A Bayesian latent Gaussian process framework for aerodynamic uncertainty quantification

기술 요약: 공력 불확실성 정량화를 위한 베이지안 잠재 가우시안 프로세스 프레임워크

문제 정의
공력 성능(양력, 항력 및 모멘트 계수)을 예측하는 것은 계산 모델에 내재된 편향과 고충실도 직접 시뮬레이션의 과도한 비용으로 인해 어려움을 겪고 있다. 실용적인 해결책은 저충실도 계산 예측치를 희소한 실험 측정값에 대해 보정하는 것이다. 그러나 이러한 보정은 제어 입력(예: 받음각, 플랩 각도, 레이놀즈 수)과 측정된 공력 응답 모두에 존재하는 불확실성으로 인해 복잡해진다. 이러한 불확실성은 종종 정밀한 값보다는 구간(interval)으로 표현되는 인식론적(epistemic) 불확실성이다. 본 연구에서 다루는 구체적인 과제는 제2회 AIAA 불확실성 정량화(UQ) 공력 챌린지 문제이다. 참가자들에게는 7개의 운전 조건에 대해 인식론적 불확실성 경계가 포함된 희소한 "진리(truth)" 데이터가 제공되며, 참가자들은 4개의 미지의 운전 조건에 대한 공력 계수의 불확실성을 예측해야 한다.

방법론
저자들은 가우시안 프로세스(GP) 회귀를 잠재 변수 모델링 및 분포 보정과 통합하는 3단계 베이지안 대리 모델 프레임워크를 제안한다:

1. 저충실도 대리 모델 구축: 가벼운 공력 분석 도구인 XFOIL을 통해 생성된 100개의 라틴 하이퍼큐브 샘플에 대해 GP 대리 모델($f_X$)을 학습시킨다. 이 모델은 받음각, 플랩 각도, 레이놀즈 수의 함수로서 공력 계수의 저충실도 응답을 근사한다.
2. 입력 불확실성을 위한 베이지안 잠재 GP: 진리 데이터의 7개 위치에서의 실제 물리적 입력이 알려져 있지 않지만 특정 인식론적 구간 내에 존재한다는 점을 해결하기 위해, 저자들은 "잠재 GP" 접근 방식을 채택한다. 입력을 명목 중심값(nominal centroids)에 고정하는 대신, 실제 입력($\tilde{x}_i$)을 각각의 구간($U_i$) 내로 제한된 잠재 변수로 취급한다. 최적화 과정 중 박스 제약 조건을 처리하기 위해 로지스틱 재매개변수화(logistic reparameterization)를 활용하여, 주어진 경계 내에서 가장 가능성 있는 실제 입력 위치를 추론하기 위한 최대 사후 확률(MAP) 추정을 수행한다.
3. 분포 보정 (제약 조건이 있는 Kennedy-O'Hagan): XFOIL 대리 모델과 진리 데이터 사이의 불일치를 모델링하기 위해 두 번째 GP($\delta$)를 Kennedy-O'Hagan(KOH) 프레임워크에 따라 도입한다. 진리 데이터의 중심(centroid)만을 일치시키는 표준 KOH 구현과 달리, 본 연구는 분포 보정 단계를 도입한다. 진리 데이터 구간은 95% 가우시안 신뢰 구간으로 취급된다. 불일치 GP는 합성 모델($g = f_X + \delta$)이 진리 데이터의 중심뿐만 아니라 진리 구간 폭에 의해 암시되는 주변 분산(marginal variance)까지 일치시키도록 보정된다. 이는 보정 지점에서의 사후 예측 분포가 평균과 분산 모두 진리 구간과 일치하도록 보장한다.
4. 불확실성 전파: 불확실한 입력 구간을 가진 4개의 미지 예측 지점에 대해, 이 방법은 보정된 GP를 통해 불확실성을 전파한다. 이는 몬테카를로 샘м플링을 사용하여 입력 불확실성을 대한 예측 분포에 대해 주변화함으로써 수행되며, 이를 통해 계수에 대한 경험적 확률 밀도 함수(PDF) 및 누적 분포 함수(CDF)를 생성한다.

주요 기여
본 논문은 네 가지 주요 기여를 설명한다:

• 가법적 보정 모델: 하나의 GP는 XFOIL 응답을 나타내고 다른 하나의 GP는 가법적 불일치를 나타내는 KOH 스타일의 모델 구축.
• 잠재 입력 정식화: 고정된 중심값을 가정하는 대신, 주어진 경계 내에서 미지의 실제 보정 입력을 추론할 수 있도록 잠재 입력 GP를 통한 인식론적 입력 구간의 통합.
• 분포 보정: 단순한 평균 보정을 넘어, 제공된 진리 구간을 사용하여 예측 GP의 사후 평균과 주변 예측 분산을 모두 제약하는 새로운 보정 단계.
• 검증 및 재현성: 실제 불확실성 추정치에 대한 방법의 예측 UQ 능력을 입증하고 소프트웨어 구현체를 공개함.

결과
보정된 대리 모델은 유보된 4개의 예측 지점에 대해 검증되었다. 결과는 95% 신뢰 구간으로 간주된 챌린지 주최 측의 "진리" 구간과 비교되었다.

• 분포 보정 성능: 제안된 분포 보정 모델은 높은 정확도를 보였다. 4개의 모든 예측 위치와 3개의 공력 계수($C_l, C_d, C_m$)에 대해, 모델은 공개된 95% 진리 구간 내에 예측 샘플의 **94.2%에서 95.8%**를 배치하였다. 또한, 구간 끝점에서의 누적 확률은 명목적인 0.025 및 0.975 수준과 매우 유사했다.
• 1차 모멘트 보정 비교: 오직 1차 모멘트(중심) 보정만을 사용하는 베이스라인 접근 방식은 현저히 낮은 성능을 보였다. 이러한 모델들은 종종 편향되거나 과도하게 집중된 분포를 생성하거나 두 가지 모두의 문제를 보였다. 진리 구간 내에 떨어지는 샘플의 비율은 11%에서 100%까지 크게 변동하였으며, 이는 인식론적 불확실성을 균일하게 포착하는 데 실패했음을 나타낸다.
• 외삽(Extrapolation): 본 방법은 보정 데이터가 예측 위치에서 가장 멀리 떨어져 있는 가장 외삽적인 운전 지점($\alpha = 7^\circ, \beta_{flap} = 15^\circ$)에서도 견고한 성능을 유지하였다.

의의 및 주장
저자들은 본 연구의 주요 의의가 진리 데이터의 중심을 맞추는 것만으로는 신뢰할 수 있는 공력 불확실성 정량화에 불충분하다는 것을 입증하는 데 있다고 주장한다. "분포 보정" 단계는 인식론적 불확실성을 올바르게 전파하기 위해 필수적이며, 보정된 모델이 기대값뿐만 아니라 불확실성의 크기도 반영하도록 보장한다. 진리 구간을 전체 예측 분포에 대한 제약 조건으로 취扱함으로써, 이 프레임워크는 희소 데이터 환경 및 외삽 설정에서도 통계적으로 일관된 예측 경계를 생성한다. 이 연구는 이러한 접근 방식이 항공기 설계 및 인증을 위한 신뢰할 수 있는 시뮬레이션 기반 예측의 엄격한 토대를 제공함을 시사한다.