Solid rocket motor (SRM) performance is governed primarily by the geometry of the propellant grain, which dictates the evolution of the burning surface area and the resulting thrust profile. Conventional grain design often follows an iterative trial-and-error process, in which a candidate geometry is evaluated through an internal ballistics solver and progressively refined until a satisfactory solution is found. This approach becomes inefficient or entirely inadequate for complex geometries and demanding performance targets. The inverse design problem bypasses the need for repeated manual iteration, seeking instead to determine the grain geometry that directly yields a specified target thrust profile. However, the relationship between performance and grain geometry is non-linear and non-unique, with multiple configurations capable of producing similar outputs and small parameter changes leading to large variations in performance, limiting the effectiveness of classical optimization methods. This thesis investigates a purely data-driven approach to SRM inverse design using deep residual neural networks, without reliance on iterative optimization loops. An extensive dataset of 5 million grain configurations, evenly distributed across ten conventional, predefined grain types, along with their corresponding thrust profiles and performance metrics, is generated from scratch using openMotor, an open-source internal ballistics solver, with the physical validity of configurations and manufacturability constraints being enforced by construction. Deep residual networks are subsequently designed, trained, and optimized through a dedicated hyperparameter optimization study, with the primary objective of minimizing the discrepancy between the target thrust profiles and those resulting from the corresponding predicted grain geometries, while also satisfying other key mission constraints. Results show that the generated configurations yield performance metrics predominantly consistent with literature thanks to the employed filtering criteria. Furthermore, the trained architectures prove capable of closely matching the target thrust curves across all grains and test configurations, with an average coefficient of determination of 0.998, a grain prediction accuracy of 99.5% and a mean percentage error on total impulse of 0.2%. These findings demonstrate the viability of end-to-end deep learning for SRM inverse design and establish a reproducible baseline for future works, with the extension to custom and multi-grain configurations identified as promising directions for further development.

Le prestazioni dei motori a propellente solido (SRM) sono governate principalmente dalla geometria del grano propellente, la quale determina l'evoluzione della superficie di combustione e il conseguente profilo di spinta. I metodi convenzionali di progettazione del grano solido seguono spesso un processo iterativo, in cui una geometria iniziale viene valutata tramite un simulatore di balistica interna e progressivamente affinata fino al raggiungimento di una soluzione adeguata. Questo approccio risulta essere inefficiente o del tutto inadeguato per geometrie complesse e requisiti prestazionali stringenti. L'inverse design supera interamente gli approcci basati su continui interventi manuali, mirando invece a determinare direttamente la geometria in grado di produrre un profilo di spinta desiderato. Tuttavia, la relazione tra prestazioni e geometria del grano è non lineare e non univoca, con più configurazioni capaci di produrre output simili e piccoli scostamenti nei parametri che possono portare a grandi variazioni nelle prestazioni, limitando l'efficacia dei metodi di ottimizzazione convenzionali. Questa tesi propone un approccio puramente data-driven all'inverse design di SRM tramite l'utilizzo di deep residual neural networks, senza fare ricorso a cicli iterativi di ottimizzazione. Un dataset composto da 5 milioni di configurazioni, equamente distribuite su dieci tipologie di geometrie convenzionali, contestualmente ai rispettivi profili di spinta e metriche prestazionali, è generato da zero tramite openMotor, un simulatore di balistica interna open-source, garantendo espressamente la validità fisica delle configurazioni e il rispetto dei vincoli di produzione. Le reti neurali sono quindi progettate, allenate e ottimizzate tramite uno studio dedicato di hyperparameter optimization, con l'obiettivo primario di minimizzare la differenza tra i profili di spinta desiderati e quelli risultanti dalle corrispondenti geometrie predette dai modelli, nel rispetto di ulteriori vincoli di missione. I risultati mostrano come, grazie ai criteri di selezione implementati, il processo di generazione dei dati sia in grado di produrre in prevalenza configurazioni con prestazioni in linea con la letteratura. Le reti neurali allenate si dimostrano inoltre in grado di corrispondere accuratamente le curve di spinta desiderate per tutte le configurazioni investigate, con un coefficiente di determinazione pari a 0.998, un'accuratezza media di predizione dei grani di 99.5%, e un errore medio percentuale sull'impulso totale di 0.2%. Questi risultati dimostrano la validità del deep learning end-to-end per l'inverse design di SRM e costituiscono una baseline riproducibile per sviluppi futuri, identificando l'estensione del framework a configurazioni custom e multi-grano come direzioni promettenti per ulteriori sviluppi.

