ロケット技術

Monte Carloシミュレーションとロケット設計検証

はじめに

ロケットの制御系が設計通りに機能するかを検証する際、単一の公称条件でのシミュレーションだけでは不十分だ。質量特性のばらつき、風の変動、エンジン推力の誤差、センサノイズなど、多数の不確実パラメータが同時に存在する実飛行環境を考慮しなければならない。

Monte Carloシミュレーションは、多数の不確実パラメータにランダムな値を割り当て、何千〜何万回のシミュレーションを実行することで、システム性能の統計的分布を得る手法だ。ロケットのGNC設計検証、飛行安全解析、ミッション成功確率の評価において不可欠な技術である。

Monte Carlo法の基本

原理

Monte Carlo法はランダムサンプリングに基づく統計的手法であり、以下のステップで実行される。

  1. 不確実パラメータの定義：各パラメータの確率分布を設定
  2. サンプリング：確率分布からランダムに値を抽出
  3. シミュレーション実行：サンプルされたパラメータでシステムをシミュレーション
  4. 結果の集約：出力変数の統計量（平均、標準偏差、パーセンタイル等）を計算
  5. 判定：成功基準に対する達成確率を評価

必要サンプル数

信頼度の高い統計量を得るには十分なサンプル数が必要だ。

評価対象 必要サンプル数（目安）
平均値・標準偏差 1,000〜3,000
99%パーセンタイル 3,000〜10,000
99.7%（3σ）事象 10,000〜30,000
稀事象（故障解析） 100,000以上

3σ事象（0.3%の確率で発生する事象）を統計的に有意に評価するには、少なくとも数千回のシミュレーションが必要だ。

ロケットのMonte Carloパラメータ

分散パラメータの分類

ロケットのMonte Carloシミュレーションで考慮する主要な不確実パラメータ：

推進系パラメータ

パラメータ 分布 変動範囲（3σ）
推力 正規分布 ±3%
比推力 正規分布 ±1%
推力ベクトルミスアライメント 正規分布 ±0.1°
点火遅延 一様分布 ±50ms
カットオフタイミング 正規分布 ±0.1s

質量・慣性特性

パラメータ 分布 変動範囲（3σ）
乾燥質量 正規分布 ±1%
推進剤充填量 正規分布 ±0.5%
重心位置 正規分布 ±10mm
慣性モーメント 正規分布 ±3%

空力パラメータ

パラメータ 分布 変動範囲（3σ）
軸力係数 CA 正規分布 ±10%
法線力係数 CN 正規分布 ±10%
圧力中心位置 正規分布 ±5%
ダンピング係数 正規分布 ±30%

大気・風

パラメータ 分布 変動範囲
大気密度 正規分布 ±10%
風速プロファイル 統計モデル 95%風プロファイル
突風（ガスト） コサインガスト 9 m/s（設計値）
風向 一様分布 0〜360°

航法センサ

パラメータ 分布 変動範囲（3σ）
ジャイロバイアス 正規分布 ±0.01°/h
ジャイロスケールファクタ 正規分布 ±50 ppm
加速度計バイアス 正規分布 ±50 μg
GPSノイズ 正規分布 ±5m（位置）

パラメータの相関

一部のパラメータには相関がある。例えば、推力が高い場合は比推力がわずかに低下する傾向がある。相関を持つパラメータには共分散行列を設定し、相関サンプリング（Cholesky分解等）を行う。

6DoFシミュレーション

シミュレータの構成

Monte Carloで使用するシミュレータは、ロケットの飛行を忠実に再現する6DoF（6 Degrees of Freedom）シミュレータだ。

┌──────────────────────────────────────────────┐
│                6DoFシミュレータ                │
│                                               │
│  ┌──────┐  ┌──────┐  ┌──────┐  ┌──────┐     │
│  │ 環境 │  │ 推進 │  │ 空力 │  │ GNC  │     │
│  │モデル│→│モデル│→│モデル│→│モデル│     │
│  │      │  │      │  │      │  │      │     │
│  │・大気│  │・推力│  │・力  │  │・誘導│     │
│  │・重力│  │・質量│  │・モー│  │・航法│     │
│  │・風  │  │・重心│  │ メント│ │・制御│     │
│  └──────┘  └──────┘  └──────┘  └──────┘     │
│       │         │        │         │          │
│       └────┬────┘────────┘─────────┘          │
│            ↓                                   │
│  ┌──────────────────┐                          │
│  │  運動方程式積分    │                          │
│  │  (RK4 / RK45)    │                          │
│  └──────────────────┘                          │
│            ↓                                   │
│       状態量出力                                │
└──────────────────────────────────────────────┘

