A Data Fusion Framework for Grounding Aerospace Surrogate Model via Experimental Wind-Tunnel Observations

Der Entwurf eines Flugzeugflügels ist ein Kampf gegen das Unsichtbare. Ingenieure müssen vorhersagen, wie die Luft über eine gekrümmte Oberfläche strömt, wo sie sich beschleunigt, wo sie langsamer wird und genau wo der Fluss plötzlich nicht mehr glatt verlaufen könnte. Seit Jahrzehnten ist das primäre Werkzeug für diese Arbeit die hochpräzise Computersimulation. Diese Programme lösen komplexe Gleichungen, um die Physik des Fluges zu modellieren, was es Designern ermöglicht, tausende von Formen zu testen, ohne jemals ein physisches Modell bauen zu müssen. Diese Simulationen sind jedoch nicht perfekt. Sie stützen sich auf Approximationen und mathematische Abkürzungen, die von der Realität abweichen können, insbesondere in den chaotischen Zonen, in denen sich die Luft mit Schallgeschwindigkeit bewegt. Um dies zu beheben, wenden sich Ingenieure traditionell Windkanälen zu, in denen Luft über echte Metallflügel geblasen wird, die mit Sensoren bestückt sind. Aber Windkanaltests sind unglaublich teuer, zeitaufwendig und auf wenige spezifische Bedingungen beschränkt. Man kann nicht jede mögliche Geschwindigkeit oder jeden Anstellwinkel in einem Windkanal testen, wodurch eine Lücke zwischen dem, was der Computer vorherzusagen glaubt, und dem, was die physische Welt tatsächlich tut, entsteht.

Dies ist die Herausforderung, mit der ein Forscherteam bei Luminary AI eine neue Methode adressiert hat, die die Lücke zwischen digitaler Vorhersage und physischer Realität schließt. Sie haben eine Methode entwickelt, um ein leistungsstarkes Computermodell, das auf riesigen Mengen an Simulationsdaten trainiert wurde, mithilfe einer kleinen Menge an realen experimentellen Daten behutsam zu „erden“. Anstatt das teure Computermodell zu verwerfen oder einen vollständigen Windkanaltest für jedes Szenario durchzuführen, nutzen sie ein leichtgewichtiges Korrektursystem. Dieses System lernt die spezifischen Unterschiede zwischen den Vorhersagen des Computers und den in der Windkanalmessung gewonnenen Daten und wendet dieses Wissen an, um die Genauigkeit des Modells zu verbessern. Das Ergebnis ist ein Hybridwerkzeug, das die Geschwindigkeit und die breite Abdeckung der Computersimulation beibehält und gleichzeitig die physikalische Wahrheit des Windkanals erbt.

Die Forscher begannen mit einem hochentwickelten Computermodell, einem sogenannten Surrogat, das auf 2.300 hochpräzisen Simulationen einer spezifischen Flugzeugflügelkonfiguration, bekannt als NASA Common Research Model, trainiert worden war. Dieses Modell wurde entwickelt, um vorherzusagen, wie sich der Luftdruck über die Oberfläche des Flügels unter verschiedenen Geschwindigkeiten und Winkeln verändert. Das Computermodell war exzellent darin, die Simulationen, auf denen es trainiert wurde, nachzubilden, und reproduzierte die berechneten aerodynamischen Kräfte mit nahezu perfekter Genauigkeit. Als die Forscher diese Vorhersagen jedoch mit tatsächlichen Messungen aus einem Windkanal verglichen, trat eine deutliche Diskrepanz auf. Das Computermodell verfehlte das Ziel konsequent in bestimmten Bereichen, insbesondere dort, wo der Luftdruck an der Vorderseite des Flügels scharf abfällt und wo er sich weiter hinten wieder erholt. Dies sind kritische Zonen, in denen die Luft Stoßwellen bilden kann, und selbst kleine Fehler hier können zu erheblichen Fehlberechnungen führen, wie sich das Flugzeug verhält.

Um dies zu lösen, ohne das gesamte Computermodell von Grund auf neu aufzubauen, führte das Team einen zweistufigen Prozess ein. Zuerall behielten sie das ursprüngliche Computermodell im eingefrorenen Zustand, um das gesamte komplexe aerodynamische Wissen, das es bereits erlernt hatte, zu bewahren. Zweitens fügten sie ein kleines, flexibles Korrektursystem hinzu. Diese neue Komponente wurde mit Daten aus der drucksensitiven Farbe (Pressure-Sensitive Paint) trainiert – einer Technik, bei der der Flügel mit einem speziellen Material beschichtet wird, das seine Farbe basierend auf dem Luftdruck ändert, was es Ingenieuren ermöglicht, die Druckverteilung über die gesamte Oberfläche zu sehen. Das Korrektursystem lernte, die systematischen Fehler in den Vorhersagen des Computermodells zu erkennen und sie so anzupassen, dass sie mit den Beobachtungen im Windkanal übereinstimmen. Entscheidend war, dass dieses Training unter Verwendung von Daten aus nur zwei spezifischen Geschwindigkeiten und einer Handvoll Anstellwinkeln erfolgte – ein winziger Bruchteil der gesamten möglichen Flugbedingungen.

Die Ergebnisse zeigten, dass diese Methode bemerkenswert gut funktionierte. Wenn das angepasste Modell auf Flugbedingungen getestet wurde, die das Korrektursystem zuvor noch nie gesehen hatte, sagte es den Luftdruck mit einem Fehler von weniger als drei Prozent über die gesamte Flügelfläche hinweg voraus. Diese Genauigkeit war weitaus überlegen gegenüber der bloßen Schätzung des Ergebnisses durch Mittelung der nahegelegenen Windkanalmessungen. Die Korrektur war besonders effektiv bei der Behebung der Position von Stoßwellen und der Form der Druckrückgewinnung – Bereiche, in denen das ursprüngliche Computermodell am meisten Schwierigkeiten hatte. Die Forscher fanden heraus, dass das Modell nun in der Lage war, physikalische Effekte zu erfassen, die in der reinen Simulation fehlten, wie etwa subtile Verformungen des Flügels durch die Kraft der Luft oder Variationen beim Übergang der Luft von einer glatten zu einer turbulenten Strömung.

Diese Arbeit zeigt, dass es möglich ist, das Beste aus beiden Welten zu kombinieren: die breite, effiziente Abdeckung von Computersimulationen und die physikalische Genauigkeit von realen Experimenten. Indem sie eine kleine Menge an experimentellen Daten nutzten, um eine groß angelegte Simulation zu korrigieren, schufen die Forscher ein Werkzeug, das sowohl schnell als auch zuverlässig ist. Die Methode erfordert weder ein vollständiges Neu-Training des gesamten komplexen Modells, was rechnerisch prohibitiv wäre, noch erfordert sie eine massive Windkanalstudie. Stattdessen nutzt sie eine gezielte Korrektur, um den digitalen Zwilling mit der physischen Realität in Einklang zu bringen. Dieser Ansatz bietet einen praktischen Weg für das Design der Luft- und Raumfahrt, der es Ingenieuren ermöglicht, ihren Computermodellen tiefer zu vertrauen und sich gleichzeitig auf weniger, aber strategischere physische Tests zu verlassen, um sicherzustellen, dass diese Modelle das wahre Verhalten des Fliegens widerspiegeln.