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

Cet article présente HiLiftAeroML, le premier jeu de données CFD haute fidélité open source comprenant 1 800 simulations LES accélérées par GPU de la géométrie à fort portance CRM de la NASA, conçu pour accélérer le développement de modèles de substitution IA pour les applications aérospatiales.

L'essentiel

Imaginez que vous essayez d'enseigner à un robot comment piloter un avion complexe. Pour ce faire, vous devez lui montrer des milliers d'exemples de la façon dont l'air se déplace autour des ailes, en particulier lorsque l'avion décolle ou atterrit. Ces moments sont délicats car l'air devient turbulent, tourbillonne et se sépare des ailes de manière chaotique.

Pendant longtemps, les scientifiques ont utilisé deux méthodes principales pour étudier ce phénomène :

1. Souffleries : Construire des modèles physiques et y souffler de l'air réel. C'est précis, mais incroyablement coûteux et lent.
2. Simulations informatiques (CFD) : Utiliser les mathématiques pour prédire le comportement de l'air. La méthode standard est rapide mais obtient souvent les parties complexes de travers, comme une photo floue. Une meilleure méthode existe pour prendre des photos haute définition de l'air, mais elle nécessite généralement des supercalculateurs pendant des semaines pour générer une seule image.

Le Problème : Pour entraîner une IA intelligente (un « modèle de substitution ») à prédire ces écoulements d'air complexes instantanément, vous avez besoin d'une vaste bibliothèque de ces images haute définition. Mais jusqu'à présent, cette bibliothèque n'existait pas pour les avions complexes.

La Solution : HiLiftAeroML
Cet article présente HiLiftAeroML, une immense bibliothèque libre et open-source de 1 800 « instantanés » haute définition de l'air s'écoulant autour d'un type spécifique d'avion (le NASA Common Research Model).

Voici comment ils l'ont construite, en utilisant quelques analogies simples :

1. L'Avion : Un ensemble de Lego transformable

Les chercheurs n'ont pas utilisé un seul avion. Ils ont utilisé une version numérique du modèle « Common Research Model » (CRM) de la NASA, qui est comme un avion Lego standard utilisé par les scientifiques du monde entier.

• La Pétale : Ils ont fait bouger les pièces de Lego. Ils ont créé 180 versions différentes de cet avion en modifiant les angles des volets et des becs (les petites ailes à l'avant et à l'arrière qui sortent lors du décollage et de l'atterrissage).
• La Météo : Pour chacune de ces 180 formes, ils ont simulé l'air frappant l'avion sous 10 angles différents (d'une approche douce à une montée raide).
• Le Résultat : 1 800 scénarios uniques (180 formes × 10 angles).

2. L'Appareil photo : Un objectif ultra-net

La plupart des simulations informatiques utilisent un objectif « flou » (appelé RANS) qui moyenne le chaos. C'est comme regarder un match de sport à travers une vitre embuée ; vous voyez les joueurs bouger, mais vous manquez les rotations et les collisions individuelles.

Pour cet ensemble de données, les auteurs ont utilisé une Simulation des Grandes Échelles avec Modélisation des Parois (WMLES).

• L'Analogie : Pensez-y comme à un appareil photo 4K en slow-motion qui capture chaque tourbillon et chaque remous de l'air.
• Le Coût : Cet « appareil photo » est si puissant qu'il nécessite une grille de 300 à 500 millions de petites cellules (pixels) juste pour couvrir l'avion. Pour mettre cela en perspective, une simulation standard utilise peut-être 10 millions de cellules. C'est comme passer d'une télévision à définition standard à un écran ultra haute définition massif.
• Le Matériel : Ils ont exécuté ces simulations sur des GPU NVIDIA (les mêmes puces puissantes utilisées pour le jeu vidéo et l'IA), qui ont agi comme une flotte d'appareils photo ultra-rapides capturant ces images.

3. La Bibliothèque : Gratuite pour tous

Les auteurs n'ont pas gardé ces 1 800 instantanés haute définition pour eux. Ils ont mis toute la bibliothèque sur Internet (HuggingFace) pour que quiconque puisse la télécharger gratuitement.

• Ce qu'il y a dedans : Vous obtenez la forme 3D de l'avion, les forces moyennes « floues » (portance et traînée), et les données détaillées « haute définition » de la pression et de la vitesse de l'air à l'intérieur et autour de l'avion.
• L'Objectif : Ils veulent que les chercheurs en IA utilisent cette bibliothèque pour entraîner leurs propres « robots de vol ». Une fois qu'une IA aura appris à partir de ces 1 800 exemples parfaits, elle devrait pouvoir prédire comment l'air se comporte sur de nouveaux designs d'avions en une fraction de seconde, sans avoir besoin de relancer la simulation coûteuse et lente.

