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

Concevoir une aile d'avion est une lutte contre l'invisible. Les ingénieurs doivent prédire comment l'air va s'écouler sur une surface courbe, où il va accélérer, où il va ralentir, et précisément où il pourrait soudainement cesser de s'écouler de manière fluide. Pendant des décennies, le principal outil pour ce travail a été les simulations informatiques de haute fidélité. Ces programmes résolvent des équations complexes pour modéliser la physique du vol, permettant aux concepteurs de tester des milliers de formes sans jamais construire de modèle physique. Cependant, ces simulations ne sont pas parfaites. Elles reposent sur des approximations et des raccourcis mathématiques qui peuvent s'éloigner de la réalité, particulièrement dans les zones chaotiques où l'air se déplace à la vitesse du son. Pour y remédier, les ingénieurs ont traditionnellement recours aux souffleries, où ils projettent de l'air sur de véritables ailes en métal couvertes de capteurs. Mais les tests en soufflerie sont incroyablement coûteux, chronophages et limités à quelques conditions spécifiques. On ne peut pas tester chaque vitesse ou chaque angle possible dans une soufflerie, laissant les ingénieurs face à un fossé entre ce que l'ordinateur prédit et ce que le monde physique réalise réellement.

C'est le défi qu'une équipe de chercheurs de Luminary AI a relevé avec une nouvelle approche qui comble le fossé entre la prédiction numérique et la réalité physique. Ils ont développé une méthode permettant de prendre un modèle informatique puissant, entraîné sur de vastes quantités de données de simulation, et de le « ancrer » délicatement à l'aide d'une petite quantité de données expérimentales réelles. Au lieu de rejeter le coûteux modèle informatique ou de tenter de réaliser un test complet en soufflerie pour chaque scénario, ils utilisent un système de correction léger. Ce système apprend les différences spécifiques entre les prédictions de l'ordinateur et les mesures prises en soufflerie, puis applique cette connaissance pour améliorer la précision du modèle. Le résultat est un outil hybride qui conserve la vitesse et la couverture étendue de la simulation informatique tout en héritant de la vérité physique de la soufflerie.

Les chercheurs ont commencé par un modèle informatique sophistiqué appelé substitut (ou « surrogate »), qui avait été entraîné sur 2 300 simulations de haute fidélité d'une configuration d'aile d'avion spécifique connue sous le nom de NASA Common Research Model. Ce modèle était conçu pour prédire comment la pression de l'air change à travers la surface de l'aile sous diverses vitesses et angles. Le modèle informatique était excellent pour imiter les simulations sur lesquelles il avait été entraîné, reproduisant les forces aérodynamiques calculées avec une précision quasi parfaite. Cependant, lorsque les chercheurs ont comparé ces prédictions aux mesures réelles prises dans une soufflerie, un écart manifeste est apparu. Le modèle informatique manquait systématiquement la cible dans des zones spécifiques, particulièrement là où la pression de l'air chute brusquement à l'avant de l'aile et là où elle se rétablit plus en arrière. Ce sont des zones critiques où l'air peut former des ondes de choc, et même de petites erreurs ici peuvent entraîner des erreurs de calcul significatives sur la performance de l'avion.

Pour résoudre ce problème sans reconstruire l'intégralité du modèle informatique à partir de zéro, l'équipe a introduit un processus en deux étapes. Premièrement, ils ont maintenu le modèle informatique original figé, préservant ainsi toute la connaissance aérodynamique complexe qu'il avait déjà apprise. Deuxièmement, ils ont ajouté un petit réseau de correction flexible. Ce nouveau composant a été entraîné à l'aide de données de peinture sensible à la pression, une technique où l'aile est recouverte d'un matériau spécial qui change de couleur en fonction de la pression de l'air, permettant aux ingénieurs de voir la distribution de la pression sur toute la surface. Le réseau de correction a appris à repérer les erreurs systématiques dans les prédictions du modèle informatique et les a ajustées pour correspondent aux observations de la soufflerie. Crucialement, cet entraînement a utilisé des données provenant de seulement deux vitesses spécifiques et d'une poignée d'angles d'attaque, une infime fraction de l'ensemble des conditions de vol possibles.

Les résultats ont montré que cette méthode fonctionnait remarquablement bien. Lorsqu'il a été testé sur des conditions de vol que le réseau de correction n'avait jamais vues auparavant, le modèle ajusté a prédit la pression de l'air avec une erreur de moins de trois pour cent sur toute la surface de l'aile. Ce niveau de précision était bien supérieur à une simple estimation basée sur la moyenne des mesures de la soufflerie environnante. La correction a été particulièrement efficace pour corriger l'emplacement des ondes de choc et la forme de la récupération de pression, des zones où le modèle informatique original peinait le plus. Les chercheurs ont constaté que le modèle pouvait désormais capturer des effets physiques qui manquaient à la simulation pure, tels que les déformations subtiles de l'aile causées par la force de l'air ou les variations dans la transition de l'air d'un écoulement laminaire à un écoulement turbulent.

Ce travail démontre qu'il est possible de combiner le meilleur des deux mondes : la couverture large et efficace des simulations informatiques et la précision physique des expériences réelles. En utilisant une petite quantité de données expérimentales pour corriger une simulation à grande échelle, les chercheurs ont créé un outil qui est à la fois rapide et fiable. La méthode ne nécessite pas de réentraîner l'intégralité du modèle complexe, ce qui serait trop coûteux en termes de calcul, ni de mener une campagne massive en soufflerie. Au lieu de cela, elle utilise une correction ciblée pour aligner le jumeau numérique sur la réalité physique. Cette approche offre une voie pratique pour la conception aérospatiale, permettant aux ingénieurs d'avoir une confiance plus profonde dans leurs modèles informatiques tout en s'appuyant sur moins de tests physiques, mais plus stratégiques, pour garantir que ces modèles reflètent le comportement réel du vol.