Deep learning-based surrogate modeling of an array of shear coaxial rocket injectors

The design and optimization of liquid rocket engine combustion chambers is an iterative process that increasingly relies on numerical tools to predict the behavior of the reactive flow. Yet, traditional computational fluid dynamics (CFD) techniques are too computationally demanding to achieve quick and inexpensive exploration of a vast design space. In this work, a data-driven surrogate model based on U-Nets is proposed to achieve a low-cost, low-inference-time prediction of physical fields of an array of shear coaxial injectors. The envisioned model leverages transfer learning to limit the computational burden associated with creating an adequately large database of multi-injector simulations. To this end, a design of experiment is conducted to generate two datasets of two-dimensional Reynolds-Averaged Navier Stokes (RANS) simulations: the first one consisting of simulations of single injectors, the second one featuring double-injector configurations. Two geometric parameters, recess length and flame confinement length, are sampled within the design space of a typical lab-scale combustion chamber and used as input for the networks. While the physics of injection is acquired from the first dataset, the model is fine-tuned on the second one, where the interaction between two elements with different geometries is learned. The results demonstrate the surrogate model’s ability to emulate complex injector interactions, offering a proof of concept for neural network-powered approaches in this domain. While transfer learning proves effective in data-limited scenarios, it is not computationally advantageous. At the same time, the simultaneous knowledge of multiple fields is found to facilitate the learning process. The model is exploited to deepen the understanding of the effect of the two geometric parameters on the interaction between neighboring injectors, finding a dependence of the flame deflection upon the recess length under asymmetric confinements. This study contributes to expanding machine learning-based surrogate modeling beyond single injectors and delivers possible strategies to integrate such models into the modeling framework of realistic chambers.

La progettazione e l'ottimizzazione di una camera di combustione di un endoreattore liquido sono processi iterativi che si basano sempre più su strumenti numerici per simulare il comportamento del flusso reattivo. Tuttavia, le tradizionali tecniche di fluidodinamica computazionale (CFD) richiedono risorse di calcolo eccessive per consentire l'esplorazione rapida ed economica di un ampio spazio di progettazione. In questo studio viene proposto un modello surrogato addestrato con dati e costruito con U-Nets per ottenere una previsione a basso costo e in tempi ridotti di campi di grandezze fisiche di iniettori coassiali disposti in parallelo. Il modello utilizza l'apprendimento per trasferimento per limitare l'onere computazionale legato alla creazione di una banca dati sufficientemente ampia di simulazioni multi-iniettore. A tal fine, vengono generate due banche dati di simulazioni Reynolds-Averaged Navier-Stokes (RANS) bidimensionali: il primo set di dati è costituito da simulazioni di singoli iniettori, il secondo da configurazioni con doppio iniettore. Due parametri geometrici, la lunghezza del recess e la lunghezza di confinamento di fiamma, vengono campionati e utilizzati come input per le reti. La fisica dell’iniezione viene acquisita attraverso la prima banca dati, mentre le interazioni tra elementi di geometria diversa sono appresi dalla seconda. I risultati dimostrano la capacità del modello surrogato di emulare complesse interazioni tra iniettori. Mentre l'apprendimento per trasferimento si dimostra efficace in scenari dove la quantità di dati è limitata, esso non è ritenuto computazionalmente vantaggioso. Contestualmente, la conoscenza simultanea di più campi facilita il processo di apprendimento. L’analisi dell’effetto dei parametri geometrici sull’interazione tra iniettori adiacenti rivela una dipendenza della deflessione della fiamma dalla lunghezza del recess in presenza di confinamenti asimmetrici. Questo studio amplia la modellazione surrogata basata su modelli di apprendimento automatico oltre singoli iniettori e fornisce possibili strategie per integrare tali modelli nel quadro modellistico di una camera di combustione realistica.