4. Est-ce que ça a marché ? (Le Contrôle Qualité)

Avant de publier la bibliothèque, les auteurs ont vérifié leur travail par rapport à des expériences réelles en soufflerie.

• Le Test : Ils ont comparé leurs « photos » informatiques d'une configuration d'atterrissage spécifique avec de vraies photos prises dans une soufflerie.
• Le Résultat : Leur simulation haute définition correspondait très bien aux données réelles, en particulier pour les parties complexes comme la « traînée » (résistance de l'air) et le « moment de tangage » (comment le nez veut basculer). Cela prouve que leur « appareil photo » était assez net pour capturer la physique réelle.

Résumé

En bref, les auteurs ont construit la première bibliothèque « haute définition » de l'aérodynamique des avions pour les scénarios de décollage et d'atterrissage. Ils ont utilisé les méthodes informatiques les plus avancées, coûteuses et précises disponibles pour générer 1 800 exemples. En rendant ces données gratuites, ils espèrent aider les ingénieurs et les développeurs d'IA à créer des outils plus intelligents et plus rapides pour concevoir des avions plus sûrs et plus efficaces à l'avenir.

Ce que l'article NE prétend PAS :

• Il ne prétend pas que l'IA a déjà remplacé les souffleries (c'est un outil pour aider, pas encore un remplacement).
• Il ne prétend pas avoir résolu la physique de tous les avions possibles (il se concentre sur ce modèle spécifique de la NASA).
• Il ne prétend pas avoir simulé des conditions de vol à échelle réelle (les données sont basées sur des conditions d'échelle de soufflerie).

Résumé technique

Résumé technique : HiLiftAeroML

Énoncé du problème
L'optimisation des systèmes à haut portance des aéronefs est cruciale pour la sécurité et les performances opérationnelles, en particulier lors du décollage et de l'atterrissage, où se produisent des écoulements instationnaires tridimensionnels complexes impliquant une séparation massive et une dynamique tourbillonnaire. Historiquement, l'industrie aérospatiale s'est appuyée sur des solveurs CFD RANS (Reynolds-Averaged Navier-Stokes) en raison de leur faible coût de calcul ; cependant, les modèles RANS échouent fréquemment à résoudre la physique inhérente aux configurations à haut portance, nécessitant une dépendance continue à des essais coûteux en soufflerie physique. Bien que les méthodes de résolution d'échelle à haute fidélité, telles que la Simulation des Grandes Échelles avec Modélisation de Paroi (WMLES), offrent une précision supérieure, leur charge de calcul (nécessitant souvent un ordre de grandeur de ressources en plus par rapport aux RANS) les rend prohibitivement coûteuses pour les milliers de simulations requises pour l'exploration de la conception.

Parallèlement, le domaine de l'Intelligence Artificielle (IA) se tourne de plus en plus vers des modèles de substitution pour accélérer les cycles de conception. Cependant, le développement de substituts IA robustes pour l'aérospatiale est entravé par un manque de données d'entraînement à haute fidélité en open source. Les jeux de données publics existants sont presque exclusivement limités à des simulations RANS de conditions de croisière ou de géométries simplifiées, ne parvenant pas à traiter le régime à haut portance où dominent des physiques de séparation complexes.

Méthodologie
Pour combler cette lacune de données, les auteurs ont généré le jeu de données HiLiftAeroML, comprenant 1 800 échantillons CFD à haute fidélité. La méthodologie a impliqué les composants clés suivants :

• Géométrie : Le jeu de données est basé sur la géométrie du modèle de recherche commun NASA à haut portance (CRM-HL). Contrairement aux ateliers précédents utilisant des modèles spécifiques de soufflerie, ce travail a utilisé une géométrie de référence théorique avec des caractéristiques mécaniques définies de manière paramétrique (supports de bec, carénages) pour découpler la simulation des contraintes matérielles physiques.
• Variation paramétrique : Le jeu de données couvre 180 variantes de géométrie uniques générées par échantillonnage hypercube latin. Ces variantes manipulent huit paramètres indépendants : la déflexion et l'interstice des becs intérieur et extérieur, ainsi que la déflexion et l'interstice des volets intérieur et extérieur. Chaque géométrie a été simulée à 10 angles d'attaque (AoA) allant de 4° à 22° par incréments de 2° pour capturer les régimes pré-stall et post-stall.
• Solveur et physique : Les simulations ont été effectuées à l'aide du solveur d'écoulement Fidelity Charles, un solveur explicite, non structuré, aux volumes finis pour les équations de Navier-Stokes compressibles. L'étude a employé une approche de Simulation des Grandes Échelles avec Modélisation de Paroi (WMLES) avec un modèle de sous-maille dynamique de Smagorinsky et un modèle de paroi d'équilibre. Cette approche résout les tourbillons à grande échelle tout en modélisant les interactions de sous-maille, offrant une fidélité supérieure aux RANS pour les écoulements séparés.
• Maillage et adaptation : Le domaine a été discrétisé à l'aide de Fidelity Stitch, un générateur de maillage non structuré basé sur Voronoï. Un algorithme d'adaptation de solution a été employé pour affiner la grille en fonction des caractéristiques de l'écoulement, aboutissant à des maillages contenant entre 300 millions et 500 millions de volumes de contrôle.
• Traitement des données : Le moyennage temporel a été effectué après élimination des transitoires initiaux. Les simulations pour AoA ≤ 12° ont duré 15 unités de temps convectif (CTU), tandis que les cas à AoA plus élevé (≥ 12°) ont duré de 30 à 200 CTU pour assurer la convergence statistique. Les données volumiques brutes ont été exportées dans un format Octree pour gérer la taille des fichiers tout en préservant la précision.

