Multi-objective Optimization in Sports Equipment Design Using Expected Hypervolume Improvement: A Discus and a Race Car Rear Wing

기술 요약: 기대 초부피 개선(Expected Hypervolume Improvement)을 이용한 스포츠 장비 설계의 다목적 최적화

문제 정의
스포츠 장비 설계는 공기역학적 성능, 구조적 무결성, 비용과 같이 상충하는 여러 목표 사이에서 균형을 맞추는 과정을 빈번하게 포함한다. 이러한 트레이드오프(trade-offs)는 단일 전역 최적해(global optimum)가 아닌 파레토 최적해(Pareto-optimal solutions)의 집합을 생성한다. 이 분야의 중요한 과제는 성능 평가가 특히 투척 종목(예: 원반) 및 모터스포츠(예: 레이스 카 리어 윙)의 공기역학적 구성 요소와 같이 계산 비용이 많이 드는 시뮬레이션에 의존한다는 점이다. 따라서 유망한 설계를 식별하는 동시에 필요한 평가 횟수를 최소화할 수 있는 최적화 프레임워크에 대한 절실한 필요성이 존재한다. 기존 연구들이 단일 목적 문제에 대해 기대 개선(Expected Improvement, EI)을 활용해 온 반면, 본 연구는 다목적 스포츠 장비 최적화에 효율적인 기준을 적용하는 공백을 다룬다.

방법론
저자들은 설계 변수 선택을 안내하기 위한 획득 함수(acquisition function)로 **기대 초부피 개선(Expected Hypervolume Improvement, EHVI)**을 활용하는 프레임워크를 제안한다. 워크플로우는 다음 구성 요소들을 통합한다:

1. 초기 샘플링: 라틴 하이퍼큐브 샘플링(Latin Hypercube Sampling, LHS)을 사용하여 설계 변수 세트를 생성한다.
2. 시뮬레이션 및 분석:
   • CAD 모델링: 특정 장비를 위한 파라메트릭 모델을 생성한다.
   • CFD/EFD: 공기역학적 계수($C_D$, $C_L$, $C_m$)를 결정하기 위해 전산유체역학(원반의 경우 ANSYS Fluent, 리어 윙의 경우 LES를 포함한 OpenFOAM) 또는 실험유체역학을 사용한다.
   • 궤적 시뮬레이션: 원반의 경우, 비행 거리와 견고성(robustness)을 평가하기 위해 1,000회의 몬테카를로 시뮬레이션을 수행한다.
3. 대리 모델링(Surrogate Modeling): 설계 변수를 기반으로 목적 함수의 평균과 분산을 예측하기 위해 가우시안 프로세스 회귀(Gaussian Process Regression, GPR)를 구축한다.
4. 최적화 루프:
   • 현재의 파레토 프런트가 지배하는 초부피(hypervolume)의 기대 개선량을 정량화하기 위해 EHVI 지표를 계산한다.
   • 유전 알고리즘(Genetic Algorithm, GA)은 EHVI를 최대화하여 가장 유망한 새로운 설계 세트($x^*$)를 식별한다.
   • 프로세스는 정지 기준이 충족될 때까지 반복된다 (CAD $\to$ CFD $\to$ GPR $\to$ EHVI 최대화).
5. 사례 연구:
   • 남자 원반: 비행 거리와 견고성을 최적화하기 위해 네 가지 설계 변수(직경, 평평한 중심 직경, 두께, 금속 림 반경)를 사용한다.
   • 레이스 카 리어 윙: 항력 계수($C_D$), 양력 계수($C_L$), 피칭 모멘트 계수($C_m$)를 최적화하기 위해 일곱 가지 설계 변수(중심선 및 중간 스팬에서의 에어포일 형상, 받음각)를 사용한다.
6. 벤치마킹: 본 방법은 표준 용접 빔(welded-beam) 설계 문제를 통해 먼저 검증되었다.

주요 결과

• 벤치마크 성능: 용접 빔 테스트 문제에서 EHVI는 참조 파레토 최적해의 81%(16개 중 13개)를 성공적으로 식별하였다. 그러나 선택된 해들은 목적 공간의 극단(extremes)보다는 중심부에 밀집되는 경향이 관찰되었다.
• 원반 최적화: EHVI는 6개의 파레토 최적해 중 5개(83%)를 식별하였다. 자기조직화지도(Self-Organizing Map, SOM) 분석 결과, **금속 림의 반경($r_m$)**이 비행 거리를 최대화하는 데 있어 지배적인 설계 파라미터임이 밝혀졌으며, 이는 흐름 박리(flow separation)와 실속(stall)을 지연시키는 역할 때문인 것으로 보인다. 견고성의 설계 변수 의존성은 더 복잡한 것으로 나타났다.
• 리어 윙 최적화: EHVI는 12개의 파레토 최적해 중 5개(42%)를 식별하였다. **받음각(angle of attack)**이 항력과 다운포스 사이의 트레이드오프를 결정하는 주요 동인으로 확인되었다.
  • 최소 항력 케이스: 윙의 경사가 리어 데크 각도와 일치하며, 더 넓은 유효 날개 면적을 활용한다.
  • 최대 다운포스 케이스: 윙이 리어 데크에 대해 약 40도 각도로 배치되며, 중심선 근처의 기하학적 구조가 좁아진다.
• 관찰된 한계점: 두 스포츠 사례 모두에서 EHVI에 의해 선택된 해들은 목적 공간의 중심부 근처에 밀집되는 경향을 보였다. 이 방법은 극단적인 파레토 최적해를 식별하고 충분한 다양성을 확보하는 데 있어 효율성이 저하되는 모습을 보였으며, 특히 고차원 리어 윙 사례(목적 함수 3개, 변수 7개)에서 원반 사례(목적 함수 2개, 변수 4개)보다 낮은 효율을 보였다.

의의 및 주장
본 논문은 EHVI가 다목적 스포츠 장비 최적화에서 설계 변수를 효율적으로 선택할 수 있는 유효한 기준이며, 파레토 최적해와 핵심 물리적 파라미터(림 반경 및 받음각 등)를 식별할 수 있다고 주장한다. 본 연구는 투척 종목부터 모터스포츠에 이르기까지 다양한 스포츠 맥ر락에 걸친 프레임워크의 적용 가능성을 입증한다.

그러나 저자들은 방법론의 한계에 대해 신중한 입장을 유지한다. 그들은 EHVI가 효과적이기는 하지만, 현재 극단적인 파레토 최적해를 식별하는 능력과 선택된 설계들 사이의 충분한 다양성을 보장하는 능력이 제한적이라고 명시적으로 밝히고 있다. 이는 알고리즘이 목적 공간의 중심 근처의 해를 선호하기 때문이다. 본 논문은 향후 응용이나 수정을 제안하기보다는, 특정 영역에서의 EHVI 접근 방식에 대한 현재의 역량과 제약 사항을 보여주는 데 집중하고 있다.