Machine-Learning Surrogates for Airfoil Pitching Moment: Accuracy, Extrapolation, and the Finite-Thickness Shift of the Aerodynamic Center

एक हवाई जहाज को आसमान में स्थिर रखने के लिए, इंजीनियरों को केवल यह समझने से कहीं अधिक की आवश्यकता होती है कि एक पंख कितना लिफ्ट (lift) उत्पन्न करता है या वह कितनी ड्रैग (drag) पैदा करता है। उन्हें उस घुमाव बल (twisting force) की भी गणना करनी होती है, जिसे पिचिंग मोमेंट (pitching moment) कहा जाता है, जो विमान की नाक को ऊपर या नीचे घुमाने की कोशिश करता है। यह बल यह निर्धारित करने की कुंजी है कि क्या एक विमान किसी व्यवधान के बाद स्वाभाविक रूप से स्थिर उड़ान की ओर लौटेगा या वह नियंत्रण से बाहर होकर लुढ़क जाएगा। दशकों से, डिजाइनरों ने इस व्यवहार की भविष्यवाणी करने के लिए सरलीकृत गणितीय नियमों पर भरोसा किया है, यह मानते हुए कि एक पतले पंख के लिए, वह बिंदु जहाँ यह घुमाव बल कार्य करता है, अग्रणी किनारे (leading edge) से एक-चौथाई पीछे एक विशिष्ट स्थान पर स्थिर रहता है, चाहे पंख का कोण कुछ भी हो। हालाँकि, वास्तविक पंखों की मोटाई होती है, और आधुनिक विमान डिजाइन तेजी से कंप्यूटर प्रोग्रामों का उपयोग कर रहे हैं जो इन बलों का अनुकरण (simulate) करते हैं, जो अक्सर धीमी, जटिल भौतिकी गणनाओं के स्थान पर तेज़ मशीन-लर्निंग मॉडल का उपयोग करते हैं। प्रश्न यह है कि क्या इन स्मार्ट शॉर्टकटों पर तब भरोसा किया जा सकता है जब उनसे उन स्थितियों की भविष्यवाणी करने के लिए कहा जाए जिन्हें उन्होंने पहले कभी नहीं देखा है।

वर्जीनिया टेक के एक शोधकर्ता ने ठीक यही परीक्षण करने के लिए एक नियंत्रित वातावरण का उपयोग करते हुए कदम उठाया, जहाँ वास्तविक भौतिकी पूरी तरह से ज्ञात थी। विंड टनल डेटा या जटिल द्रव सिमुलेशन (fluid simulations) पर निर्भर रहने के बजाय, जिसमें छिपी हुई त्रुटियां हो सकती हैं, शोधकर्ता ने मानक पंख आकारों के आसपास वायु प्रवाह के एक सटीक, सरलीकृत कंप्यूटर मॉडल का उपयोग करके एक विशाल डेटासेट तैयार किया। इस मॉडल ने सैकड़ों अलग-अलग पंख विन्यासों (configurations) के लिए घुमाव बल की गणना की, जिसमें उनकी वक्रता (curvature), मोटाई और हमले के कोण (angle of attack) को बदला गया। लक्ष्य एक मशीन-लर्निंग सिस्टम को प्रशिक्षित करना था, विशेष रूप से 'रैंडम फॉरेस्ट' (random forest) नामक एल्गोरिदम का एक प्रकार, ताकि वह पंख के आकार और उसके घुमाव बल के बीच के संबंध को सीख सके। शोधकर्ता ने फिर यह परीक्षण किया कि क्या यह डिजिटल छात्र नए पंख आकारों और कोणों के लिए बल की सटीक भविष्यवाणी कर सकता है, और महत्वपूर्ण रूप से, क्या यह संकेत दे सकता है कि वह अंधे होकर अनुमान लगा रहा है।

पहला निष्कर्ष मशीन लर्निंग से नहीं, बल्कि कंप्यूटर मॉडल की सावधानीपूर्वक जांच से निकला। जब शोधकर्ता ने मॉडल के परिणामों की तुलना पतले पंखों के शास्त्रीय सिद्धांत के साथ की, तो संख्याएँ काफी करीब थीं, लेकिन एक सूक्ष्म, वास्तविक-विश्व प्रभाव सामने आया जिसे सरल सिद्धांत चूक गया था। अध्ययन में पाया गया कि वास्तविक मोटाई वाले पंखों के लिए, वह बिंदु जहाँ घुमाव बल कार्य करता है, एक-चौथाई के निशान पर स्थिर नहीं रहता है। इसके बजाय, जैसे-जैसे पंख मोटा होता है, यह धुरी बिंदु (pivot point) थोड़ा पीछे की ओर खिसक जाता है, जो पंख के अगले हिस्से से दूर चला जाता है। एक पंख के लिए जो अपनी चौड़ाई का अठारह प्रतिशत मोटा है, यह बदलाव छोटा लेकिन मापने योग्य है, जो धुरी बिंदु को पंख की चौड़ाई के लगभग सोलह हजारवें हिस्से पीछे ले जाता है। जब शोधकर्ता ने इस बदलाव को ध्यान में रखते हुए गणनाओं को समायोजित किया, तो हमले के कोण के बदलने से होने वाला घुमाव बल का उतार-चढ़ाव नाटकीय रूप से कम हो गया, जिससे वह लगभग स्थिर (flat) हो गया। इसने पुष्टि की कि कंप्यूटर मॉडल एक वास्तविक भौतिक वास्तविकता को पकड़ रहा था: मोटे पंख आदर्श पतले पंखों की तुलना में थोड़ा अलग व्यवहार करते हैं जैसा कि पाठ्यपुस्तकों में सिखाया जाता है।

