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

एक हवाई जहाज के पंख (विंग) को डिजाइन करना अदृश्य शक्तियों के विरुद्ध एक संघर्ष है। इंजीनियरों को यह अनुमान लगाना होता है कि हवा एक घुमावदार सतह के ऊपर से कैसे गुजरेगी, कहाँ इसकी गति बढ़ेगी, कहाँ यह धीमी होगी, और ठीक कहाँ यह अचानक सुचारू रूप से बहना बंद कर सकती है। दशकों से, इस कार्य के लिए प्राथमिक उपकरण उच्च-सटीकता वाले कंप्यूटर सिमुलेशन रहे हैं। ये प्रोग्राम उड़ान के भौतिक विज्ञान (फिजिक्स) को मॉडल करने के लिए जटिल समीकरणों को हल करते हैं, जिससे डिजाइनरों को बिना किसी वास्तविक भौतिक मॉडल को बनाए बिना हजारों आकृतियों का परीक्षण करने की अनुमति मिलती है। हालाँकि, ये सिमुलेशन पूर्ण नहीं हैं। वे अनुमानों और गणितीय शॉर्टकट पर निर्भर करते हैं जो वास्तविकता से भटक सकते हैं, विशेष रूप से उन अराजक क्षेत्रों में जहाँ हवा ध्वनि की गति से चलती है। इसे ठीक करने के लिए, इंजीनियर पारंपरिक रूप से विंड टनल (वायु सुरंग) की ओर मुड़ते हैं, जहाँ वे सेंसर से ढके वास्तविक धातु के पंखों के ऊपर हवा प्रवाहित करते हैं। लेकिन विंड टनल परीक्षण अविश्वसनीय रूप से महंगे, समय लेने वाले और कुछ विशिष्ट स्थितियों तक सीमित होते हैं। आप टनल में हर संभव गति या कोण का परीक्षण नहीं कर सकते, जिससे इंजीनियरों के पास इस बात के बीच एक अंतर रह जाता है कि कंप्यूटर क्या कहता है और वास्तविक भौतिक दुनिया वास्तव में क्या करती है।

यह चुनौती जिसे ल्यूमिनरी एआई (Luminary AI) के शोधकर्ताओं की एक टीम ने एक नए दृष्टिकोण के साथ संबोधित किया है, जो डिजिटल भविष्यवाणी और भौतिक वास्तविकता के बीच के अंतर को पाटता है। उन्होंने एक शक्तिशाली कंप्यूटर मॉडल को विकसित किया है जिसे विशाल मात्रा में सिमुलेशन डेटा पर प्रशिक्षित किया गया है और इसे वास्तविक दुनिया के प्रयोगात्मक डेटा का उपयोग करके धीरे से "ग्राउंड" (वास्तविकता से जोड़ना) किया गया है। महंगे कंप्यूटर मॉडल को पूरी तरह से त्यागने या हर परिदृश्य के लिए पूर्ण विंड टनल परीक्षण चलाने के बजाय, वे एक हल्के सुधार तंत्र (करेक्शन सिस्टम) का उपयोग करते हैं। यह सिस्टम कंप्यूटर की भविष्यवाणियों और विंड टनल में लिए गए मापों के बीच के विशिष्ट अंतरों को सीखता है, और फिर उस ज्ञान को मॉडल की सटीकता सुधारने के लिए लागू करता है। परिणाम एक हाइब्रिड टूल है जो कंप्यूटर सिमुलेशन की गति और व्यापक कवरेज को बनाए रखता है जबकि विंड टनल की भौतिक सत्यता को भी आत्मसात करता है।

शोधकर्ताओं ने एक परिष्कृत कंप्यूटर मॉडल के साथ शुरुआत की जिसे 'सरोगेट' कहा जाता है, जिसे नासा कॉमन रिसर्च मॉडल (NASA Common Research Model) के रूप में ज्ञात एक विशिष्ट हवाई जहाज विंग कॉन्फ़िगरेशन के 2,300 उच्च-सटीकता वाले सिमुलेशन पर प्रशिक्षित किया गया था। यह मॉडल विभिन्न गति और कोणों के तहत विंग की सतह पर हवा के दबाव में परिवर्तन की भविष्यवाणी करने के लिए बनाया गया था। कंप्यूटर मॉडल सिमुलेशन की नकल करने में उत्कृष्ट था, जो गणना की गई एरोडायनामिक ताकतों को लगभग पूर्ण सटीकता के साथ पुनरुत्पादित करता था। हालाँकि, जब शोधकर्ताओं ने इन भविष्यवाणियों की वास्तविक विंड टनल मापनों के साथ तुलना की, तो एक स्पष्ट विसंगति दिखाई दी। कंप्यूटर मॉडल लगातार विशिष्ट क्षेत्रों में चूक गया, विशेष रूप से जहाँ विंग के अगले हिस्से में हवा का दबाव तेजी से गिरता है और जहाँ पीछे की ओर दबाव पुनः प्राप्त (रिकवर) होता है। ये महत्वपूर्ण क्षेत्र हैं जहाँ हवा 'शॉक वेव्स' (आघात तरंगें) बना सकती है, और यहाँ तक कि छोटी त्रुटियाँ भी विमान के प्रदर्शन की गणना में महत्वपूर्ण गलतियाँ पैदा कर सकती हैं।

