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

본 논문은 항공우주 응용 분야의 AI 대리 모델 개발을 가속화하도록 설계된 NASA 의 CRM 고양력 기하구조에 대한 1,800 개의 GPU 가속 LES 시뮬레이션을 특징으로 하는 최초의 오픈소스 고정밀 CFD 데이터셋인 HiLiftAeroML 을 소개합니다.

핵심

복잡한 항공기를 조종하는 방법을 로봇에게 가르치려 한다고 상상해 보세요. 이를 위해서는 이륙이나 착륙 시 날개 주위를 흐르는 공기의 움직임을 보여주는 수천 개의 예시가 필요합니다. 이러한 순간은 공기가 혼란스럽게 소용돌이치고 날개에서 분리되는 등 매우 까다롭기 때문입니다.

오랫동안 과학자들은 이를 연구하기 위해 두 가지 주요 방법을 사용해 왔습니다:

1. 풍동 (Wind Tunnels): 물리적 모델을 제작하고 실제 공기를 불어넣는 방식입니다. 이는 정확하지만 매우 비싸고 느립니다.
2. 컴퓨터 시뮬레이션 (CFD): 수학을 이용해 공기를 예측하는 방식입니다. 표준 방법은 빠르지만 종종 흐릿한 사진처럼 혼란스러운 부분을 잘못 예측합니다. 더 나은 방법이 존재하여 공기의 고화질 이미지를 생성할 수 있지만, 보통 슈퍼컴퓨터가 단 한 장의 이미지를 생성하는 데도 몇 주가 걸립니다.

문제: 이러한 혼란스러운 공기 흐름을 즉시 예측할 수 있는 똑똑한 AI(대리 모델) 를 훈련시키려면 이러한 고화질 이미지들의 거대한 라이브러리가 필요합니다. 하지만 지금까지 복잡한 항공기에 대해서는 그러한 라이브러리가 존재하지 않았습니다.

해결책: HiLiftAeroML
이 논문은 NASA 공통 연구 모델 (Common Research Model) 이라는 특정 유형의 항공기 주위를 흐르는 공기의 고화질 "스냅샷" 1,800 개로 구성된 방대하고 무료이며 오픈 소스 라이브러리인 HiLiftAeroML을 소개합니다.

다음은 그들이 몇 가지 간단한 비유를 사용하여 이를 구축한 방법입니다:

1. 항공기: 모양을 바꾸는 레고 세트

연구자들은 단순히 한 대의 항공기만 사용하지 않았습니다. 전 세계 과학자들이 사용하는 표준 레고 항공기 같은 NASA 의 "공통 연구 모델 (CRM)"의 디지털 버전을 사용했습니다.

• 반전: 그들은 레고 조각들을 움직이게 했습니다. 이륙과 착륙 시 튀어나오는 앞뒤의 작은 날개인 플랩과 슬랫의 각도를 변경하여 이 항공기의 180 가지 다른 버전을 만들었습니다.
• 날씨: 그 180 가지 모양 각각에 대해, 부드러운 접근부터 가파른 상승까지 10 가지 다른 각도로 항공기에 부딪히는 공기를 시뮬레이션했습니다.
• 결과: 1,800 개의 고유한 시나리오 (180 가지 모양 × 10 가지 각도).

2. 카메라: 초고해상도 렌즈

대부분의 컴퓨터 시뮬레이션은 혼란을 평균화하는 "흐릿한" 렌즈 (RANS 라고 함) 를 사용합니다. 안개 낀 창문을 통해 스포츠 경기를 보는 것과 같습니다. 선수들이 움직이는 것은 보이지만 개별 회전과 충돌은 놓치게 됩니다.

이 데이터셋의 경우, 저자들은 **벽면 모델링 대형 와류 시뮬레이션 (Wall-Modeled Large Eddy Simulation, WMLES)**을 사용했습니다.

