熵膨胀到出口压力??e并且比热比恒定的情况下计算的:
????=????????? ? ? ? ? ? ? ??Γ?√√ √ √ √ √ √?2??????1??? ? ??1?(??e??c)???1???? ? ??+?????e??c?? ? ? ? ? ? ? ??
(7)
其中??是喷嘴面积比。飞行动力学模型中包含了考虑海拔效应对真空推力的校正。喷嘴的几何形状由两个模型输入参数定义,即点火时的喉部直径??t,0和出口直径??e。为了防止在低海拔时因过度膨胀而发生流动分离,喷嘴出口压力被限制在操作海拔处的大气压力??a?(?)的0.34倍以上,这一限制基于Summerfield准则[45]。根据Bianchi等人[46]的方法,考虑了喉部侵蚀:
˙??=(˙??00.1)?(0.025??t)0.2?[6.4392×10?5?Φ?1.991?exp?(?3.1082Φ+1.84)???0.0535?Φ2?0.2641?Φ+1.0365c]
(9)
其中Φ =O/FO/Fst,下标“st”表示化学计量条件,˙??0(单位为毫米/秒)是推进剂组合的参考侵蚀率,根据Bianchi等人[47]的评估,对于LOX/Wax组合来说这个值是合理的。整体侵蚀率(单位为米/秒,其中??c以巴为单位,??t以米为单位)取决于燃烧室压力和推进剂的混合比,这些因素影响通过喉部的热流强度和排气气体的成分[46,48]。值得注意的是,喷嘴出口直径??e被认为不会受到侵蚀过程的显著影响。在每个时间步骤中,根据预测的侵蚀和回归率增加喷嘴的端口和喉部半径,直到全部燃料耗尽,同时保留3%的燃料余量以应对可能的紧急情况。
2.2 结构质量估算
遵循[41,49,50,51]的方法,考虑了各个子系统的结构质量和长度。具体来说,燃烧室的质量包括一个圆柱形壳体和一个2.5厘米厚的铝制喷射器板:
??c=0.025???inj????(??c2)2+??c??????c???c???c
(10)
其中??c是壳体材料密度,??c是壳体长度,??inj是喷射器板材料密度,??c是壳体厚度,使用Mariotte方程计算,同时考虑了1.5的安全系数:
??c=1.5???h,max???c2???c
(11)
其中??c是壳体材料的屈服强度,??h,max是最高燃烧压力。假设燃烧室长度等于燃料颗粒的长度,即??c =??g,因为旋流喷射已被证明可以提供足够的混合效果,从而无需预燃烧室或长后燃烧室[4,5]。在这项工作中,燃烧室和氧化剂储罐都假设由环氧树脂基的碳纤维复合材料制成[52]。
氧化剂储罐被建模为一个带有两个椭球形圆顶的圆柱体,其厚度可以使用方程(11)计算。通过积分氧化剂的质量流量随时间的变化来获得总氧化剂质量,同时考虑了3%的余量。由于使用了低温氧化剂,必须考虑储罐的隔热问题。所需的质量可以根据Glatt在[53]中的工作计算得出:
??ins=1.123???l
(12)
其中??l是要隔热的侧面积(单位为平方米)。Larson等人[49]中的经验模型用于估算喷嘴的质量。喷嘴的质量与其初始膨胀比??0和消耗的总推进剂质量??prop(单位为千克)有关:
??no=125?(??prop/5400)2/3?(??01?)1/?
(13)
喷嘴的形状是一个锥形收缩段后接一个钟形扩散段,其总长度可以估算为:
??no=??c???t,02×tan?(π/4)+0.8???e???t,02×tan?(π/12)
(14)
其中扩散段的长度假设为一个半角为15度的锥形扩散段的80%。
储罐压力通过使用液态储存的气态氦气来调节。所需氦气质量可以使用理想气体状态方程计算得出,应用于氧化剂储罐的体积:
??He=??tk???tk??He???ul
(15)
其中??tk是氧化剂储罐的体积(包括5%的初始空隙),??He是氦气的气体常数,??ul是设定的空隙温度,为200 K[54]。液态氦气储存在一个球形储罐中,压力为??He,l =1.2???tk,然后使用压力为??He,g =300巴、温度为??He,g =300 K的气态氦气进行加压(下标“He,g”表示温度和压力值指的是气态氦气储罐)。需要注意的是,氦气储罐假设与氧化剂储罐由相同的材料制成。
涡轮泵子系统的质量和尺寸可以根据Saunders在[50]中的工作进行评估:
??tp=109?(217.7??????+21.9???2???+6.1×10???2r+1.4×10???3r)
(16)
??tp=0.025+34.9??2r+0.79???
