HiLiftAeroML: High-Fidelity Computational Fluid Dynamics Dataset for High-Lift Aircraft Aerodynamics

Dieser Beitrag stellt HiLiftAeroML vor, den ersten Open-Source-Datensatz mit hochauflösenden CFD-Simulationen, der 1.800 GPU-beschleunigte LES-Simulationen der CRM-Hochauftriebsgeometrie der NASA umfasst und darauf ausgelegt ist, die Entwicklung von KI-Ersatzmodellen für Luft- und Raumfahrtanwendungen zu beschleunigen.

Das Wesentliche

Stellen Sie sich vor, Sie versuchen einem Roboter beizubringen, wie man ein komplexes Flugzeug fliegt. Um dies zu tun, müssen Sie ihm Tausende von Beispielen zeigen, wie sich die Luft um die Flügel bewegt, insbesondere wenn das Flugzeug startet oder landet. Diese Momente sind tückisch, weil die Luft unruhig wird, verwirbelt und sich auf chaotische Weise von den Flügeln löst.

Lange Zeit haben Wissenschaftler zwei Hauptmethoden verwendet, um dies zu untersuchen:

1. Windkanäle: Bau von physischen Modellen und Anblasen mit echter Luft. Dies ist genau, aber unglaublich teuer und langsam.
2. Computersimulationen (CFD): Verwendung von Mathematik, um die Luft vorherzusagen. Die Standardmethode ist schnell, erfasst aber die unruhigen Teile oft falsch, wie ein unscharfes Foto. Es gibt eine bessere Methode, die hochauflösende „Fotos" der Luft macht, aber normalerweise benötigen Supercomputer Wochen, um nur ein einziges Bild zu erzeugen.

Das Problem: Um eine intelligente KI (ein „Surrogatmodell") zu trainieren, diese unruhigen Luftströmungen sofort vorherzusagen, benötigen Sie eine riesige Bibliothek dieser hochauflösenden Bilder. Doch bis vor kurzem existierte diese Bibliothek für komplexe Flugzeuge nicht.

Die Lösung: HiLiftAeroML
Dieser Artikel stellt HiLiftAeroML vor, eine massive, kostenlose, quelloffene Bibliothek mit 1.800 hochauflösenden „Schnappschüssen" von Luftströmungen um ein bestimmtes Flugzeugmodell (das NASA Common Research Model).

So wurde es erstellt, unter Verwendung einiger einfacher Analogien:

1. Das Flugzeug: Ein formveränderndes Lego-Set

Die Forscher verwendeten nicht nur ein Flugzeug. Sie nutzten eine digitale Version des NASA „Common Research Model" (CRM), das wie ein Standard-Lego-Flugzeug ist, das von Wissenschaftlern weltweit verwendet wird.

• Der Twist: Sie ließen die Lego-Teile bewegen. Sie schufen 180 verschiedene Versionen dieses Flugzeugs, indem sie die Winkel der Klappen und Vorflügel änderten (die kleinen Flügel an Vorder- und Rückseite, die beim Start und Landen herausklappen).
• Das Wetter: Für jede dieser 180 Formen simulierten sie die Luft, die das Flugzeug in 10 verschiedenen Winkeln trifft (von einem sanften Anflug bis zu einem steilen Steigflug).
• Das Ergebnis: 1.800 einzigartige Szenarien (180 Formen × 10 Winkel).

2. Die Kamera: Ein superscharfes Objektiv

Die meisten Computersimulationen verwenden ein „unscharfes" Objektiv (genannt RANS), das das Chaos mittelt. Es ist wie ein Sportspiel durch ein nebliges Fenster zu beobachten; man sieht die Spieler in Bewegung, verpasst aber die einzelnen Drehungen und Kollisionen.

Für diesen Datensatz verwendeten die Autoren eine Wall-Modeled Large Eddy Simulation (WMLES).