• 비유: 이는 공기의 모든 소용돌이와 와류를 포착하는 4K 슬로우 모션 카메라라고 생각하세요.
• 비용: 이 "카메라"는 너무 강력하여 항공기 전체를 덮기 위해 **3 억에서 5 억 개의 작은 셀 (픽셀)**이 필요한 격자를 요구합니다. 이를 비교하자면, 표준 시뮬레이션은 약 1,000 만 개의 셀을 사용합니다. 이는 표준 해상도 TV 에서 거대한 초고해상도 스크린으로 업그레이드하는 것과 같습니다.
• 하드웨어: 그들은 이러한 시뮬레이션을 NVIDIA GPU(게임과 AI 에 사용되는 동일한 강력한 칩)에서 실행했는데, 이는 이러한 이미지를 촬영하는 초고속 카메라 함대처럼 작동했습니다.

3. 라이브러리: 누구나 무료로 이용 가능

저자들은 이 1,800 개의 고화질 스냅샷을 독점하지 않았습니다. 전체 라이브러리를 인터넷 (HuggingFace) 에 올려 누구나 무료로 다운로드할 수 있도록 했습니다.

• 내용: 항공기의 3D 모양, "흐릿한" 평균 힘 (양력과 항력), 그리고 항공기 내부 및 주변의 공기 압력과 속도에 대한 상세한 "고화질" 데이터를 얻을 수 있습니다.
• 목표: 그들은 AI 연구자들이 이 라이브러리를 사용하여 자신의 "비행 로봇"을 훈련하기를 원합니다. AI 가 이러한 1,800 개의 완벽한 예시에서 학습하면, 비싸고 느린 시뮬레이션을 다시 실행할 필요 없이 새로운 항공기 설계에서 공기가 어떻게 행동할지 순간적으로 예측할 수 있어야 합니다.

4. 작동했는가? (품질 점검)

라이브러리를 공개하기 전에, 저자들은 실제 풍동 실험 결과와 자신의 작업을 비교하여 검토했습니다.

• 테스트: 그들은 특정 착륙 구성에 대한 컴퓨터 "사진"을 풍동에서 찍은 실제 사진과 비교했습니다.
• 결과: 그들의 고화질 시뮬레이션은 특히 "항력 (공기 저항)"과 "피칭 모멘트 (기수가 기울어지려는 정도)"와 같은 까다로운 부분에서 실제 세계 데이터와 매우 잘 일치했습니다. 이는 그들의 "카메라"가 실제 물리를 포착할 만큼 선명했음을 증명합니다.

요약

간단히 말해, 저자들은 이륙 및 착륙 시나리오를 위한 최초의 "고화질" 항공기 공기 역학 라이브러리를 구축했습니다. 그들은 가장 진보적이고 비싸며 정확한 컴퓨터 방법을 사용하여 1,800 개의 예시를 생성했습니다. 이 데이터를 무료로 제공함으로써, 그들은 엔지니어와 AI 개발자가 미래에 더 안전하고 효율적인 항공기를 설계할 수 있는 더 똑똑하고 빠른 도구를 구축하는 데 도움이 되기를 바랍니다.

이 논문이 주장하지 않는 것:

• AI 가 이미 풍동을 대체했다고 주장하지 않습니다 (아직은 대체가 아닌 보조 도구입니다).
• 모든 가능한 항공기의 물리학을 해결했다고 주장하지 않습니다 (이 특정 NASA 모델에 초점을 맞춥니다).
• 풀스케일 비행 조건을 시뮬레이션했다고 주장하지 않습니다 (데이터는 풍동 규모 조건에 기반합니다).

기술 요약

기술 요약: HiLiftAeroML

문제 제기
고양력 항공기 시스템의 최적화는 이착륙 시 발생하는 대규모 박리와 와류 역학을 포함하는 복잡하고 3 차원적인 비정상 유동이 발생하는 상황에서 안전성과 운용 성능에 매우 중요합니다. 역사적으로 항공우주 산업은 낮은 계산 비용으로 인해 Reynolds-Averaged Navier-Stokes(RANS) CFD 솔버에 의존해 왔으나, RANS 는 종종 고양력 구성에 내재된 물리 현상을 해결하지 못하여 고비용의 물리적 풍동 실험에 대한 지속적인 의존을 필요로 합니다. 반면, 벽면 모델링 대와류 시뮬레이션(WMLES) 과 같은 고정밀도 스케일 해석 방법은 뛰어난 정확도를 제공하지만, RANS 보다 종종 한 자릿수 이상 많은 자원을 필요로 하는 계산 부하로 인해 설계 탐색을 위해 수천 번의 시뮬레이션이 요구되는 경우 비용이 과도하게 비싸게 됩니다.