(17)
其中??r =14.7?√(??ox???ox)/˙??ox,max是机器的转速(单位为转/秒),??ox是氧化剂入口速度(设定为4.5米/秒),??ox是液态氧化剂的密度,˙??ox,max是最大氧化剂质量流量。此外,?? =3.28?√˙??ox,max/(??ox???ox)和?? =√1.36???+0.261???2,其中?? =4 ×10????h,max/(??ox???2r)。Saunders在[50]中提供了关于涡轮泵系统的详细信息。涡轮机的动力是通过催化床分解过氧化氢产生的。由于HRE燃烧过程中燃烧室压力的变化,需要控制过氧化氢的质量流量,以便泵在可变负载条件下有效运行。驱动涡轮机的气体通过一个二次喷嘴排出。驱动涡轮机的气体所需的质量可以通过简单的能量平衡来估算。然后可以通过加上相应的储罐和二次喷嘴的质量以及10%的余量(用于辅助组件)来计算整个发电系统的总质量。
根据Glatt在[53]中的工作,考虑了对火箭暴露部分的覆盖(“护罩”):
??sh=4.95???1.15sh
(18)
其中??sh(单位为平方米)是要覆盖的侧面积。被护罩覆盖的部分包括储罐的椭球形圆顶以及整个供给系统和涡轮泵的长度。
最后,辅助结构(例如管道、发动机连接器)的质量和长度假设为HRE单元总质量和长度的10%[51]。尽管这个固定比例可能无法完全捕捉到涉及大量集群单元的辅助质量的潜在非线性变化,但这一估计在一定程度上被本工作中采用的几个其他子系统质量模型的保守性质所补偿,在初步的多学科优化范围内被认为是可接受的。需要注意的是,每个质量估计都是近似的,目的是为了提供一个合理的评估,而不是进行详尽的子系统分析。HRE子系统的材料密度和屈服强度以及推进剂的密度列在表1中(材料属性可以在参考文献[55,56]中找到)。表1列出了喷射器板、燃烧室和氧化剂储罐材料的密度和最大屈服强度,以及推进剂的密度。一旦指定了5个输入参数(下标“0”表示点火时定义的值),就可以评估混合火箭单元的性能和质量:
??HRE=[??g,??c,??t,0,˙??ox,0,??e]
(19)
这组参数的选择是因为它唯一地定义了一个初步的HRE架构,符合多学科优化的范围。在这里,喷嘴的几何形状由??t,0和??e决定,燃烧室和燃料颗粒由??g和??c决定,发动机运行条件由氧化剂质量流量??ox,0决定。混合火箭单元设计的示意图如图1所示。图1. 混合火箭设计参数。总之,结构质量估算依赖于Mariotte的加压容器方程(燃烧室和储罐)、Larson和Saunders[50]关于喷嘴和涡轮泵的经验相关性,以及Glatt[53]关于隔热和护罩的模型。涡轮泵供给系统由过氧化氢分解提供动力,其尺寸通过上述的能量平衡来确定。虽然这些模型是近似的,但它们对于初步的多学科优化来说是足够的。
3. 用于HRE性能预测的机器学习
本节讨论了用于创建精确替代模型以预测HRE性能的机器学习框架。
**监督学习**
前馈神经网络(FNNs)受到大脑结构的启发,是由多层神经元组成的MIMO计算系统。每个神经元从前一层接收输入并应用非线性激活函数。输入层和输出层通过隐藏层连接,如图2所示。给定足够的数据、神经元和隐藏单元,FNNs已被证明是通用的函数逼近器[57]。
**监督学习方法**
通常使用监督学习方法来教会网络如何根据输入-输出样本对正确逼近给定的函数f。给定一个数据集或训练集,由N个训练示例?? ={(??1,??1),(??2,??2),…,(????,????)}组成,其中????是第k个样本的特征向量,???? =???(????)是相应的标签,目标是学习一组参数?? ={(??in;??in),(??1;??1),…,(????;????),(??out;??out)},以便函数
^???(??;??)=?????(????out?????2(??????…??12(????13????2(????in3??+??in)+…+????)+??out)
(20)
尽可能好地逼近“原始”函数f。矩阵????的第j列表示第k层中第j个神经元的权重集,而向量????的第j个元素表示相应的偏置。????是第k层神经元中使用的激活函数。每个????矩阵的维度取决于层。行的数量对应于输入的数量(即前一层中的神经元数量),而列的数量对应于当前层中的神经元数量。输入层和输出层的神经元数量分别与??in和??out相对应,因此这些矩阵的维度分别是1 ×??in和??(??)? ×??out,其中??in和??out分别表示网络输入和输出的数量,??(??)?表示最后一层中神经元的数量。??in的行数为1,因为这一层的每个神经元只接收一个网络输入。该过程涉及将初始数据集分为训练集??和验证集??,其大小分别为???? =???????和???? =?? ?????,其中????是一个称为“训练比例”的超参数。训练集用于训练网络,而验证集用于评估网络在未见数据上的性能。训练集中的训练示例被组织成批次,每个批次包含????个元素(????是一个超参数),网络参数??首先被随机初始化。通过使用随机梯度下降(SGD)最小化网络输出和训练示例之间的均方误差(MSE)来进行参数??的优化:
MSE(1)?(??)=1???????????∑??=??1∥?????^???(????;??)∥2
(21)
??=????????