• Die Analogie: Stellen Sie sich dies als eine 4K-Slow-Motion-Kamera vor, die jeden einzelnen Wirbel und jede Turbulenz der Luft einfängt.
• Die Kosten: Diese „Kamera" ist so leistungsstark, dass sie ein Gitter aus 300 bis 500 Millionen winzigen Zellen (Pixeln) erfordert, nur um das Flugzeug abzudecken. Zum Vergleich: Eine Standard-Simulation verwendet möglicherweise 10 Millionen Zellen. Das ist wie ein Upgrade von einem Standarddefinition-Fernseher zu einem riesigen, ultra-hochauflösenden Bildschirm.
• Die Hardware: Sie führten diese Simulationen auf NVIDIA-GPUs durch (die gleichen leistungsstarken Chips, die für Gaming und KI verwendet werden), die wie eine Flotte superschneller Kameras fungierten, die diese Bilder aufnahmen.

3. Die Bibliothek: Kostenlos für alle

Die Autoren behielten diese 1.800 hochauflösenden Schnappschüsse nicht für sich. Sie stellten die gesamte Bibliothek ins Internet (HuggingFace), damit jeder sie kostenlos herunterladen kann.

• Was enthalten ist: Sie erhalten die 3D-Form des Flugzeugs, die „unscharfen" durchschnittlichen Kräfte (Auftrieb und Widerstand) sowie die detaillierten „hochauflösenden" Daten des Luftdrucks und der Geschwindigkeit innerhalb und um das Flugzeug herum.
• Das Ziel: Sie möchten, dass KI-Forscher diese Bibliothek nutzen, um ihre eigenen „Flugroboter" zu trainieren. Sobald eine KI aus diesen 1.800 perfekten Beispielen gelernt hat, sollte sie in der Lage sein, das Verhalten der Luft bei neuen Flugzeugentwürfen in einem Bruchteil einer Sekunde vorherzusagen, ohne die teure, langsame Simulation erneut durchführen zu müssen.

4. Hat es funktioniert? (Der Qualitätscheck)

Bevor sie die Bibliothek veröffentlichten, überprüften die Autoren ihre Arbeit anhand realer Windkanalexperimente.

• Der Test: Sie verglichen ihre computergenerierten „Fotos" einer spezifischen Landekonfiguration mit tatsächlichen Fotos, die in einem Windkanal aufgenommen wurden.
• Das Ergebnis: Ihre hochauflösende Simulation stimmte sehr gut mit den realen Daten überein, insbesondere für die schwierigen Teile wie „Widerstand" (Luftwiderstand) und „Nickenmoment" (wie die Nase kippen möchte). Dies beweist, dass ihre „Kamera" scharf genug war, um die reale Physik einzufangen.

Zusammenfassung

Kurz gesagt, bauten die Autoren die erste „hochauflösende" Bibliothek der Flugzeugaerodynamik für Start- und Landeszenarien. Sie verwendeten die fortschrittlichsten, teuersten und genauesten Computermethoden, die verfügbar waren, um 1.800 Beispiele zu generieren. Indem sie diese Daten kostenlos zur Verfügung stellten, hoffen sie, Ingenieuren und KI-Entwicklern zu helfen, intelligentere, schnellere Werkzeuge zu bauen, um in Zukunft sicherere und effizientere Flugzeuge zu entwerfen.

Was der Artikel NICHT behauptet:

• Er behauptet nicht, dass KI Windkanäle bereits ersetzt hat (es ist ein Hilfsmittel, noch kein Ersatz).
• Er behauptet nicht, die Physik jedes möglichen Flugzeugs gelöst zu haben (es konzentriert sich auf dieses spezifische NASA-Modell).
• Er behauptet nicht, Vollscale-Flugbedingungen simuliert zu haben (die Daten basieren auf Windkanal-Skalenbedingungen).

Technische Zusammenfassung

Technische Zusammenfassung: HiLiftAeroML

Problemstellung
Die Optimierung von Hochauftriebssystemen für Flugzeuge ist entscheidend für die Sicherheit und die betriebliche Leistungsfähigkeit, insbesondere während des Starts und der Landung, wo komplexe, dreidimensionale, instationäre Strömungen mit massiver Ablösung und Wirbeldynamik auftreten. Historisch hat sich die Luft- und Raumfahrtindustrie aufgrund ihres geringen Rechenaufwands auf Reynolds-gemittelte Navier-Stokes (RANS) CFD-Löser verlassen; jedoch versagt RANS häufig darin, die für Hochauftriebskonfigurationen inhärente Physik aufzulösen, was eine weiterhin notwendige Abhängigkeit von teuren physikalischen Windkanaltests begründet. Zwar bieten hochauflösende, skalenauflösende Methoden wie die wandmodellierte Large-Eddy-Simulation (WMLES) eine überlegene Genauigkeit, doch ihre hohe Rechenlast (die oft eine Größenordnung mehr Ressourcen als RANS erfordert) macht sie für die Tausenden von Simulationen, die für die Designexploration erforderlich sind, prohibitiv teuer.