Data-driven inverse design of solid rocket motor propellant grains via deep residual networks

Ruoppolo, Marco
2025/2026

Abstract

Solid rocket motor (SRM) performance is governed primarily by the geometry of the propellant grain, which dictates the evolution of the burning surface area and the resulting thrust profile. Conventional grain design often follows an iterative trial-and-error process, in which a candidate geometry is evaluated through an internal ballistics solver and progressively refined until a satisfactory solution is found. This approach becomes inefficient or entirely inadequate for complex geometries and demanding performance targets. The inverse design problem bypasses the need for repeated manual iteration, seeking instead to determine the grain geometry that directly yields a specified target thrust profile. However, the relationship between performance and grain geometry is non-linear and non-unique, with multiple configurations capable of producing similar outputs and small parameter changes leading to large variations in performance, limiting the effectiveness of classical optimization methods. This thesis investigates a purely data-driven approach to SRM inverse design using deep residual neural networks, without reliance on iterative optimization loops. An extensive dataset of 5 million grain configurations, evenly distributed across ten conventional, predefined grain types, along with their corresponding thrust profiles and performance metrics, is generated from scratch using openMotor, an open-source internal ballistics solver, with the physical validity of configurations and manufacturability constraints being enforced by construction. Deep residual networks are subsequently designed, trained, and optimized through a dedicated hyperparameter optimization study, with the primary objective of minimizing the discrepancy between the target thrust profiles and those resulting from the corresponding predicted grain geometries, while also satisfying other key mission constraints. Results show that the generated configurations yield performance metrics predominantly consistent with literature thanks to the employed filtering criteria. Furthermore, the trained architectures prove capable of closely matching the target thrust curves across all grains and test configurations, with an average coefficient of determination of 0.998, a grain prediction accuracy of 99.5% and a mean percentage error on total impulse of 0.2%. These findings demonstrate the viability of end-to-end deep learning for SRM inverse design and establish a reproducible baseline for future works, with the extension to custom and multi-grain configurations identified as promising directions for further development.
ING - Scuola di Ingegneria Industriale e dell'Informazione
22-lug-2026
2025/2026
Le prestazioni dei motori a propellente solido (SRM) sono governate principalmente dalla geometria del grano propellente, la quale determina l'evoluzione della superficie di combustione e il conseguente profilo di spinta. I metodi convenzionali di progettazione del grano solido seguono spesso un processo iterativo, in cui una geometria iniziale viene valutata tramite un simulatore di balistica interna e progressivamente affinata fino al raggiungimento di una soluzione adeguata. Questo approccio risulta essere inefficiente o del tutto inadeguato per geometrie complesse e requisiti prestazionali stringenti. L'inverse design supera interamente gli approcci basati su continui interventi manuali, mirando invece a determinare direttamente la geometria in grado di produrre un profilo di spinta desiderato. Tuttavia, la relazione tra prestazioni e geometria del grano è non lineare e non univoca, con più configurazioni capaci di produrre output simili e piccoli scostamenti nei parametri che possono portare a grandi variazioni nelle prestazioni, limitando l'efficacia dei metodi di ottimizzazione convenzionali. Questa tesi propone un approccio puramente data-driven all'inverse design di SRM tramite l'utilizzo di deep residual neural networks, senza fare ricorso a cicli iterativi di ottimizzazione. Un dataset composto da 5 milioni di configurazioni, equamente distribuite su dieci tipologie di geometrie convenzionali, contestualmente ai rispettivi profili di spinta e metriche prestazionali, è generato da zero tramite openMotor, un simulatore di balistica interna open-source, garantendo espressamente la validità fisica delle configurazioni e il rispetto dei vincoli di produzione. Le reti neurali sono quindi progettate, allenate e ottimizzate tramite uno studio dedicato di hyperparameter optimization, con l'obiettivo primario di minimizzare la differenza tra i profili di spinta desiderati e quelli risultanti dalle corrispondenti geometrie predette dai modelli, nel rispetto di ulteriori vincoli di missione. I risultati mostrano come, grazie ai criteri di selezione implementati, il processo di generazione dei dati sia in grado di produrre in prevalenza configurazioni con prestazioni in linea con la letteratura. Le reti neurali allenate si dimostrano inoltre in grado di corrispondere accuratamente le curve di spinta desiderate per tutte le configurazioni investigate, con un coefficiente di determinazione pari a 0.998, un'accuratezza media di predizione dei grani di 99.5%, e un errore medio percentuale sull'impulso totale di 0.2%. Questi risultati dimostrano la validità del deep learning end-to-end per l'inverse design di SRM e costituiscono una baseline riproducibile per sviluppi futuri, identificando l'estensione del framework a configurazioni custom e multi-grano come direzioni promettenti per ulteriori sviluppi.
File allegati
File Dimensione Formato  
2026_07_Ruoppolo_Thesis.pdf

accessibile in internet per tutti

Descrizione: Tesi
Dimensione 9.45 MB
Formato Adobe PDF
9.45 MB Adobe PDF Visualizza/Apri
2026_07_Ruoppolo_Executive_Summary.pdf

accessibile in internet per tutti

Descrizione: Executive Summary
Dimensione 1.94 MB
Formato Adobe PDF
1.94 MB Adobe PDF Visualizza/Apri

I documenti in POLITesi sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/10589/261321