MSE(2)?(??)=1???????2?????∑??=??????+1∥?????^???(????;??)∥2
(23)
MSE(2)?(??)=1???????2?????∑??=??????+1∥?????^???(????;??)∥2
(24)
…
MSE(??)?(??)=1???????????∑??=??(???1)?????+1∥?????^???(????;??)∥2
(25)
??=????????
MSE(2)?(??)
(26)
这个B步梯度下降优化重复进行M个总训练周期(超参数)。在这项工作中,使用了Adam(自适应moment estimation)[58] SGD算法进行优化,学习率为?? =???? +(?????????)???/??,其中m是当前训练周期。网络超参数是根据Zavoli等人[28,29]中的先前研究选定的,见表2。表2显示了作为HRE性能预测替代模型的神经网络架构。网络以电机设计变量??HRE作为输入,并返回10个标量输出:发动机燃烧时间??b、干质量??s,以及两个三次多项式的系数,这些多项式用于近似表示发动机的推力???(??)和总质量流量率˙???(??)曲线。通过这种方法,每个时间依赖的曲线都由网络参数化如下:
???(??) = ???????3 + ???????2 + ??????? + ??
??˙(??) = ??˙?????3 + ??˙?????2 + ??˙????? + ??
其中 ?? = ??/??b, ?? ∈ (0,1) (27)
4. 发射载具配置
在描述上升轨迹数学模型之前,必须定义一般的LV配置。假设每个阶段的性能和结构系数相同,可以使用齐奥尔科夫斯基方程对有效载荷比??与阶段数量之间的关系进行简单分析:
?? = [(1+??t)???Δ???pr/(??sp?????)???t???e]??
(28)
其中 Δ???pr 是目标任务的推进速度增加量,N 是LV的阶段数,??sp 是阶段的比冲,??t = ??s,tk/??p 是推进剂相关质量与阶段推进剂质量之间的关系,??e = (??s ? ??s,tk)/???,?? 是阶段发动机重量与相应子火箭质量之间的关系。经过对当前问题的初步调整,选择了 Δ???pr =9.7 km/s, ??sp =320 s, ??t =0.061, 和 ??e =0.057 的值。分析结果显示在图3中。五个阶段时可以获得最高的有效载荷比。然而,增加阶段数后有效载荷的增益非常小(从两个阶段增加到三个阶段增益为+0.6%,从三个阶段增加到四个阶段增益为+0.142%,从四个阶段增加到五个阶段增益为+0.011%),因此性能的提升不足以证明增加复杂性的必要性。此外,由于这项初步分析没有考虑阶段间的质量,预计有效载荷比会随着阶段数的增加而进一步减少。因此,选择三个阶段的配置来进行分析。
图3. 使用齐奥尔科夫斯基方程表示的有效载荷比与阶段数之间的关系。
为了确定一般的LV配置,必须选择每个阶段的HRE单元数量。一个好的起点是通过最小化以下成本函数(发射载具有效载荷比的负对数)来计算选定三个阶段配置的最佳Δ???分配:
Λ?(Δ?????) = ?ln?(3∏??=1???Δ?????/(??sp,?????)???s,??1???s,??)
