Skip to content

TRL4_ROADMAP.md

Latest commit

 

History

History
110 lines (77 loc) · 3.49 KB

TRL4_ROADMAP.md

File metadata and controls

110 lines (77 loc) · 3.49 KB

TRL4 升級路線圖與實作摘要

對應工程審查建議之三項動作，本專案已實作並可一鍵執行。

1. Benchmark Pack（CEA + GMAT + Sutton-Graves）

模組：benchmark_pack.py

  • CEA 對標：RocketCEA 計算 LOX/RP1、LOX/LH2 之 Isp、T_c，與文獻典型值比對
  • GMAT / 使命規劃對標：軌道速度、ΔV 預算與圓軌解析解／典型值比對；若 GMAT 可用則執行腳本
  • Sutton-Graves 對標：aerospace_sim.ThermalTPS.heating_rate 與公式手算值比對

使用方式

# 自儲存庫根目錄（建議先 pip install -e .）
python -m rocket_program.benchmark_pack
# 或一鍵 TRL4 流程
python scripts/run_trl4_upgrade.py

輸出：benchmark_pack_output/benchmark_report.json、benchmark_report.md

Pass 門檻

  • 相對誤差 ≤ 5%（可調 REPORT_REL_TOL）

2. 氣動升級（可插拔來源 + 不確定度 + 覆蓋率）

模組：aero_upgrade.py

  • 可插拔來源：AeroSource 介面
    • AeroTableSource：包裝既有 AeroTable
    • AeroSurrogateSource：接 ML 代理
    • load_aero_from_csv：從 CSV 載入
    • get_pluggable_aero(source="placeholder"|"csv"|"surrogate", ...)
  • 不確定度模型：AeroUncertaintyWrapper，係數附 (mean, std)
  • 覆蓋率檢查：check_coverage(alpha_deg, M, space)，回傳 covered_ratio、coverage_ok、gaps
  • 與 aerospace_sim 整合：aero_source_to_table() 將 AeroSource 採樣為 AeroTable，供 AeroModel.table 使用

使用方式

from aero_upgrade import get_pluggable_aero, check_coverage, DesignSpace, aero_source_to_table
from aerospace_sim import AeroModel

source = get_pluggable_aero(source="placeholder", uncertainty={"C_L": 0.05, "C_D": 0.10})
tbl = aero_source_to_table(source, np.linspace(-5, 15, 11), np.linspace(0.3, 1.5, 9))
model = AeroModel(table=tbl)

3. AI Surrogate 管線

模組：ai_surrogate_pipeline.py

  • DOE：latin_hypercube_sample、sobol_sample_from_salib（若已裝 SALib）
  • Surrogate：SimpleGP（簡化 GP，具 mean/std）、build_aero_surrogate、build_heat_flux_surrogate、build_margin_surrogate
  • Fail-closed：FailClosedSurrogate，OOD 時回退 truth model；ood_distance_to_nearest、is_in_domain
  • Active Learning：active_learning_iteration，依不確定度補樣本
  • Pareto：pareto_front_2d、nsga2_crowding_distance

建議 ROI 順序

  1. 氣動代理：Mach, α, Re → C_L, C_D
  2. 熱通量代理：trajectory state → q̇
  3. 結構裕度代理：loads + geometry + material → MOS

使用方式

from ai_surrogate_pipeline import (
    latin_hypercube_sample,
    build_aero_surrogate,
    pareto_front_2d,
)
import numpy as np

bounds = [(0.3, 1.5), (-5, 15), (5.0, 7.0)]  # M, alpha_deg, log10(Re)
X = latin_hypercube_sample(bounds, 50, seed=42)
y_cl = ...  # truth model
y_cd = ...
surr = build_aero_surrogate(X, y_cl, y_cd, bounds)

4. 一鍵執行

python run_tr14_upgrade.py

依序執行：Benchmark Pack → 氣動升級檢查 → AI Surrogate 示範。

5. 風險控制（審查建議）

風險 控制
氣動佔位 使用 aero_upgrade 插拔 CFD/風洞/代理；覆蓋率檢查
V&V 偏內部 Benchmark Pack 提供 CEA/GMAT/Sutton-Graves 外部對標
Surrogate 外推 Fail-closed + OOD 偵測 + 回退 truth model
可重現性 維持既有 SAP 流程；Benchmark 報告可納入 Reproducible Pack