A Bayesian latent Gaussian process framework for aerodynamic uncertainty quantification

Resumen Técnico: Un Marco de Procesos Gaussianos Latentes Bayesianos para la Cuantificación de la Incertidumbre Aerodinámica

Planteamiento del Problema
La predicción del rendimiento aerodinámico (coeficientes de sustentación, resistencia y momento) se ve obstaculizada por el sesgo inherente en los modelos computacionales y el costo prohibitivo de las simulaciones directas de alta fidelidad. Una solución pragmática consiste en calibrar las predicciones computacionales de baja fidelidad frente a mediciones experimentales dispersas. Sin embargo, esta calibración se complica por la presencia de incertidumbre tanto en los controles de entrada (por ejemplo, ángulo de ataque, ángulo de la flap, número de Reynolds) como en las respuestas aerodinámicas medidas. Estas incertidumbres son a menudo epistémicas, representadas como intervalos en lugar de valores precisos. El desafío específico abordado en este trabajo es el Segundo Problema de Desafío de Cuantificación de la Incertidumbre (UQ) de la AIAA para Aerodinámica. Los participantes reciben datos de "verdad" dispersos que contienen límites de incertidumbre epistémica para las entradas y salidas en siete condiciones operativas, y deben predecir la incertidumbre en los coeficientes aerodinámicos en cuatro condiciones operativas no vistas.

Metodología
Los autores proponen un marco de sustitución bayesiana de tres pasos que integra la regresión de Procesos Gaussianos (GP) con el modelado de variables latentes y la calibración de distribuciones:

1. Construcción del Sustituto de Baja Fidelidad: Se entrena un modelo sustituto GP ($f_X$) utilizando 100 muestras de muestreo de hipercubo latino generadas por XFOIL, una herramienta de análisis aerodinámico ligera. Este modelo aproxima la respuesta de baja fidelidad de los coeficientes aerodinámicos como una función del ángulo de ataque, el ángulo de la flap y el número de Reynolds.
2. GP Latente Bayesiano para la Incertidumbre de Entrada: Para abordar el hecho de que las entradas físicas reales en las siete ubicaciones de los datos de verdad son desconocidas pero se encuentran dentro de intervalos epistémicos específicos, los autores emplean un enfoque de "GP latente". En lugar de fijar las entradas en sus centroides nominales, las entradas reales ($\tilde{x}_i$) se tratan como variables latentes restringidas dentro de sus respectivos intervalos ($U_i$). Se realiza una estimación de Máxima A Posteriori (MAP) para inferir las ubicaciones más probables de estas entradas reales dentro de los límites, utilizando una reparametrización logística para manejar las restricciones de caja durante la optimización.
3. Calibración Distribucional (Kennedy-O'Hagan con Restricciones): Se introduce un segundo GP ($\delta$) para modelar la discrepancia entre el sustituto XFOIL y los datos de verdad, siguiendo el marco de Kennedy-O'Hagan (KOH). A diferencia de las implementaciones estándar de KOH que solo coinciden con la media (centroide) de los datos de verdad, este trabajo introduce un paso de calibración distribucional. Los intervalos de los datos de verdad se tratan como intervalos de credibilidad Gaussianos del 95%. El GP de discrepancia se calibra de tal manera que el modelo compuesto resultante ($g = f_X + \delta$) coincide no solo con el centroide de los datos de verdad, sino también con la varianza marginal implicada por las anchuras de los intervalos de verdad. Esto asegura que la distribución predictiva posterior en los puntos de calibración tenga una media y una varianza consistentes con los límites epistémicos proporcionados.
4. Propagación de la Incertidumbre: Para los cuatro puntos de predicción no vistos, que también poseen intervalos de incertidumbre de entrada, el método propaga esta incertidumbre a través del GP calibrado. Esto implica marginalizar la distribución predictiva sobre la incertidumbre de entrada mediante muestreo de Monte Carlo, generando funciones de densidad de probabilidad (PDF) y funciones de distribución acumulativa (CDF) empíricas para los coeficientes.

Contribuciones Clave
El artículo describe cuatro contribuciones principales:

• Modelo de Corrección Aditiva: Construcción de un modelo tipo KOH donde un GP representa la respuesta de XFOIL y un segundo GP representa la discrepancia aditiva.
• Formulación de Entrada Latente: Integración de intervalos de entrada epistémica mediante un GP de entrada latente, permitiendo la inferencia de las entradas de calibración reales desconocidas dentro de sus límites prescritos en lugar de asumir entradas de centroides fijos.
• Calibración Distribucional: Un paso de calibración novedoso que utiliza los intervalos de verdad suministrados para restringir tanto la media posterior como la varianza marginal predictiva del GP corregido, yendo más allá de la simple corrección de la media.
• Validación y Reproducibilidad: Demostración de las capacidades de UQ predictivas del método frente a las estimaciones de verdad y la liberación abierta del software de implementación.

Resultados
El modelo sustituto calibrado fue validado contra los cuatro puntos de predicción retenidos. Los resultados se compararon con los intervalos de "verdad" proporcionados por los organizadores del desafío, tratados como límites de confianza del 95%.

• Desempeño de la Calibración de Distribución: El modelo propuesto con calibración de distribución demostró una alta precisión. A través de las cuatro ubicaciones de predicción y los tres coeficientes aerodinámicos ($C_l, C_d, C_m$), el modelo colocó entre el 94.2% y el 95.8% de sus muestras predictivas dentro de los intervalos de verdad del 95% liberados. Además, las probabilidades acumuladas en los extremos de los intervalos fueron muy cercanas a los niveles nominales de 0.025 y 0.975.
• Comparación de Calibración de Primer Momento: Un enfoque base que utiliza únicamente la calibración del primer momento (centroide) funcionó significativamente peor. Estos modelos a menudo produjeron distribuciones que estaban desplazadas, sobre-concentradas, o ambas. La fracción de muestras que caían dentro de los intervalos de verdad varió ampliamente de un 11% a un 100%, indicando un fallo al capturar uniformemente la incertidumbre epistémica.
• Extrapolación: El método mantuvo un desempeño robusto incluso en el punto operativo más extrapolativo ($\alpha = 7^\circ, \beta_{flap} = 15^\circ$), donde la ubicación de la calibración está más alejada de la ubicación de la predicción.

Significancia y Reivindicaciones
Los autores afirman que la principal significancia de este trabajo radica en demostrar que coincidir con el centro de los datos de verdad es insuficiente para una cuantificación de la incertidumbre aerodinámica confiable. El paso de "calibración distribucional" es esencial para propagar correctamente la incertidumbre epistémica, asegurando que el modelo calibrado refleje no solo el valor esperado, sino también la magnitud de la incertidumbre. Al tratar los intervalos de verdad como restricciones sobre la distribución predictiva completa, el marco produce límites de incertidumbre que son estadísticamente consistentes con los datos proporcionados, incluso en regímenes de datos dispersos y entornos de extrapolación. El trabajo sugiere que este enfoque proporciona una base rigurosa para la predicción basada en simulaciones creíbles en el diseño y certificación de aeronaves.