(29)
其中 Δ?????, ??sp,??, 和 ??s,?? 分别是第i阶段的推进速度增加量(已优化)、比冲和结构系数,且 ??s,?? = ??s,????s,??+??p,??。在初步分析后,假设了??sp,?? 和 ??s,?? 的实际值。为了再现通过最小化方程(29)获得的最优Δ???分配(Δ???1/Δ???pr =0.28, Δ???2/Δ???pr =0.37, Δ???3/Δ???pr =0.35,其中 Δ???pr =9.7 km/s),并且假设上级由单个HRE单元组成,第一阶段大约需要12个单元,第二阶段需要4个单元。然而,由于分析没有考虑推力的影响,最终选择了16-4-1的配置。这种调整是为了在第一阶段飞行期间最大化推力,从而减少重力损失。由于不能在第一阶段使用更多的单元以确保符合轴加速度约束(这将在下一节中介绍),因此进行了调整。第一阶段和第二阶段中HRE单元的分布如图4所示。
图4. HRE单元的分布(未按比例绘制)。
(a) 第一阶段。
(b) 第二阶段。
阶段的直径可以计算为:
??stage,?? = ?????max?(??c,??e,??)
(30)
其中包装比率 ???? 对于第一阶段为4.62,对于第二阶段为2.42。注意,尽管维持如此大量引擎的对齐可能会带来技术挑战,但本文侧重于理论分析,不讨论这一实际问题。
5. 飞行轨迹模型
本节提供了上升轨迹模型的描述,介绍了运动方程、采用的飞行策略和任务约束,然后制定了综合优化问题。
5.1. 动力学模型
采用了三维(3自由度)质点模型。在这个假设下,LV始终与推力方向对齐,假设姿态动态变化无限快。任何时刻的火箭状态由位置向量??、速度向量??和质量m定义。在惯性参考系中的运动方程表示为:
˙?? = ??
(31)
˙?? = ?? + ?? + ????
(32)
˙?? = ?˙??e
(33)
地球被近似为一个球体,重力加速度向量表示为 ?? = ?????3??,其中?? 是地球的重力常数。空气密度??a、压力??a和温度??a根据高度h按照美国标准大气1976模型 [59] 进行评估。假设大气层随地球刚性旋转,角速度为 ???? =7.2921 ×10???rad/s。因此,火箭相对于大气的相对速度计算为 ??rel = ?? ? ???? ×??。大气阻力计算为:
?? = ?12??a??ref????2(??)??rel??rel
(34)
其中 ??ref 表示火箭的横截面积,???? 是阻力系数。由于对当前分析来说升力被认为不重要,因此忽略了升力。阻力系数假设仅取决于LV的马赫数,并根据类似应用的已知发射机飞行数据进行了表格化。LV电机产生的推力??表示为:
?? = (??vac???a??e)??
(35)
其中 ??e 是喷嘴出口面积,??vac 表示真空中的推力。当发射机仍然靠近发射基地时,推力方向在相对于发射基地固定的地心参考系 ??? =(^??,^??,^??) 中定义(图5a)。
^?? = sin?????^?? + cos???????sin?????^?? + cos???????cos?????^??
(36)
其中 ???? 和 ???? 表示该参考系中的仰角和方位角。在外的大气区域飞行期间,推力在径向-横向-法线(RTN)局部参考系 ?? =(^??,^??,^??) 中用平面内和平面外的角度 ??? 和 ??? 表示:
^?? = sin????^?? + cos??????cos????^?? + cos??????sin????^??
(37)
图5. 参考系。
(a) 地心参考系。
(b) 径向-横向-法线参考系。
5.2. 飞行策略