동시에 인공지능(AI) 분야는 설계 주기를 가속화하기 위해 대리 모델 (surrogate models) 로 점차 초점을 맞추고 있습니다. 그러나 항공우주 분야의 견고한 AI 대리 모델 개발은 오픈소스 고정밀도 학습 데이터의 부재로 인해 방해받고 있습니다. 기존 공개 데이터셋은 거의 예외 없이 순항 조건이나 단순화된 기하학 구조에 대한 RANS 시뮬레이션으로 제한되어 있어, 복잡한 박리 물리 현상이 지배적인 고양력 영역을 다루지 못합니다.

방법론
이러한 데이터 격차를 해결하기 위해 저자들은 1,800 개의 고정밀도 CFD 샘플로 구성된 HiLiftAeroML 데이터셋을 생성했습니다. 방법론은 다음과 같은 주요 구성 요소를 포함합니다:

• 기하학: 이 데이터셋은 NASA Common Research Model High-Lift(CRM-HL) 기하학을 기반으로 합니다. 이전 워크숍들이 특정 풍동 모델을 사용한 것과 달리, 본 연구는 슬랫 브래킷, 페어링과 같은 기계적 특징을 매개변수로 정의한 이론적 기준 기하학을 활용하여 시뮬레이션을 물리적 하드웨어 제약으로부터 분리했습니다.
• 매개변수 변화: 데이터셋은 라틴 하이퍼큐브 샘플링을 통해 생성된 180 개의 고유한 기하학 변형을 포함합니다. 이러한 변형은 8 개의 독립적 매개변수, 즉 안쪽/바깥쪽 슬랫 각도와 간격, 그리고 안쪽/바깥쪽 플랩 각도와 간격을 조작합니다. 각 기하학은 4°에서 22°까지 2° 간격으로 10 개의 받음각 (AoA) 에서 시뮬레이션되어 실속 전 및 실속 후 영역을 포착했습니다.
• 솔버 및 물리: 시뮬레이션은 압축성 Navier-Stokes 방정식을 위한 명시적 비구조 유한체적 솔버인 Fidelity Charles 유동 솔버를 사용하여 수행되었습니다. 본 연구는 동적 Smagorinsky 서브그리드 스케일 모델과 평형 벽면 모델을 적용한 벽면 모델링 대와류 시뮬레이션 (WMLES) 접근법을 사용했습니다. 이 접근법은 대규모 와류를 해석하면서 서브그리드 상호작용을 모델링하여 박리 유동에 대해 RANS 보다 우수한 정밀도를 제공합니다.
• 메쉬 및 적응: 영역은 Voronoi 기반 비구조 메쉬 생성기인 Fidelity Stitch를 사용하여 이산화되었습니다. 유동 특징에 기반하여 메쉬를 정제하는 솔루션 적응 알고리즘이 적용되어 3 억 개에서 5 억 개 사이의 제어 체적을 포함하는 메쉬가 생성되었습니다.
• 데이터 처리: 초기 과도 현상을 제거한 후 시간 평균이 수행되었습니다. AoA ≤ 12°인 시뮬레이션은 15 개의 대류 시간 단위 (CTU) 동안 실행되었고, 더 높은 AoA 경우 (≥ 12°) 는 통계적 수렴을 보장하기 위해 30~200 CTU 동안 실행되었습니다. 원시 체적 데이터는 정확성을 유지하면서 파일 크기를 관리하기 위해 Octree 형식으로 내보냈습니다.

