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

비행기 날개를 설계하는 것은 보이지 않는 존재와의 싸움입니다. 엔지니어들은 공기가 곡면 위를 어떻게 휘몰아치는지, 어디에서 속도가 빨라지고 어디에서 느려지는지, 그리고 정확히 어느 지점에서 흐름이 갑자기 매끄럽지 못하게 멈출지를 예측해야 합니다. 수십 년 동안 이 작업의 주요 도구는 고충실도 컴퓨터 시뮬레이션이었습니다. 이 프로그램들은 비행의 물리학을 모델링하기 위해 복잡한 방정식을 풀며, 설계자들이 물리적인 모델을 실제로 제작하지 않고도 수천 가지의 형상을 테스트할 수 있게 해줍니다. 하지만 이러한 시뮬레이션은 완벽하지 않습니다. 시뮬레이션은 근사치와 수학적 지름길에 의존하며, 특히 공기가 음속으로 움직이는 혼돈의 구역에서는 실제 현실에서 벗어날 수 있습니다. 이를 해결하기 위해 엔지니어들은 전통적으로 풍동 실험에 의존해 왔습니다. 풍동에서는 센서가 부착된 실제 금속 날개 위로 공기를 불어넣습니다. 그러나 풍동 테스트는 비용이 매우 많이 들고 시간이 오래 걸리며, 몇 가지 특정한 조건에만 국한됩니다. 터널 안에서 가능한 모든 속도나 각도를 테스트할 수는 없기에, 엔지니어들은 컴퓨터가 예측하는 바와 물리적 세계가 실제로 수행하는 것 사이의 간극을 마주하게 됩니다.

Luminary AI의 연구진은 디지털 예측과 물리적 현실 사이의 간극을 메우는 새로운 접근 방식으로 이 문제를 해결했습니다. 그들은 방대한 양의 시뮬레이션 데이터로 학습된 강력한 컴퓨터 모델을 소량의 실제 실험 데이터를 사용하여 부드럽게 "접지(grounding)"하는 방법을 개발했습니다. 값비싼 컴퓨터 모델을 버리거나 모든 시나리오에 대해 전체 풍동 테스트를 수행하는 대신, 그들은 가벼운 보정 시스템을 사용합니다. 이 시스템은 컴퓨터의 예측과 풍동에서 측정된 값 사이의 구체적인 차이를 학습하여, 그 지식을 모델의 정확도를 높이는 데 적용합니다. 그 결과, 컴퓨터 시뮬레이션의 속도와 광범한 범위를 유지하면서도 풍동의 물리적 진실을 물려받은 하이브리드 도구가 탄생했습니다.

연구진은 먼저 특정 항공기 날개 구성인 NASA 공통 연구 모델(NASA Common Research Model)에 대한 2,300개의 고충실도 시뮬레이션을 통해 학습된 '대리 모델(surrogate)'이라는 정교한 컴퓨터 모델로 시작했습니다. 이 모델은 다양한 속도와 받음각 조건에서 날개 표면의 공기 압력이 어떻게 변하는지 예측하도록 설계되었습니다. 컴퓨터 모델은 자신이 학습한 시뮬레이션을 모방하는 데 탁-월했으며, 계산된 공력(aerodynamic forces)을 거의 완벽한 정확도로 재현했습니다. 그러나 연구진이 이 예측치를 실제 풍동 측정값과 비교했을 때 명확한 불일치가 나타났습니다. 컴퓨터 모델은 특정 영역, 특히 날개 앞부분에서 공기 압력이 급격히 떨어지는 지점과 뒤쪽에서 압력이 회복되는 지점에서 지속적으로 오차를 보였습니다. 이곳은 충격파가 형성될 수 있는 중요한 구역이며, 여기서 발생하는 작은 오류조차 비행 성능에 대한 중대한 계산 착오로 이어질 수 있습니다.

전체 컴퓨터 모델을 처음부터 다시 구축하지 않고 이 문제를 해결하기 위해, 연구진은 2단계 프로세스를 도입했습니다. 첫째, 기존의 컴퓨터 모델을 동결(frozen) 상태로 유지하여 이미 학습한 복잡한 공력 지식을 보존했습니다. 둘째, 작고 유연한 보정 네트워크를 추가했습니다. 이 새로운 구성 요소는 압력 감응형 페인트(pressure-sensitive paint) 데이터를 사용하여 학습되었습니다. 이는 날개 표면에 공기 압력에 따라 색이 변하는 특수 물질을 코팅하여 엔지니어가 전체 표면의 압력 분포를 볼 수 있게 하는 기술입니다. 보정 네트워크는 컴퓨터 모델의 예측에서 나타나는 체계적인 오류를 포착하고, 이를 풍동 관측값에 맞게 조정하는 법을 배웠습니다. 결정적으로, 이 학습에는 전체 가능한 비행 조건 중 아주 극소수인 단 두 가지의 속도와 몇 가지의 받침각(angles of attack) 데이터만이 사용되었습니다.

결과는 놀라울 정도로 효과적이었습니다. 보정 네트워크가 한 번도 본 적 없는 비행 조건에 대해 테스트했을 때, 조정된 모델은 날개 표면 전체에서 3% 미만의 오차로 공기 압력을 예측했습니다. 이는 주변 풍동 측정값의 평균을 내어 답을 추측하는 것보다 훨씬 뛰어난 정확도였습니다. 이 보정은 특히 원래의 컴퓨터 모델이 가장 어려움을 겪었던 부분인 충격파의 위치와 압력 회복의 형태를 수정하는 데 효과적이었습니다. 연구진은 모델이 순수 시뮬레이션에는 빠져 있던 물리적 효과, 예를 들어 공기의 힘에 의한 날개의 미세한 변형이나 공기가 매끄러운 흐름에서 난류로 전이되는 방식의 변화까지 포착할 수 있음을 발견했습니다.

이 연구는 컴퓨터 시뮬레이션의 광범하고 효율적인 범위와 실제 실험의 물리적 정확도를 결합하는 것이 가능하다는 것을 보여줍니다. 대규모 시뮬레이션을 소량의 실험 데이터로 보정함으로써, 연구진은 빠르면서도 신뢰할 수 있는 도구를 만들어냈습니다. 이 방법은 계산적으로 불가능할 정도로 막대한 비용이 드는 전체 모델의 재학습을 요구하지도, 대규모의 풍동 캠페인을 필요로 하지도 않습니다. 대신, 디지털 트윈을 물리적 현실에 정렬시키기 위한 표적화된 보정을 사용합니다. 이러한 접근 방식은 엔지니어가 컴퓨터 모델을 더 깊이 신뢰할 수 있게 하고, 그 모델이 실제 비행의 거동을 반영하도록 보장하기 위해 더 전략적이고 적은 횟수의 물리적 테스트를 활용할 수 있게 함으로써 항공우주 설계의 실질적인 길을 제시합니다.