Sviluppo di un modello basato su reti neurali per la stima delle prestazioni in condizioni di equilibrio chimico per un endoreattore a propellenti ibridi e sua applicazione all'ottimizzazione accoppiata di motore e traiettoria = Development of a neural network-based model to estimate the performance of a hybrid rocket engine in chemical equilibrium conditions and its application to the coupled optimization of engine design and trajectory

La propulsione ibrida ha riacquistato l’interesse sia della comunità scientifica che del settore privato. Da un lato l’uso di cere paraffiniche come combustibile sta permettendo la progressiva risoluzione dei problemi legati al basso rateo di regressione, grazie ai fenomeni di entrainment, e dall’altro, la minore complessità ed impatto ambientale, rispetto alle controparti a propellenti solidi e liquidi, rendono gli ibridi concorrenziali nella realizzazione di piccoli lanciatori nel più ampio contesto dello sfruttamento commerciale dello spazio. Classicamente le prestazioni di un endoreattore in condizioni di equilibrio chimico possono essere calcolate in maniera esatta tramite modelli di ordine elevato, come ad esempio il software NASA CEA, oppure tramite relazioni semplificate basate su quest’ultimo, che vanno però a trascurare alcuni dei parametri coinvolti, privilegiando la riduzione del costo computazionale. Il lavoro di tesi consiste nella definizione di un modello basato su reti neurali per la stima delle prestazioni dell’endoreattore che garantisca un costo computazionale limitato a fronte di un’elevata capacità di predizione, e nella sua integrazione in preesistenti procedure di ottimizzazione accoppiata di motore ibrido e traiettoria. In particolare, il caso di studio analizzato è quello di un piccolo lanciatore airborne a tre stadi. L’ottimizzazione mira a massimizzare la massa del carico utile per una data missione di riferimento, sfruttando un metodo diretto per l'ottimizzazione del design motore, ed indiretto per la traiettoria. Dai risultati emerge che, l’utilizzo della rete richiede tempi inferiori rispetto all’utilizzo di un modello di alto ordine (CEA), pur garantendo un’analoga accuratezza. Per quanto concerne l’ottimizzazione di design motore e traiettoria, il modello basato sulle reti neurali permette di ottenere design rilevanti in termini di prestazioni ad un costo computazionale contenuto, comparabile a quello richiesto dai modelli semplificati usati in precedenza, ma con un’elevata fedeltà grazie all’addestramento: il modello implementato si pone dunque come una valida alternativa all’utilizzo del CEA.