MOSAE: multi-disciplinary optimization of space and airborne effectors

In this thesis a computational framework, called MOSAE, for rapid, multidisciplinary, preliminary design and optimization of aerospace systems is developed. This activity is guided by the need for fast and informed decision-making during the earliest design phases of space and airborne effectors, where conceptual choices influence the most performance, cost, and feasibility. MOSAE is a scalable framework that combines typical disciplinary models of launcher design at a mission high level such as trajectory, aerodynamics, propulsion, and mass estimation - with the aim of optimizing the overall system and retrieving sensitivity information about its specifics using machine learning techniques. The implemented architecture is based on a Multi-Disciplinary Feasible (MDF) formulation which is linked to a Genetic Algorithm (GA) optimizer, that allows robust convergence even in the presence of discontinuous and highly coupled design spaces, which are typical of early aerospace studies. The method helps in the discovery of design trades in a fast way, without using information of derivatives (gradient free) or high-fidelity simulations and is implemented with the intention to provide a trade-off between accuracy and computational speed. The addition of a sensitivity analysis coupled with the optimization process and based on machine learning technique represents one of the main contributions of this study. Using Random Forest technique for regression and data analysis on the database generated by the optimization, MOSAE identifies the most important design variables and quantitatively shows the coupling between different control variables and performance. This approach increases the understanding of system at preliminary level, increases the rapidity to perform initial iteration, and gives a clearer view on system-level dependencies that may be hidden in the initial stages of design. The framework has been demonstrated on two representative case studies, an air launched system for orbit operations and a missile interceptor, and the approach is also flexible and scalable. The disciplinary models and optimization results have been compared with available reference data, which establishes the credibility of the results in preliminary design phases, and sustains an emphasis on speed and conceptual insight, rather than detailed physical accuracy. The main contributions of this thesis are: 1. The development of MOSAE, a fast, modular MDO framework for conceptual aerospace design. 2. The use of machine learning–based sensitivity analysis technique for variable reduction and feature importance, and the discussion of its potential and limitations, also covered by comparison with other algorithms. 3. The application of the framework on two different aerospace scenarios such as an air-launched rocket for orbit operations and an air-intercept mission, to show how it can provide rapid trade-offs, and prove its versatility. These contributions allow for more rapid and informed early design decisions and link traditional conceptual design to modern data-driven design strategies

In questa tesi viene sviluppato un framework computazionale, chiamato MOSAE, per la progettazione preliminare rapida e multidisciplinare di sistemi aerospaziali e la loro ottimizzazione. Questa attività è guidata dalla necessità di un processo decisionale rapido e dedicato durante le primissime fasi di progettazione di effettori spaziali e aerotrasportati, nelle quali le scelte concettuali influenzano maggiormente prestazioni, costi e fattibilità. MOSAE è un framework scalabile che combina i tipici modelli disciplinari della progettazione di lanciatori di alto livello, come traiettoria, aerodinamica, propulsione e stima della massa, con l’obiettivo di ottimizzare il sistema complessivo e ricavare informazioni di sensibilità sui suoi aspetti specifici utilizzando tecniche di machine learning. L’architettura implementata è basata su una formulazione Multi-Disciplinary Feasible (MDF) collegata a un ottimizzatore basato su Algoritmo Genetico (GA), che consente una convergenza robusta anche in presenza di spazi di progetto discontinui e fortemente accoppiati, tipici degli studi aerospaziali nelle fasi iniziali. Il metodo aiuta a individuare rapidamente compromessi di progetto, senza utilizzare informazioni di derivata (gradient-free) né simulazioni ad alta fedeltà, ed è implementato con l’intento di fornire un compromesso tra accuratezza e velocità computazionale. L’aggiunta di un’analisi di sensibilità accoppiata al processo di ottimizzazione e basata su tecniche di machine learning rappresenta uno dei principali contributi di questo studio. Utilizzando la tecnica Random Forest per regressione e analisi dei dati sul database generato dall’ottimizzazione, MOSAE identifica le variabili di progetto più importanti e mostra quantitativamente l’accoppiamento tra diverse variabili di controllo e le prestazioni. Questo approccio aumenta la comprensione del sistema a livello preliminare, incrementa la rapidità nell’eseguire iterazioni iniziali e fornisce una visione più chiara delle dipendenze a livello di sistema che possono rimanere nascoste nelle fasi iniziali della progettazione. Il framework è stato dimostrato su due casi di studio rappresentativi: un sistema lanciato da aria per operazioni orbitali e un intercettore missilistico; inoltre, l’approccio è flessibile e scalabile. I modelli disciplinari e i risultati dell’ottimizzazione sono stati confrontati con dati di riferimento disponibili, il che stabilisce la credibilità dei risultati nelle fasi di progettazione preliminare e sostiene un’enfasi sulla velocità e sull’intuizione concettuale, piuttosto che sull’accuratezza fisica dettagliata. I principali contributi di questa tesi sono: Lo sviluppo di MOSAE, un framework MDO veloce e modulare per la progettazione aerospaziale concettuale. L’uso di una tecnica di analisi di sensibilità basata su machine learning per la riduzione delle variabili e la valutazione dell’importanza delle caratteristiche, e la discussione del suo potenziale e dei suoi limiti, analizzati anche attraverso il confronto con altri algoritmi. L’applicazione del framework a due diversi scenari aerospaziali, come un razzo lanciato da aria per operazioni orbitali e una missione di intercettazione aerea, per mostrare come possa fornire rapidamente compromessi di progetto e dimostrare la sua versatilità. Questi contributi consentono decisioni di progettazione nelle fasi iniziali più rapide e informate e collegano la progettazione concettuale tradizionale alle moderne strategie di progettazione basate sui dati.