صورت بندی پارادایمی سامانه های پیشرانش هسته ای–شیمیایی هوافضا درکوپلینگ چندفیزیکی شیمی غیرتعادلی، مکانیک محیط های حدی و کنترل شناختی غیرخطی در چارچوب سامانه های پیچیده تطبیقی

سامانه های پیشرانش هسته ای–شیمیایی هوافضا در رژیم های عملیاتی حدی قرار دارند که با کوپلینگ قوی و چندمقیاسی میان فیزیک های هسته ای (انتقال نوترون و تولید توان شکافت)، شیمی واکنشی غیرتعادلی (سینتیک گونه های رادیکالی و یونیزاسیون جزئی در جریان های مافوق دما)، دینامیک سیالات تراکم پذیر هایپرسونیک (شوک های قوی، لایه های مرزی حرارتی–واکنشی و گذارهای آشوبناک)، و مکانیک ساختاری در محیط های اکستریم (تنش های حرارتی–مکانیکی و خزش مواد پیشرفته) مشخص می شوند. این برهم کنش های غیرقابل تفکیک منجر به بروز پدیده های emergent مانند ناپایداری های ترموآکوستیک–نوترونی، بازخوردهای مثبت حرارتی–واکنشی، و بیفورکاسیون های رژیمی دینامیکی می گردند که چارچوب های مدلسازی کلاسیک مبتنی بر تعادل ترمودینامیکی محلی (LTE)، خطی سازی کواسی استاتیک و کنترل PID ایستا را ناکارآمد می سازند.در این پژوهش، یک صورت بندی پارادایمی نوین برای مدلسازی یکپارچه سامانه های پیشرانش هسته ای–شیمیایی ارائه می شود که بر پایه کوپلینگ چندفیزیکی سفت (tight coupling)میان معادلات Navier-Stokes تراکم پذیر اصلاح شده با ترم های منبع واکنشی غیرتعادلی (finite-rate chemistry)، مدل های پخش نوترونی چندگروهی (multi-group diffusion یا transport) انتقال حرارت تابشی–هادی در رژیم اپتیکی غلیظ، و معادلات الاستو-پلاستیسیته حرارتی–واکنشی استوار است. این چارچوب، با بهره گیری از روش های عددی چندمقیاسی (مانند homogenized porous media برای هسته راکتور و LES/RANS هیبریدی برای جریان های آشوبناک)، امکان شبیه سازی دقیق ناپایداری های ترمو-شیمیایی–نوترونی، اثرات بازخورد Doppler–moderator، و تعاملات جریان–ساختار در کانال های پیشران را فراهم می آورد.علاوه بر این، یک معماری کنترل شناختی غیرخطی تطبیقی معرفی می گردد که سامانه پیشران را به عنوان یک سامانه پیچیده تطبیقی (Complex Adaptive System) مدل سازی می کند. این معماری بر پایه مشاهده گرهای غیرخطی گسترش یافته (Extended Nonlinear Observers) برای تخمین بلادرنگ حالت های پنهان (مانند شار نوترونی محلی و غلظت گونه های رادیکالی)، مکانیزم های یادگیری آنلاین (adaptive neural networksیا reinforcement learning-inspired gain scheduling) و راهبردهای کنترل پیش بینانه مبتنی بر مدل (Cognitive Model Predictive Control) عمل می کند تا دینامیک های ناپایدار، عدم قطعیت های پارامتریک ساختاری، و اختلالات عملیاتی شدید را مدیریت نماید. این رویکرد، با جایگزینی کنترل کننده های خطی کلاسیک با ساختارهای شناختی غیرخطی، قابلیت بازپیکربندی دینامیکی و resilience در برابر تغییرات رژیمی را تضمین می کند.