考虑了一种现实的飞行策略。上升轨迹被划分为几个阶段,每个阶段都有一个特定的控制律,其示意图如图6所示。第一阶段是垂直上升,推力沿径向方向,直到达到离发射基地一定的距离。接下来,执行一个俯仰翻转机动,使LV与所需的轨道平面对齐。在一个简化的3自由度模型中,该机动由推力仰角的线性减小和恒定的推力方位角表示。然后LV遵循零升力重力转弯(ZLGT)轨迹。在此阶段,推力向量与相对速度对齐,以防止产生升力或侧向力。重力逐渐使速度向量向下旋转。在短暂的滑行后(持续一秒以便分离阶段),点燃第二阶段,LV继续遵循ZLGT轨迹。在第二阶段分离时抛掉整流罩。最后,第三阶段执行燃烧,使LV过渡到类似霍曼的轨道。此阶段的俯仰程序遵循线性定律,方位角为零。在长时间的滑行后,第三阶段执行第二次燃烧,推力仰角再次线性变化,方位角为零,以使轨道圆化并将有效载荷放置在所需的目标轨道上。
图6. 优化控制问题的阶段(时间未按比例绘制)。图中括号内的数字表示当前正在燃烧的阶段。黑点标记点燃阶段的点,而白点标记关闭阶段的点。每个部分代表一个特定的机动,以及用于描述它的控制参数。
5.3. 约束和目标函数
发射载具的初始条件取决于发射基地的地理位置。初始位置??0是基地位置,惯性速度??0可以确定为 ???? ×??0。问题目标是最大化LV的有效载荷??u。因此,要最小化的目标函数设计为 ???u。LV的湿质量被限制为 ??0,wet =??0 ???u = 55,000 kg,其中 ??0 是起飞质量,用于与Vega C Light的声明特性进行比较 [60]。施加了终端约束,以确保有效载荷注入到具有所需半径 ??? 和倾角 ??? 的圆形轨道中。为近拱点半径、远拱点半径和倾角设定了容差 ????? 和 ?????。上升节点的赤经没有直接强制执行,因为可以通过选择发射时间来轻松调整。还执行了尺寸约束,以保证LV的紧凑性。具体来说,一个阶段的直径不能大于前一个阶段的直径 ??stage,i ≤??stage,i?1,且第一阶段HRE单元的喷嘴出口直径必须小于单元直径 ??c ≥??e,1。为了确保飞行器和有效载荷在上升过程中的结构完整性,在优化过程中分别施加了最大轴加速度 ???? =˙?? · ^???/??0 和最大热通量暴露 ???? =0.5??????3rel 的约束,分别设置为5 g和900 W/m2。最大动态压力和max-Q?则是事后检查的,因为它们对当前问题来说不太重要。
5.4. 优化
结果的多学科优化问题涉及寻找单个HRE单元设计参数 ??HRE(直至喷嘴喉部)的最优值,以及每个阶段的最优出口喷嘴直径 ??e,1、??e,2 和 ??e,3。这导致了一个包含7个设计参数的向量:
??HRE = [??g,??c,??t,0,˙??ox,0,??e,1,??e,2,??e,3]
(38)
其中方程(19)中的设计向量被扩展以包括每个阶段使用的三种不同出口直径的HRE单元。注意,采用聚类显著简化了优化过程,因为只需要优化参考HRE单元,而不是发射载具每个阶段的HRE设计参数集。出于同样的原因,只需要训练一个代理模型。集群的参考HRE单元在选定的设计空间内优化,以提供40到70 kN之间的平均推力,操作压力在20到100巴之间。??HRE的结果域如表3所示。
表3. HRE设计参数的变化范围。
还需要确定飞行力学变量??flight和推力方向变量??guide的最优值。飞行设计变量包括第三阶段第一次燃烧的持续时间 ??b3,1 和接下来的滑行阶段持续时间 ????3。轨道插入阶段(第三阶段的第二次燃烧)的持续时间可以容易地计算为 ??b3,2 =??b3 ???b3,1:
??flight = [??b3,1,????3]
(39)
最后,需要6个设计变量来参数化发射载具的推力方向。这些包括俯仰翻转阶段结束时的仰角和方位角 ??po 和 ??po,上级引导开始和结束时的仰角 ??3,1?? 和 ??3,1??,以及最终轨道注入开始和结束时的仰角 ??3,2?? 和 ??3,2??:
??guide = [??po,??po,??3,1??,??3,1??,??3,2??,??3,2??]
(40)
整个MDO问题的最终优化向量包括15个设计参数:
??opt = [??g,??c,??t,0,˙??ox,0,??e,1,??e,2,??e,3,??b3,1,????3,??po,??po,??3,1??,??3,1??,??3,2??,??3,2??]