पूरे कंप्यूटर मॉडल को शून्य से फिर से बनाए बिना इसे हल करने के लिए, टीम ने दो-चरणीय प्रक्रिया पेश की। पहले, उन्होंने मूल कंप्यूटर मॉडल को 'फ्रीज' रखा, जिससे उसके द्वारा पहले से सीखे गए जटिल एरोडायनामिक ज्ञान को सुरक्षित रखा जा सके। दूसरे, उन्होंने एक छोटा, लचीला 'करेक्शन नेटवर्क' जोड़ा। इस नए घटक को 'प्रेशर-सेंसिटिव पेंट' (दबाव-संवेदनशील पेंट) से प्राप्त डेटा का उपयोग करके प्रशिक्षित किया गया था, जो एक ऐसी तकनीक है जहाँ विंग को एक विशेष सामग्री से लेपित किया जाता है जो हवा के दबाव के आधार पर रंग बदलती है, जिससे इंजीनियरों को पूरी सतह पर दबाव वितरण देखने की अनुमति मिलती है। करेक्शन नेटवर्क ने कंप्यूटर मॉडल की भविष्यवाणियों में व्यवस्थित त्रुटियों को पहचानने और उन्हें विंड टनल के अवलोकनों के अनुरूप समायोजित करने के लिए सीखा। महत्वपूर्ण रूप से, इस प्रशिक्षण में केवल दो विशिष्ट गतियों और हमले के कुछ कोणों (एंगल्स ऑफ अटैक) के डेटा का उपयोग किया गया था, जो कुल संभावित उड़ान स्थितियों का एक बहुत छोटा हिस्सा है।

परिणामों ने दिखाया कि यह विधि उल्लेखनीय रूप से प्रभावी रही। उन उड़ान स्थितियों पर परीक्षण किए जाने पर जिन्हें करेक्शन नेटवर्क ने पहले कभी नहीं देखा था, समायोजित मॉडल ने पूरे विंग सतह पर तीन प्रतिशत से कम की त्रुटि के साथ वायु दबाव की भविष्यवाणी की। यह स्तर सटीकता केवल पास के विंड टनल मापों के औसत का अनुमान लगाने की तुलना में कहीं अधिक बेहतर था। सुधार विशेष रूप से शॉक वेव्स के स्थान और दबाव रिकवरी के आकार को ठीक करने में प्रभावी था, वे क्षेत्र जहाँ मूल कंप्यूटर मॉडल सबसे अधिक संघर्ष कर रहा था। शोधकर्ताओं ने पाया कि मॉडल अब उन भौतिक प्रभावों को पकड़ सकता था जो शुद्ध सिमुलेशन में गायब थे, जैसे कि हवा के बल के कारण विंग में होने वाले सूक्ष्म विरूपण (डिफॉर्मेशन) या हवा के सुचारू प्रवाह से विक्षुब्ध (टर्बुलेंट) प्रवाह में परिवर्तन।

यह कार्य यह प्रदर्शित करता है कि दोनों दुनियाओं के सर्वश्रेष्ठ को मिलाना संभव है: कंप्यूटर सिमुलेशन का व्यापक, कुशल कवरेज और वास्तविक दुनिया के प्रयोगों की भौतिक सटीकता। एक छोटे से प्रयोगात्मक डेटा का उपयोग करके बड़े पैमाने के सिमुलेशन को सुधारने के माध्यम से, शोधकर्ताओं ने एक ऐसा उपकरण बनाया है जो तेज़ और विश्वसनीय दोनों है। यह विधि पूरे जटिल मॉडल को फिर से प्रशिक्षित करने की आवश्यकता नहीं डालती है, जो गणनात्मक रूप से अत्यधिक कठिन होता, और न ही इसके लिए बड़े पैमाने पर विंड टनल अभियान की आवश्यकता होती। इसके बजाय, यह डिजिटल जुड़वां (डिजिटल ट्विन) को भौतिक वास्तविकता के साथ संरेखित करने के लिए एक लक्षित सुधार का उपयोग करता है। यह दृष्टिकोण एयरोस्पेस डिजाइन के लिए एक व्यावहारिक मार्ग प्रदान करता है, जिससे इंजीनियर अपने कंप्यूटर मॉडल पर अधिक गहराई से भरोसा कर सकते हैं और यह सुनिश्चित करने के लिए कम, अधिक रणनीतिक भौतिक परीक्षणों पर निर्भर रह सकते हैं कि उनके मॉडल उड़ान के वास्तविक व्यवहार को दर्शाते हैं।