Design of Additively Manufactured Miniturized Low Thrust Bi-Propellant Propulsion System and Model Design via Neural Network and CFD

In this project, a micro bi-propellant thruster is designed with 0.5 N thrust capability, using green propellants, propene, and nitrous oxide. It adheres to D-Orbit company's specifications and can be manufactured through cutting-edge additive manufacturing techniques, tailored for space applications. The design process involved digital tools like RPA software and its nested analysis, culminating in a chosen design. This design became the foundation of CFD simulation case which later is used for training a neural network function using MATLAB. This function takes the propellant's mass flow rate as input and predicts temperatures at 12 strategic points in the combustion chamber. The mass flow rate was varied in the range ±20% of original design point. The MATLAB-based network was trained With data extracted from 600 CFD simulations and displayed exceptional precision, estimating temperatures with less than 1% error. This achievement showcases the potential of combining modern design, computational simulations, and machine learning, offering efficiency and excellence in space propulsion systems.

In questo progetto, è stato progettato un micropropulsore a bi-propellente con una capacità di spinta di 0,5 N, utilizzando propellenti verdi, propene e ossido di diazoto. Si attiene alle specifiche dell'azienda D-Orbit e può essere prodotto attraverso innovative tecniche di produzione additiva, su misura per applicazioni spaziali. Il processo di progettazione ha coinvolto strumenti digitali come il software RPA e la sua analisi nidificata, che ha portato alla scelta di un design specifico. Questo design è diventato la base del caso di simulazione CFD, che è stato successivamente utilizzato per addestrare una funzione di Neural Network utilizzando MATLAB. Questa funzione prende la portata di massa del propellente come input e prevede le temperature in 12 punti nella camera di combustione.La portata di massa è stato variato del ±20% rispetto al punto di progettazione originale. Con i dati di 600 simulazioni CFD come base per la rete, la funzione addestrata con MATLAB ha mostrato un'eccezionale precisione, prevedendo le temperature con un errore inferiore all'1%. Questo risultato evidenzia il potenziale della combinazione tra progettazione moderna, simulazioni computazionali e apprendimento automatico, offrendo efficienza ed eccellenza nei sistemi di propulsione spaziale.