(41)
优化问题使用EOS(在Sapienza的进化优化)解决,这是一个用于受限全局优化的内部进化优化代码 [61]。该代码采用多群体、自适应的、受??约束的差分进化算法,并采用岛屿模型进行并行执行。EOS之前在空间轨迹优化问题上的成功应用包括 [18,28,29,62,63]。
6. 结果
本节展示了为制定的多学科优化问题获得的结果。图7显示了程序的示意图。进行了初步分析,以评估最合适的网络架构和输入输出样本数量,以确保代理模型的可靠性。
6.1. 基于NN的HRE模型
基于NN的代理HRE模型的训练是在输入输出样本的设计空间内随机分布进行的,样本数量从50,000(50k)到1,000,000(1000k)不等。为了评估替代模型的性能,还生成了一个包含10,000个样本的额外数据集??s。当前研究考虑的网络架构在表4中有所报告。所有隐藏层中的神经元都使用修正线性单元(rectified linear unit)作为激活函数,而输出神经元则使用线性激活函数。表4显示了所研究网络配置中各层的神经元(I:输入,O:输出,h:隐藏层)以及可训练参数的总数??train。无论具体配置如何,都采用了对称的金字塔(或反向沙漏)网络结构,因为它能够逐步增加特征抽象层次,然后将信息对称压缩成低维向量。这种设计使网络能够在扩展阶段学习越来越丰富的特征表示,然后在输出之前将其压缩成精炼的高级特征。这种常用于表示学习的架构在之前的相关研究中已被证明是有效的[28,29,30]。一个中等规模网络(Net4,根据表4使用500k个样本进行训练)的训练、验证和测试误差(或损失)显示在图8中。误差是根据训练集??、验证集??和测试集??s计算得出的真实输出和预测输出之间的均方误差(MSE),并归一化到0到1之间(根据方程(21)–(25))。误差显示出明显的高原式行为,先单调减小,然后在一个大约600个训练周期后达到一个渐近值。图8展示了替代神经网络误差随训练周期的变化(Net4,500k训练样本)。还引入了特定指标来评估替代模型相对于HRE物理特性的性能:(i)MAE??,即真实推力曲线(使用第2节中的内部弹道模型计算)与使用三次多项式预测的推力曲线之间的平均绝对误差,在40个不同时间点进行评估。(ii)MAE˙??,即真实和质量流量曲线之间的平均绝对误差,计算方法与MAE??相同。(iii)MAE??b,即预测和真实发动机燃烧时间之间的平均绝对误差。(iv)MAE??s,即预测和真实的发动机结构(干燥)质量之间的平均绝对误差。需要注意的是,假设包含10,000个样本的测试数据集??s在统计上足够可靠,可以将平均绝对误差作为替代模型准确性的稳健指标。不同训练样本数量和不同网络架构的训练网络的测试损失和MAE??显示在图9和图10中。图9显示了训练网络的MSE和MAE??与训练数据集维度以及不同网络架构的关系。(a)MSE。(b)MAE??。图10显示了训练网络的MSE和MAE??与网络架构以及不同训练数据集的关系。(a)MSE。(b)MAE??。结果表明,训练集的维度、架构复杂性以及神经网络的准确性之间存在明显的关系。总体而言,准确性随着训练样本数量的增加而提高。然而,使用更大数据集的好处随着数据集本身的维度增加而减弱。对于架构复杂性也有类似的行为,预测准确性随着隐藏层数量的增加而提高,但随着层数的增加,好处却在减少。图9和图10中显示的测试损失和MAE??的趋势也可以适用于每个替代模型性能指标。可以得出结论,在中等规模网络和中等规模的训练数据集之后,预测准确性的相对提升非常小。因此,选择8层网络架构(Net4)和包含500k个样本的训练数据集作为本研究的参考。这个选择也被认为是成本效益高的,因为训练网络所需的CPU时间大致与数据集维度成线性增长,与网络复杂性成指数增长,如图11所示。图11显示了不同训练数据集维度和网络架构的训练CPU时间。表5显示了使用不同训练样本数量的Net4配置的性能指标。表6显示了使用500k个训练样本训练的不同网络架构的性能指标。表5显示了不同训练样本数量(Net4)的训练网络的学习和性能参数。表6显示了不同网络配置(500k训练样本)的训练网络的学习和性能参数。使用所选的网络配置,预测误差很小,主要HRE性能量的百分比误差约为0.1%。特别是,与时间依赖量(推力和质量流量)相关的误差非常小,这些量使用三次多项式参数化表示。图12比较了使用HRE模型计算的推力曲线和由训练神经网络重构的推力曲线,对于一个代表性的发动机配置,显示两条曲线几乎无法区分。图12显示了HRE模型提供的真实推力曲线与神经网络相应预测之间的比较。