Gleichzeitig wendet sich das Feld der Künstlichen Intelligenz (KI) zunehmend Surrogatmodellen zu, um Designzyklen zu beschleunigen. Die Entwicklung robuster KI-Surrogate für die Luft- und Raumfahrt wird jedoch durch einen Mangel an quelloffenen, hochauflösenden Trainingsdaten behindert. Bestehende öffentliche Datensätze beschränken sich fast ausschließlich auf RANS-Simulationen von Reiseflugbedingungen oder vereinfachten Geometrien und adressieren nicht den Hochauftriebsbereich, in dem komplexe Ablösungsphysik dominiert.

Methodik
Um diese Datenlücke zu schließen, generierten die Autoren den HiLiftAeroML-Datensatz, der 1.800 hochauflösende CFD-Stichproben umfasst. Die Methodik umfasste folgende Hauptkomponenten:

• Geometrie: Der Datensatz basiert auf der NASA Common Research Model High-Lift (CRM-HL)-Geometrie. Im Gegensatz zu früheren Workshops, die spezifische Windkanalmodelle verwendeten, nutzte diese Arbeit eine theoretische Referenzgeometrie mit parametrisch definierten mechanischen Merkmalen (Slats-Halterungen, Verkleidungen), um die Simulation von physikalischen Hardwarebeschränkungen zu entkoppeln.
• Parametrische Variation: Der Datensatz deckt 180 einzigartige Geometrievarianten ab, die mittels Latin-Hypercube-Sampling generiert wurden. Diese Varianten manipulieren acht unabhängige Parameter: innere/äußere Slats-Auslenkung und -Spalt sowie innere/äußere Klappen-Auslenkung und -Spalt. Jede Geometrie wurde bei 10 Anstellwinkeln (AoA) im Bereich von 4° bis 22° in 2°-Schritten simuliert, um Bereiche vor und nach dem Strömungsabriss zu erfassen.
• Löser und Physik: Die Simulationen wurden mit dem Strömungslöser Fidelity Charles durchgeführt, einem expliziten, unstrukturierten Finite-Volumen-Löser für die kompressiblen Navier-Stokes-Gleichungen. Die Studie verwendete einen wandmodellierte Large-Eddy-Simulation (WMLES)-Ansatz mit einem dynamischen Smagorinsky-Subgrid-Scale-Modell und einem Gleichgewichtswandmodell. Dieser Ansatz löst großskalige Wirbel auf und modelliert Subgrid-Interaktionen und bietet für abgelöste Strömungen eine überlegene Genauigkeit gegenüber RANS.
• Gitter und Anpassung: Das Rechengebiet wurde mit Fidelity Stitch, einem auf Voronoi-Diagrammen basierenden unstrukturierten Gittergenerator, diskretisiert. Ein lösungsadaptiver Algorithmus wurde eingesetzt, um das Gitter basierend auf Strömungsmerkmalen zu verfeinern, was zu Gittern mit zwischen 300 Millionen und 500 Millionen Kontrollvolumen führte.
• Datenverarbeitung: Die Zeitmittelung erfolgte nach dem Abklingen initialer Transienten. Simulationen für AoA ≤ 12° liefen über 15 konvektive Zeiteinheiten (CTUs), während Fälle mit höheren AoA (≥ 12°) 30–200 CTUs liefen, um eine statistische Konvergenz sicherzustellen. Die rohen volumetrischen Daten wurden im Octree-Format exportiert, um Dateigrößen zu verwalten und gleichzeitig die Genauigkeit zu bewahren.

