A Bayesian latent Gaussian process framework for aerodynamic uncertainty quantification

Résumé technique : Un cadre de processus gaussiens latents bayésiens pour la quantification de l'incertitude aérodynamique

Énoncé du problème
La prédiction des performances aérodynamiques (coefficients de portance, de traînée et de moment) est entravée par le biais inhérent aux modèles computationnels et par le coût prohibitif des simulations directes à haute fidélité. Une solution pragmatique consiste à calibrer les prédictions computationnelles de faible fidélité par rapport à des mesures expérimentales éparses. Cependant, ce calibrage est compliqué par la présence d'incertitudes tant dans les entrées de contrôle (par exemple, l'angle d'attaque, l'angle du volet, le nombre de Reynolds) que dans les réponses aérodynamiques mesurées. Ces incertitudes sont souvent épistémiques, représentées par des intervalles plutôt que par des valeurs précises. Le défi spécifique abordé dans ce travail est le deuxième problème de défi de l'AIAA sur la quantification de l'incertitude (UQ) pour l'aérodynamique. Les participants reçoivent des données de « vérité » éparses contenant des bornes d'incertitude épistémique pour les entrées et les sorties à sept conditions de fonctionnement, et doivent prédire l'incertitude des coefficients aérodynamiques pour quatre conditions de fonctionnement non vues.

Méthodologie
Les auteurs proposent un cadre de substitut bayésien en trois étapes qui intègre la régression par processus gaussien (GP) avec la modélisation de variables latentes et le calibrage distributionnel :

1. Construction du substitut de faible fidélité : Un modèle substitut GP ($f_X$) est entraîné sur 100 échantillons de l'hypercube latin générés par XFOIL, un outil d'analyse aérodynamique léger. Ce modèle approxime la réponse de faible fidélité des coefficients aérodynamiques en fonction de l'angle d'attaque, de l'angle du volet et du nombre de Reynolds.
2. GP latent bayésien pour l'incertitude des entrées : Pour traiter le fait que les entrées physiques réelles aux sept emplacements des données de vérité sont inconnues mais se situent dans des intervalles épistémiques spécifiques, les auteurs emploient une approche de « GP latent ». Au lieu de fixer les entrées à leurs centroïdes nominaux, les entrées réelles ($\tilde{x}_i$) sont traitées comme des variables latentes contraintes dans leurs intervalles respectifs ($U_i$). Une estimation du maximum a posteriori (MAP) est effectuée pour inférer les emplacements les plus probables de ces entrées réelles à l'intérieur des bornes, en utilisant une reparamétrisation logistique pour gérer les contraintes de boîte lors de l'optimisation.
3. Calibrage distributionnel (Kennedy-O'Hagan avec contraintes) : Un second GP ($\delta$) est introduit pour modéliser la divergence entre le substitut XFOIL et les données de vérité, suivant le cadre de Kennedy-O'Hagan (KOH). Contrairement aux implémentations standards de KOH qui ne font que correspondre à la moyenne (centroïde) des données de vérité, ce travail introduit une étape de calibrage distributionnel. Les intervalles des données de vérité sont traités comme des intervalles de crédibilité gausiens à 95 %. Le GP de divergence est calibré de telle sorte que le modèle composite résultant ($g = f_X + \delta$) corresponde non seulement au centroïde des données de vérité, mais aussi à la variance marginale impliquée par les largeurs d'intervalles de vérité. Cela garantit que la distribution prédictive postérieure au niveau des points de calibrage possède une moyenne et une variance cohérentes avec les bornes épistémiques fournies.
4. Propagation de l'incertitude : Pour les quatre points de prédiction non vus, qui possèdent également des intervalles d'incertitude d'entrée, la méthode propage cette incertitude à travers le GP calibré. Cela implique la marginalisation de la distribution prédictive sur l'incertitude d'entrée à l'aide d'un échantillonnage de Monte Carlo, générant des fonctions de densité de probabilité (PDF) et des fonctions de répartition (CDF) empiriques pour les coefficients.

Principales contributions
Le document souligne quatre contributions principales :

• Modèle de correction additive : Construction d'un modèle de type KOH où un GP représente la réponse XFOIL et un second GP représente la divergence additive.
• Formulation d'entrée latente : Intégration des intervalles d'entrée épistémiques via un GP d'entrée latente, permettant l'inférence des entrées de calibrage réelles inconnues à l'intérieur de leurs bornes prescrites plutôt que de supposer des centroïdes fixes.
• Calibrage distributionnel : Un nouveau pas de calibrage qui utilise les intervalles de vérité fournis pour contraindre à la fois la moyenne a posteriori et la variance prédictive marginale du GP corrigé, allant au-delà d'une simple correction de la moyenne.
• Validation et reproductibilité : Démonstration des capacités de prédiction d'UQ de la méthode contre les estimations d'incertitude réelles et publication ouverte de l'implémentation logicielle.

Résultats
Le modèle substitut calibré a été validé par rapport aux quatre points de prédiction mis de côté. Les résultats ont été comparés aux intervalles de « vérité » fournis par les organisateurs du défi, traités comme des bornes de confiance à 95 %.

• Performance du calibrage par la distribution : Le modèle proposé, calibré par la distribution, a démontré une grande précision. Pour les quatre emplacements de prédiction et les trois coefficients aérodynamiques ($C_l, C_d, C_m$), le modèle a placé entre 94,2 % et 95,8 % de ses échantillons prédictifs à l'intérieur des intervalles de vérité de 95 % publiés. De plus, les probabilités cumulées aux extrémités des intervalles étaient très proches des niveaux nominaux de 0,025 et 0,975.
• Comparaison du calibrage du premier moment : Une approche de base utilisant uniquement le calibrage du premier moment (centroïde) a été nettement moins performante. Ces modèles produisaient souvent des distributions qui étaient décalées, trop concentrées, ou les deux. La fraction d'échantillons tombant dans les intervalles de vérité variait considérablement de 11 % à 100 %, indiquant un échec à capturer uniformément l'incertitude épistémique.
• Extrapolation : La méthode a maintenné une performance robuste, même au point de fonctionnement le plus extrapolatif ($\alpha = 7^\circ, \beta_{flap} = 15^\circ$), où les données de calibrage sont les plus éloignées du lieu de prédiction.

Signification et affirmations
Les auteurs affirment que la principale signification de ce travail réside dans la démonstration que la correspondance avec le centre des données de vérité est insuffisante pour une quantification fiable de l'incertitude aérodynamique. L'étape de « calibrage distributionnel » est essentielle pour propager correctement l'incertitude épistémique, garantissant que le modèle calibré reflète non seulement la valeur attendue, mais aussi l'ampleur de l'incertitude. En traitant les intervalles de vérité comme des contraintes sur la distribution prédictive complète, le cadre produit des bornes d'incertitude statistiquement cohérentes avec les données fournies, même dans des régimes de données éparses et d'extrapolation. Ce travail suggère que cette approche fournit une base rigoureuse pour la prédiction crédible basée sur la simulation dans la conception et la certification des aéronefs.