HRE指标中的如此小的误差被认为会转化为相同数量级的有效载荷比估计。因此,获得了一个在优化过程中可以使用的计算效率高的工具。初始训练是使用神经网络所相关的唯一计算成本,只需执行一次。另一方面,使用训练网络的成本相当于几次矩阵乘法。可以根据需要多次使用训练网络,替代计算成本更高的物理模型。使用优化后的代码生成一个包含一百万个样本的训练集大约需要1小时。而使用训练好的神经网络大约只需要10分钟,速度提升了大约六倍。随着内部弹道模型的复杂性增加,这种加速效应会进一步增加。请注意,不应仅用构建数据库的成本来直接比较基于网络和基于内部弹道的优化方法。实际上,在初始训练之后,网络可以在多次优化运行中重复使用而无需额外的计算成本,从而节省了大量成本。此外,替代模型的适用性还可以扩展到HRE相同操作范围内的不同场景,使其成为一个高度灵活的工具。本节中展示的所有分析都是在配备了Intel? Xeon? W-2265 CPU的工作站上进行的,该CPU具有24个并行核心,基础时钟速度为3.50 GHz(1.2–4.8 GHz)。6.2. 集成优化针对一个三级模块化运载火箭进行了集成优化,其湿质量为55吨。使用单个泵送式的HRE单元,第一级、第二级和第三级分别由16个、4个和1个单元的集群组成。寻找单个HRE单元??HRE的最佳设计,以及最佳LV推力方向??guide和飞行参数??flight。最终目标是最大化LV的载荷注入能力,以实现瞄准500公里极地圆轨道(太阳同步轨道,SSO)的标称任务。相关的飞行器数据包括整流罩质量??fairing = 400kg。级间质量??is可以通过方程(18)计算得出,假设其形状为截锥形, major和minor直径等于连接级的直径。级间长度计算为覆盖后续级的喷嘴出口部分所需的最小长度,同时保证连接角度小于30度,以减少LV的阻力系数。优化结果表明在表7中,报告了优化的设计变量。表8展示了第一级、第二级和第三级的操作条件。加粗的量表示燃烧过程中的平均操作条件,比冲在真空中测量。应该注意的是,本研究中获得的优化HRE单元的??/??比率大约为7(单个单元由第三级的??/??比率表示),这位于Dubey等人[38]确定的适合在显著旋流衰减之前保持旋流注入好处的范围内。表9报告了每个级的不同子系统的质量,其中??ps是氦气加压系统的质量,??ct是应急储备的质量,??anc是辅助结构的质量。尽管加压系统的质量仅为1.1 kg,但这与使用涡轮泵送系统是一致的,因为这显著降低了需要维持的压力。最后,表10报告了运载火箭的有效载荷质量??u、总速度增量Δ???pr以及累积的引力Δ???grav、空气动力Δ???aero和错位Δ???mis损失。表7显示了最佳解向量。表8显示了各级的操作条件。表9显示了各级的质量预算。表10显示了运载火箭的速度损失、推进Δ???和质量预算。值得注意的是,没有一个优化的HRE参数??HRE位于其设计空间的边界上,这表明进一步扩大不会带来额外的好处。图13展示了优化飞行轨迹的高度-时间剖面。执行了直接上升飞行。在第二级切断结束时达到大约151公里的高度,此时整流罩应该被抛弃。第三级的第一次燃烧在大约234公里的高度结束。获得的7383.3 m/s的速度不足以将LV注入Hohmann型转移轨道;相反,优化代码建议使用一个更短的(弹道)转移弧线,其远地点半径等于目标轨道半径500公里。在这次滑行阶段之后,第三级的短暂重新点火大约持续十秒,将LV注入最终圆形轨道。这种直接上升轨迹可能是由于目标轨道的相对较低高度以及第一次燃烧结束时的速度较低所致。尽管如此,HRE推进系统的重启能力对于任务的成功至关重要,使其能够执行圆形化点火。图13显示了优化发射器的上升轨迹轮廓。图14展示了俯仰翻转阶段(图14a,以地心为参考)和第三级两次点火期间的推力高度和飞行路径角轮廓(图14b,c,以RTN为参考)。每个图中都可以清楚地看到线性俯仰律的存在,俯仰翻转期间的估计空气动力攻角可以通过两条曲线的差异轻松获得。在轨道圆形化期间(图14c),速度高度接近零,这在一个执行良好的轨道注入过程中是预期的。图14展示了俯仰翻转和上级操作阶段期间的推力高度和飞行路径角。(a)俯仰翻转。(b)第一次上级燃烧。(c)轨道插入。图15显示了LV每个阶段的真空推力和质量流量,以及HRE单元的腔室压力、混合比、喉部直径和特征速度。在这些图表中,可以看到与混合火箭相关的典型模式。随着时间的推移,喷射质量流量、推力和腔室压力的减少直接由颗粒退化和喉部侵蚀造成。