Hvordan sikrer USA’s flyvevåben at næste generations kampfly opnår mindst mulig luftmodstand, størst fart og den længst mulige rækkevidde?
Det arbejder Georgia Institute of Technology’s Aerospace Systems Design Laboratory blandt andre rumfartsprojekter på at muliggøre. Men udviklingsarbejdet sikrer også større sikkerhed, bedre miljøbeskyttelse og lavere anskaffelses- og driftsomkostninger. For at nå dertil anvender direktør Dimitri Mavris og de andre forskningsingeniører banebrydende software i form af JMP®, der hermed bidrager til udviklingen af verdens mest avancerede ingeniørprojekter.
- Rumfart er det område, hvor interaktion spiller den største rolle. Fordi systemernes design er så indbyrdes afhængige, har det særlig stor betydning, at man forstår og har kendskab til, hvad der foregår uden for ens eget fagområde, så man kan arbejde på tværs af faggrænser. Den samarbejdsorienterede planlægning har langt større betydning her end inden for andre tekniske områder, siger forsker Michelle Kirby, der især værdsætter JMP®’s muligheder for collaborative planning.
- Aerospace Systems Design Laboratory er det eneste team, der arbejder på et så avanceret niveau inden for ”systems-of-systems”-tankegangen. Vi er virkelig cutting edge lige nu, understreger Dimitri Mavris, der grundlagde laboratoriet i 1992 for at bygge bro mellem videnskab, design og produktion.
Mus og raketter
Da Dimitri Mavris i 1994 opdagede JMP® statistisk discovery software fra SAS, bestemte han sig straks for at inkludere det i laboratoriets værktøjskasse.
Første gang han så softwaren demonstreret var i et life sciences miljø.
- De viste en demo om mus, men mens jeg så på musene, tænkte jeg kun på at bruge JMP® til raketter, fortæller han.
Han var fra første øjeblik klar over, at han kunne bruge JMP® til realistiske eksperimenter og den interaktive analyse og datavisualisering, der er nødvendig for at komme frem til de optimale scenarier.
- Den der opfandt visualiseringen er et geni, siger Mavris og fortsætter:
- Nu arbejder vi ikke længere med hjemmestrikkede værktøjer. Vores behov var en komplet pakke, og det har vi fået med JMP®. Jeg anser det for at være et kompetencegivende værktøj for den udøvende ingeniør. Det sætter os i stand til at arbejde 100 gange hurtigere end før.
Et visualiseringsmiljø til samarbejde
Men det var ikke nok at anvende JMP på traditionel facon. Den interaktive statistiske software fortjente et helt specielt samarbejdsorienteret miljø, mente Mavris.
- Det skabte vi med Collaborative Visualization Environment eller CoVE, der er en ca. 3 meter høj og 5,5 meter bred multimedie-væg bestående af 12 skærme, der skaber en mosaik af alle de data, der arbejdes med.
- Hvorfor så stort? Fordi antallet af variabler er enormt ligesom antallet af modeller. Og det gigantiske display betyder, at forskerne kan få et tydeligt overblik over, samt indblik i, systemmodellerne. Når de har set det, forstår de det. For hvert eneste produkt vi har udviklet, er gennembruddet næsten altid sket i forbindelse med brug af JMP, fortæller Dimitri Mavris.
Surrogatmodeller
Nogle af de fysik-baserede, computerintensive dynamiske modeller, som f.eks. NASA anvender, er uhyre tidskrævende og dyre i drift, og de kan simpelthen ikke køres i realtid med what-if analyse. Alligevel afhænger mange af de hands-on beslutninger der skal træffes af realtidsmodellering.
Hvordan kan Mavris og hans team afdække muligheder interaktivt, når det tager timevis at køre bare ét enkelt design gennem de fysiske modeller?
Svaret er: Surrogatmodellering. De statistiske surrogatmodeller erstatter de dyre fysiske modeller, proprietære matematiske modeller og de computerintensive simuleringer.
Filtreret Monte Carlo-simulering
En anden værdifuld modelleringsmetode er Filtreret Monte Carlo-simulering. JMP® anvendes f.eks. til en militær målsimulering, der involverer flyvevåbnets kampfly og antiluftsskyts.
Målet er at finde frem til hvilke våbensystemer, der kan penetrere et givet mål, og hvad de succesfulde systemers karakteristika er. Den største tekniske udfordring ligger i behovet for hurtig sandsynlighedsanalyse og visualisering af de komplekse multidimentionelle resultater.
Ved brug af surrogatmodeller kan point designs datasæt hurtigt genereres. Surrogatmodeller muliggør også hurtige Monte Carlo-simuleringer, der kan køres med det samme. Disse to teknikker kombineres for at finde frem til egnet design og teknologi.
Filtreret Monte Carlo-teknik benyttes herefter til at ”filtrere” eller reducere antallet af løsninger fra tusindvis til en håndfuld datasæt.
Mange måder at ramme målet på
Selv med mange tusinde datasæt kan ingeniørerne vise alle mulige scenarier grafisk i mange dimensioner med scatterplot-matricer. Herefter kan de begynde at bearbejde data, indtil de finder de datasæt, der definerer det scope, der opfylder, hvad de søger.
Hvor profilering kun viser op til tre dimensioner ad gangen, viser Filtreret Monte Carlo-simulering muligheder i mange flere dimensioner. Hvert sæt af data er en mulighed, og hvert overlevende datasæt - der ikke udelukkes af betingelser - forbliver, så yderligere muligheder kan defineres og undersøges.
En matematisk optimering vil kun frembringe én løsning, men Filtreret Monte Carlo-simulering finder frem til alle de kombinationer, der virker. JMP® giver valgmuligheder. Der er jo trods alt mange måder at ramme målet på.
Og det er det ingeniørerne er ude efter – uanede muligheder.