運動方程式

6DoFの運動方程式は並進3自由度と回転3自由度で構成される。

並進運動（慣性系）： m·a = F_thrust + F_aero + F_gravity

回転運動（機体固定系）： I·ω̇ + ω × (I·ω) = M_thrust + M_aero + M_control

ここで、推力・空力・重力の各力とモーメントを計算し、状態量（位置・速度・姿勢・角速度）を数値積分で更新する。

サンプリング手法

ラテン超方格サンプリング（LHS）

単純なランダムサンプリング（Simple Random Sampling）に代わり、LHS（Latin Hypercube Sampling）が広く使われる。

LHSは各パラメータの確率分布をN等分し、各層から1つずつサンプルを抽出する。パラメータ空間を効率的にカバーし、同じ精度を得るのに必要なサンプル数を削減できる。

分散低減手法

手法 原理 効果
LHS 層化サンプリング サンプル効率2〜10倍
対位変量法 相関の反対サンプル 分散削減
重点サンプリング 関心領域に集中 稀事象の効率的評価
擬Monte Carlo 低齟齬列 収束の改善

統計的評価

出力変数の解析

Monte Carloシミュレーションの出力として以下が評価される。

軌道投入精度

評価項目 仕様例 統計量
軌道高度誤差 ±10 km（3σ） 平均, 標準偏差, 99.7%値
軌道傾斜角誤差 ±0.1°（3σ） 同上
近地点高度 >200 km（99.7%） パーセンタイル

着陸精度（再使用ロケット）

評価項目 仕様例 統計量
着陸位置誤差 <10 m（3σ） CEP, 3σ楕円
着陸速度 <2 m/s（99%） パーセンタイル
傾斜角 <5°（99.7%） パーセンタイル
推進剤残量 >0（100%） 最小値

成功確率の評価

ミッション成功確率は、全シミュレーションケースのうち成功基準を満たしたケースの割合として算出される。

成功確率 = 成功ケース数 / 総ケース数

信頼区間は二項分布に基づいて計算される。例えば、10,000ケース中9,997ケースが成功した場合： – 推定成功確率：99.97% – 95%信頼区間：99.93%〜99.99%

感度解析

Monte Carlo結果から、各不確実パラメータの出力への寄与度を分析する。

散布図分析：パラメータ vs 出力の散布図から相関を視覚的に確認

相関係数：ピアソン相関またはスピアマン順位相関で線形/非線形の依存性を定量化

ソボル指数（Sobol’ Indices）：分散分解に基づく全域的感度解析。各パラメータの出力分散への寄与率を定量化。

計算の効率化

並列計算

Monte Carloシミュレーションは恥ずかしいほど並列化可能（Embarrassingly Parallel）であり、各ケースが独立に実行できる。

  • マルチコアCPU：OpenMP等でスレッド並列化
  • GPUコンピューティング：CUDA/OpenCLで大量ケースを同時実行
  • クラウドコンピューティング：AWS/GCP等で数千コアを利用

サロゲートモデル

高忠実度の6DoFシミュレーションが計算コストが高い場合、サロゲートモデル（代理モデル）を構築して効率化する手法がある。

手法 特徴
応答曲面法（RSM） 多項式近似。低次元に有効
クリギング（Gaussian Process） 予測不確実性も出力。中次元
ニューラルネットワーク 高次元・非線形に有効
多項式カオス展開（PCE） 直交多項式展開。効率的な不確実性伝播

実用事例

NASAの打上げ機設計

NASAのSLSをはじめとする打上げ機の設計検証では、数万ケースのMonte Carloシミュレーションが標準的に実施される。

GNC性能、飛行安全（AFTS判定境界の検証）、軌道投入精度、風に対するロバスト性などが統計的に評価される。

SpaceXの着陸検証

Falcon 9の着陸GNC検証では、Monte Carloシミュレーションが着陸精度と成功確率の評価に使用されていると推察される。風・エンジン性能・航法誤差等のパラメータ変動に対する統計的な着陸精度がメートルオーダーで評価される。

飛行安全解析

FAA/AST（連邦航空局）は打上げ免許の取得に際して、Monte Carloシミュレーションによるデブリ落下範囲（Impact Dispersion）の解析を要求する。エンジン停止・構造破壊等の異常事態での破片落下範囲を統計的に予測し、公衆リスクがEcの上限値以下であることを示す必要がある。

高度な手法

重要サンプリング（Importance Sampling）

稀事象（例：10⁻⁶確率の制御系故障シナリオ）を効率的に評価するための重要サンプリング。通常の分布の代わりに、稀事象が発生しやすい分布でサンプリングし、結果を尤度比で補正する。

サブセットシミュレーション

サブセットシミュレーション（Subset Simulation）は、稀事象をマルコフ連鎖Monte Carlo（MCMC）を用いて段階的に評価する手法。故障確率10⁻⁴〜10⁻⁸の評価に有効だ。

ポリノミアルカオス展開（PCE）

PCE（Polynomial Chaos Expansion）は、ランダム入力に対する出力を直交多項式で展開する手法であり、Monte Carloよりも桁違いに少ないサンプル数で不確実性の伝播を評価できる。ロケットの軌道不確実性解析に適用研究がある。

まとめ

Monte Carloシミュレーションは、ロケットのGNC設計検証における最も信頼性の高い統計的手法だ。多数の不確実パラメータが同時に存在する環境での性能と安全性を定量的に評価できる。

LHSによる効率的サンプリング、並列計算による高速化、サロゲートモデルによる計算コスト削減など、実用化のための技術も成熟している。ロケット開発において、Monte Carloシミュレーションは設計・検証・認証のすべての段階で中心的な役割を果たし続けるだろう。