इस भौतिक सत्य की स्थापना के बाद, शोधकर्ता ने पंख के आकार और कोण के आधार पर घुमाव बल की भविष्यवाणी करने के लिए मशीन-लर्निंग मॉडल को प्रशिक्षित किया। अपने देखे गए डेटा की सीमा के भीतर, मॉडल ने लगभग पूर्ण सटीकता के साथ प्रदर्शन किया, यह सीखते हुए कि घुमाव बल काफी हद तक पंख की वक्रता द्वारा निर्धारित होता है और हमले के कोण या मोटाई से बहुत कम प्रभावित होता है। यह तर्कसंगत था, क्योंकि भौतिकी यह निर्धारित करती है कि वक्र का आकार ही घुमाव को संचालित करता है। मॉडल ने सही ढंग से पहचाना कि वक्रता (curvature) इनपुट सबसे महत्वपूर्ण थे, जबकि कोण और मोटाई गौण कारक थे। हालाँकि, असली परीक्षा तब हुई जब मॉडल से अपने प्रशिक्षण दायरे से बाहर के परिणामों की भविष्यवाणी करने के लिए कहा गया।

जब मॉडल को पहले से ज्ञात पंखों के लिए नए हमले के कोण दिए गए, तो वह आश्चर्यजनक रूप रूप से सटीक बना रहा, भले ही उसने वे विशिष्ट कोण पहले कभी नहीं देखे थे। ऐसा इसलिए था क्योंकि घुमाव बल स्वाभाविक रूप से कोण के प्रति इतना स्थिर (flat) होता है कि मॉडल का डिफ़ॉल्ट व्यवहार—जो कि ज्ञात मान के करीब एक मान का अनुमान लगाना है—संयोग से सही निकला। लेकिन जब मॉडल को पूरी तरह से नए पंख आकारों—ऐसे वक्र जिन्हें उसने पहले कभी नहीं देखा था—के लिए बल की भविष्यवाणी करने के लिए कहा गया, तो इसकी सटीकता काफी गिर गई। यह सही मानों का अनुमान लगाने में विफल रहा क्योंकि घुमाव बल विशिष्ट आकार पर बहुत अधिक निर्भर करता है, और मॉडल के पास मार्गदर्शन के लिए कोई डेटा नहीं था।

शायद सबसे महत्वपूर्ण खोज इस बारे में थी कि मॉडल अपनी अनिश्चितता का संकेत कैसे देता है। मशीन-लर्निंग सिस्टम अक्सर एल्गोरिदम के भीतर कई छोटे निर्णय लेने वालों से प्राप्त विभिन्न उत्तरों के प्रसार (spread) को दिखाकर उपयोगकर्ताओं को चेतावनी देने की कोशिश करते हैं। इस अध्ययन में, उत्तरों का प्रसार लगभग वैसा ही रहा चाहे मॉडल ज्ञात पंख के लिए नया कोण बता रहा हो या पूरी तरह से नए पंख के आकार के लिए। मॉडल ने अपनी विफलता के समय कोई चेतावनी नहीं दी। जब वह नए आकारों के बारे में गलत अनुमान लगा रहा था, तब भी वह शांत और आत्मविश्वासी बना रहा। ऐसा इसलिए हुआ क्योंकि लक्षित मात्रा (target quantity), यानी घुमाव बल, अपने इनपुट स्पेस के एक हिस्से में स्वाभाविक रूप से बहुत स्थिर है। जब वास्तविक दुनिया 'फ्लैट' होती है, तो एक मॉडल जो निरंतर अनुमान (constant guess) देता है, वह सफल दिखता है, भले ही वह अंधे होकर अनुमान लगा रहा हो।

अध्ययन यह निष्कर्ष निकालता है कि इन मशीन-लर्निंग शॉर्टकटों का उपयोग करने की सुरक्षा पूरी तरह से इस बात पर निर्भर करती है कि मॉडल क्या भविष्यवाणी करने की कोशिश कर रहा है और वह मात्रा कैसे व्यवहार करती है। एक मॉडल अच्छा काम करता हुआ प्रतीत हो सकता है जब भौतिकी सरल और स्थिर हो, जो उसकी नए आकारों को संभालने की अक्षमता को छिपा देता है। शोध यह प्रदर्शित करता है कि हालांकि ये उपकरण शक्तिशाली हैं, लेकिन उनकी विफलता की चेतावनी देने की क्षमता सुनिश्चित नहीं है। इंजीनियर मॉडल के आंतरिक आत्मविश्वास संकेतों पर यह बताने के लिए भरोसा नहीं कर सकते कि वे अज्ञात क्षेत्र में कदम रख रहे हैं; उन्हें स्वयं भौतिकी को समझना होगा ताकि वे जान सकें कि कौन से अनुमान सुरक्षित हैं और कौन से खतरनाक। यह कार्य एक अनुस्मारक के रूप में कार्य करता है कि उड़ान की जटिल दुनिया में, एक शांत मॉडल अनिवार्य रूप से एक विश्वसनीय मॉडल नहीं होता है।