同时,混合比的增加是推进剂的质量流量系数n大于0.5的特征。这些趋势与混合火箭的预期行为一致。图15显示了HRE的性能参数。(a)第一级的真空推力和质量流量。(b)第二级的真空推力和质量流量。(c)第三级的真空推力和质量流量。(d)HRE单元的腔室压力和混合比。(e)HRE单元的喉部直径和特征速度。图16显示了主要的飞行路径约束。正如预期的那样,最佳解决方案是在LV以其最大结构能力运行时获得的。具体来说,每个阶段切断时的纵向加速度接近5g(图16a),这是规定的限制。整流罩在有效载荷的热流暴露变得可接受时被精确释放(图16b),而第一级在发射时喷嘴流量处于分离边界状态(图16c)。在图16a中,可以观察到第一级轴向加速度在20至60秒之间有一个明显的“下降”现象。这种行为是由于运载火箭在大约50秒时经历了最大的空气动力阻力。在此之后,随着 altitude 的增加导致空气密度迅速降低,由于推进剂消耗而减少的车辆质量引起的轴向加速度增加变得占主导地位。图16显示了最佳方案中的飞行路径限制:(a) 运载火箭飞行过程中的轴向加速度;(b) 第二和第三级飞行过程中的有效载荷热流暴露;(c) 第一级飞行过程中的喷嘴出口压力。优化后的运载火箭的湿质量为55吨,有效载荷质量为1003公斤(?? =0.018),长度为32.9米,最大直径为3米,长径比为 ??/?? =10.97。例如,与早期开发的Vega C轻型运载火箭[60]的参考性能相比(该运载火箭的有效载荷最大质量为300公斤,总质量为55吨,?? =0.0055),基于高温氧化剂(HRE)的运载火箭在有效载荷比例上表现出显著提升。这一性能优势主要归因于HRE相对于固体火箭更高的比冲,以及HRE的重新启动能力,使得能够执行高效的上升轨道。然而,这只是对两种非常不同的运载火箭的总体比较,基于当前的分析及其假设;为了获得更准确的评估,还需要对运载火箭的干质量、燃烧效率和喷嘴效率进行更精确的评估。图17展示了优化后的推进系统的二维视图,包括HRE单元(图17a,其中包含了三个阶段的喷嘴轮廓)和整个运载火箭(图17b)。图17中的二维视图按比例放大显示了优化后的推进系统:(a) HRE单元;(b) 运载火箭(喷嘴采用黑色虚线表示)。请注意,大约1000公斤的有效载荷能力部分受到参数如????* 和 ??????乐观假设的影响。此外,优化后的运载火箭的第二和第三级的膨胀比异常高(分别为130和220)。这些数值是由于喷嘴质量估算模型中的乐观假设以及没有成本限制所导致的。如此高的膨胀比也可能由于损失增加而导致喷嘴效率降低,但这在分析中并未考虑。为了提供较为保守的运载火箭性能估计,进行了简化分析,使用与优化配置相同的HRE单元,但将????* 和 ??????的效率分别降低到94%,第二和第三级的面积比也相应减少到40和80(图17b中的黑色虚线所示),从而降低了喷嘴和级间的质量。此分析基于齐奥尔科夫斯基火箭方程,假设推进Δ???pr与优化后的运载火箭相同(9.7公里/秒)。然而,这种方法没有考虑这些变化对速度损失的影响,这可能会进一步影响性能。在这些修订的假设下,有效载荷能力降至662公斤,对应的有效载荷比例约为?? =0.012。可以看出,有效载荷能力的下降主要是由于效率降低造成的,而喷嘴的截断影响相对较小。这个结果提供了对推进系统能力的更为保守的估计。尽管如此,与之前提到的Vega C轻型运载火箭的参考性能相比,这一结果仍然显示出明显的改进。
7. 结论
本研究开发了一个集成优化框架,用于确定针对500公里极地圆形轨道的多级模块化运载火箭的最佳混合火箭发动机(HRE)设计。基于齐奥尔科夫斯基方程的初步任务分析选择了三级运载火箭架构,各阶段分别由16个、4个和1个HRE单元组成。为了提高计算效率,引入了基于神经网络的替代模型,利用简化的一维内部弹道模型生成的数据来预测参考HRE单元的性能。对训练数据集的大小和网络架构进行了全面的参数分析,选择了一个大小适中、能够在预测精度和计算量之间取得平衡的网络。得到的替代模型能够准确再现HRE的行为,关键性能量的误差大约为0.1%。由于采用了聚类方法,同一个训练好的网络可以用来估算所有阶段的性能。与基于物理的HRE模型相比,使用替代模型可以将计算速度提高大约六倍,而且只需训练一次。因此,训练好的网络可以在多次优化运行中重复使用,并可能扩展到同一运行范围内的不同任务场景。集成优化结果表明,所提出的配置能够成功完成目标任务。优化后的运载火箭的湿质量为55吨,能够运送1003公斤的有效载荷(?? =0.018),证明了所提出方法的可行性。