주요 기여

1. 최초의 오픈소스 고정밀도 고양력 데이터셋: HiLiftAeroML 은 전체 항공기 WMLES 시뮬레이션을 사용한 고양력 공기역학에 전념한 최초의 오픈소스 데이터셋입니다. 이는 기하학, 시간 평균 체적 및 표면 변수, 그리고 적분 힘 등을 포함하는 1,800 개의 샘플을 제공합니다.
2. 고정밀도 해상도: 이 데이터셋은 솔루션 적응 메쉬 (3 억~5 억 개 셀) 와 WMLES 를 활용하여 RANS 가 어려움을 겪는 것으로 알려진 비행 영역 부분에 대해 가능한 가장 높은 정확도를 보장합니다.
3. 포괄적인 매개변수 공간: 데이터셋은 기하학적 교란 (슬랫/플랩 각도 및 간격) 과 유동 조건 (AoA 4°–22°) 의 광범위한 범위를 다루며, 명시적으로 깊은 실속 및 대규모 박리 영역을 포함합니다.
4. 벤치마킹 프레임워크: 저자들은 데이터 효율성, 보이지 않는 기하학에 대한 일반화, 그리고 받음각 및 각도 설정에 대한 분포 외 (OOD) 외삽을 포함하여 특정 머신러닝 능력을 평가하도록 설계된 결정적 훈련, 검증 및 테스트 분할을 제공합니다.

결과 및 검증
이 데이터셋은 LDG-HV 구성에 대한 실험적 풍동 데이터 (Mouton et al., 2024) 와 비교하여 검증되었습니다.

• 힘 예측: 적응된 메쉬에서의 WMLES 결과는 실험적 양력, 항력, 피칭 모멘트 계수와 합리적인 일치를 보였습니다. 특히, 메쉬 적응은 기준 메쉬에 비해 항력 및 피칭 모멘트 예측에서 상당한 개선을 가져왔습니다.
• 유동 물리: 표면 근처 유동 패턴 (예: AoA = 18°) 의 정성적 비교는 시뮬레이션이 바깥쪽 쐐기 모양의 박리 패턴과 플랩에서의 유동 박리를 정확하게 포착하여 실험적 오일 필름 시각화와 일치함을 보여주었습니다.
• 데이터셋 다양성: 데이터셋 분석 결과, 낮은 받음각에서의 양력 계수는 주로 플랩 각도에 의해 주도되지만, 민감도는 높은 받음각 (실속 근처) 에서 슬랫 각도로 이동하는 것으로 나타났으며, 이는 고양력 영역의 복잡하고 비선형적인 공기역학적 거동을 반영합니다.

의의 및 주장
본 논문은 HiLiftAeroML 을 항공우주 산업 내에서 AI 대리 모델의 연구 개발을 가속화하는 핵심 자원으로 위치시킵니다. "시뮬레이션이 어려운" 고양력 영역에 대한 고정밀도 데이터 접근성을 제공함으로써, 저자들은 다음과 같은 목표를 달성하고자 합니다:

• 현재 미탐구 상태인 산업적으로 관련성이 높은 비정상 유동 물리 현상에 대한 ML 아키텍처의 훈련을 가능하게 합니다.
• 엔지니어들이 수천 개의 설계를 신속하게 필터링하여 엄격한 검증을 위한 유망한 후보를 격리할 수 있도록 합니다.
• 6 차 AIAA 고양력 예측 워크숍 및 더 넓은 커뮤니티가 고정밀도 CFD 에 대한 ML 접근법을 평가할 수 있는 벤치마크 역할을 합니다.

저자들은 데이터셋의 한계에 대해 겸손한 태도를 유지하며, 시뮬레이션이 전 비행 규모가 아닌 풍동 규모 (레이놀즈 수 $1.6 \times 10^6$) 에 해당하며, 유동이 명시적인 층류 - 난류 천이 없이 완전히 난류로 모델링되었음을 인정합니다. 그럼에도 불구하고, 이 데이터셋은 고정밀도 물리 현상과 빠른 AI 주도 설계 주기 사이의 격차를 해소하는 중요한 단계로 간주됩니다.