Hauptbeiträge

1. Erster quelloffener hochauflösender Hochauftriebsdatensatz: HiLiftAeroML ist der erste quelloffene Datensatz, der der Hochauftriebsaerodynamik unter Verwendung von Vollflugzeug-WMLES-Simulationen gewidmet ist. Er bietet 1.800 Stichproben, einschließlich Geometrien, zeitgemittelter Volumen- und Oberflächengrößen sowie integraler Kräfte.
2. Hochauflösende Auflösung: Der Datensatz verwendet lösungsangepasste Gitter (300M–500M Zellen) und WMLES, um die höchstmögliche Genauigkeit für die Bereiche des Flugbereichs sicherzustellen, in denen bekanntermaßen RANS Schwierigkeiten hat.
3. Umfassender Parameterraum: Der Datensatz deckt eine breite Palette geometrischer Störungen (Slats/Klappen-Auslenkungen und -Spalte) und Strömungsbedingungen (AoA 4°–22°) ab und schließt explizit Bereiche tiefen Strömungsabrisses und massiver Ablösung ein.
4. Benchmark-Rahmenwerk: Die Autoren stellen deterministische Trainings-, Validierungs- und Testaufteilungen bereit, die entwickelt wurden, um spezifische Fähigkeiten des maschinellen Lernens zu bewerten, einschließlich Dateneffizienz, Generalisierung auf nicht gesehene Geometrien und Extrapolation außerhalb der Verteilung (OOD) über Anstellwinkel und Auslenkungseinstellungen hinweg.

Ergebnisse und Validierung
Der Datensatz wurde gegen experimentelle Windkanaldaten (Mouton et al., 2024) für die LDG-HV-Konfiguration validiert.

• Kraftvorhersage: Die WMLES-Ergebnisse auf dem angepassten Gitter zeigten eine vernünftige Übereinstimmung mit den experimentellen Auftriebs-, Widerstands- und Nickmomentkoeffizienten. Bemerkenswerterweise führte die Gitteranpassung im Vergleich zum Basisgitter zu signifikanten Verbesserungen bei der Vorhersage von Widerstand und Nickmoment.
• Strömungsphysik: Qualitative Vergleiche von Strömungsmustern in der Nähe der Oberfläche (z. B. bei AoA = 18°) zeigten, dass die Simulationen korrekt keilförmige Ablösungsmuster außen und Strömungsablösung an den Klappen erfasst haben, was mit experimentellen Ölfilmvisualisierungen übereinstimmt.
• Datensatzvielfalt: Die Analyse des Datensatzes ergab, dass zwar die Auftriebskoeffizienten bei niedrigen AoA primär durch die Klapenauslenkung getrieben werden, sich die Sensitivität jedoch bei hohen AoA (nahe dem Strömungsabriss) auf die Slats-Auslenkung verlagert, was das komplexe, nichtlineare aerodynamische Verhalten des Hochauftriebsbereichs widerspiegelt.

Bedeutung und Behauptungen
Die Arbeit positioniert HiLiftAeroML als eine kritische Ressource, um die Forschung und Entwicklung von KI-Surrogatmodellen innerhalb der Luft- und Raumfahrtindustrie zu beschleunigen. Durch den Zugang zu „schwer zu simulierenden" Hochauftriebsbereichen mit hochauflösenden Daten verfolgen die Autoren folgende Ziele:

• Das Training von ML-Architekturen an industriell relevanten, instationären Strömungsphysik, die derzeit wenig erforscht sind, ermöglichen.
• Ingenieuren erlauben, Tausende von Designs schnell zu filtern und vielversprechende Kandidaten für eine rigorose Validierung zu isolieren.
• Als Benchmark für den 6. AIAA High-Lift Prediction Workshop und die breitere Gemeinschaft zu dienen, um ML-Ansätze gegen hochauflösende CFD zu bewerten.

Die Autoren bewahren einen bescheidenen Ton hinsichtlich der Einschränkungen des Datensatzes und erkennen an, dass die Simulationen im Maßstab des Windkanals (Reynolds-Zahl $1,6 \times 10^6$) und nicht im Maßstab des Vollflugs durchgeführt wurden und dass die Strömung als vollständig turbulent modelliert wird, ohne expliziten laminar-turbulenten Übergang. Dennoch stellt der Datensatz einen bedeutenden Schritt dar, um die Lücke zwischen hochauflösender Physik und schnellen KI-gesteuerten Designzyklen zu schließen.