Contributions clés

1. Premier jeu de données à haute fidélité pour le haut portance en open source : HiLiftAeroML est le premier jeu de données en open source dédié à l'aérodynamique à haut portance utilisant des simulations WMLES d'avion complet. Il fournit 1 800 échantillons incluant des géométries, des variables volumiques et surfaciques moyennées dans le temps, et des forces intégrales.
2. Résolution à haute fidélité : Le jeu de données utilise des grilles adaptées à la solution (300M–500M de cellules) et la WMLES, garantissant la précision la plus élevée possible pour les parties de l'enveloppe de vol où les RANS sont connus pour avoir des difficultés.
3. Espace paramétrique complet : Le jeu de données couvre un large éventail de perturbations géométriques (déflexions et interstices des becs/volets) et de conditions d'écoulement (AoA 4°–22°), incluant explicitement les régimes de décrochage profond et de séparation massive.
4. Cadre de référence : Les auteurs fournissent des divisions déterministes pour l'entraînement, la validation et le test conçues pour évaluer des capacités spécifiques d'apprentissage automatique, notamment l'efficacité des données, la généralisation à des géométries non vues et l'extrapolation hors distribution (OOD) à travers les angles d'attaque et les réglages de déflexion.

Résultats et validation
Le jeu de données a été validé par rapport à des données expérimentales de soufflerie (Mouton et al., 2024) pour la configuration LDG-HV.

• Prédiction des forces : Les résultats WMLES sur la grille adaptée ont montré un accord raisonnable avec les coefficients expérimentaux de portance, de traînée et de moment de tangage. Notamment, l'adaptation de la grille a conduit à des améliorations significatives des prédictions de traînée et de moment de tangage par rapport à la grille de référence.
• Physique de l'écoulement : Les comparaisons qualitatives des motifs d'écoulement près de la surface (par exemple, à AoA = 18°) ont démontré que les simulations capturaient correctement les motifs de séparation en forme de coin vers l'extérieur et la séparation de l'écoulement sur les volets, correspondant aux visualisations expérimentales par film d'huile.
• Diversité du jeu de données : L'analyse du jeu de données a révélé que, si les coefficients de portance à faible AoA sont principalement pilotés par la déflexion du volet, la sensibilité se déplace vers la déflexion du bec à haut AoA (près du décrochage), reflétant le comportement aérodynamique complexe et non linéaire du régime à haut portance.

Signification et revendications
L'article présente HiLiftAeroML comme une ressource critique pour accélérer la recherche et le développement de modèles de substitution IA au sein de l'industrie aérospatiale. En fournissant un accès à des régimes à haut portance « difficiles à simuler » avec des données à haute fidélité, les auteurs visent à :

• Permettre l'entraînement d'architectures d'apprentissage automatique sur des physiques d'écoulement instationnaires industriellement pertinentes qui sont actuellement sous-explorées.
• Permettre aux ingénieurs de filtrer rapidement des milliers de conceptions, isolant les candidats prometteurs pour une validation rigoureuse.
• Servir de référence pour le 6e Atelier de prévision du haut portance de l'AIAA et la communauté plus large pour évaluer les approches ML par rapport aux CFD à haute fidélité.

Les auteurs maintiennent un ton modeste concernant les limites du jeu de données, reconnaissant que les simulations sont à l'échelle de la soufflerie (nombre de Reynolds $1,6 \times 10^6$) plutôt qu'à l'échelle du vol complet, et que l'écoulement est modélisé comme entièrement turbulent sans transition explicite laminaire-turbulent. Néanmoins, le jeu de données représente une étape significative vers le rapprochement entre la physique à haute fidélité et les cycles de conception rapides pilotés par l'IA.