AI-Assisted Multidisciplinary Design Optimization of Hydrogen-Electric Aircraft Integrating Aerodynamics, Propulsion, Thermal Management, and Structural Mass

하늘을 거대한, 보이지 않는 바다라고 상상해 보세요. 비행기는 마치 최대한 멀리, 그리고 최대한 빨리 헤엄치려는 물고기들과 같습니다. 지난 한 세기 동안 이 물고기들은 케로신이라는 무겁고 연기가 자욱한 연료에 의존해 왔는데, 이는 마치 매일 학교에 갈 때마다 벽돌이 가득 담긴 배낭을 메고 가는 것과 같습니다. 하지만 과학자들은 이제 그 벽돌을 더 가볍고 깨끗한 것, 즉 수소로 바꾸려고 노력하고 있습니다. 수소를 '초강력 투명 에너지 드링크'라고 생각해보세요. 탄소 발자국을 남기지 않으니까요. 하지만 문제가 하나 있습니다. 수소는 가볍지만, 부피를 많이 차지하며(거대한 풍처럼), 녹지 않는 얼음 덩어리처럼 아주 차갑게 유지되어야 합니다. 이는 엔지니어들에게 거대한 퍼즐을 안겨줍니다. 어떻게 하면 거대하고 차가운 풍을 싣고, 그 풍을 전기로 바꾸는 특수 엔진을 갖추며, 엔진이 과열되는 것을 막기 위한 냉각 시스템을 갖춘 비행기를 만들면서도, 동시에 비행할 수 있을 만큼 가볍게 유지할 수 있을까요?

여기서 "다학제간 설계 최적화(Multidisciplinary Design Optimization, MDO)"라는 과학이 등장합니다. MDO는 거대한 직소 퍼즐을 풀려는 전문가 팀이라고 생각하면 됩니다. 한 사람은 날개(공기역학)를 보고, 다른 한 사람은 엔진(추진)을 보고, 세 번째 사람은 냉각 시스템(열 관리)을, 네 번째 사람은 기체 무게(구조 질량)를 봅니다. 과거에는 이 전문가들이 마치 이어달리기에서 바통을 넘겨주듯 차례대로 작업했습니다. 하지만 모든 것이 서로 연결되어 있기 때문에—날개를 크게 만들면 엔진 냉각 방식이 바뀌고, 이는 다시 기체 무게에 영향을 미칩니다—이 "바통 넘기기" 방식은 종종 엉망이고 최적화되지 않은 설계로 이어집니다. 이는 마치 배관공, 전기공, 목수가 서로 대화 한 번 없이 각자의 방에서 집을 짓는 것과 같습니다.

이제 이 이야기의 주인공인 인공지능(AI)이 등장합니다. 구체적으로는 "물리 정보 신경망(Physics-Informed Neural Network, PINN)"이라는 영리한 유형의 AI입니다. PINN은 단순히 수학 시험 답을 암기하는 학생이 아니라, 수학의 규칙을 너무나 잘 이해해서 본 적 없는 문제의 답도 예측할 수 있는 학생과 같습니다. 이 AI는 모든 설계 아이디어마다 느리고 무거운 컴퓨터 시뮬레이션을 실행하는 대신, "하늘의 법칙"과 "엔진의 법칙"을 학습하여 날개 모양이나 탱크 크기를 바꿨을 때 어떤 일이 일어날지 순식간에 추측합니다. 이 논문은 이 AI가 궁극의 팀 캡틴이 되어, 그 모든 전문가가 빛의 속도로 협력하여 완벽한 수소 비행기를 설계하도록 돕는 방법에 관한 것입니다.

논문의 핵심 아이디어: 비행기 설계자를 위한 슈퍼 브레인

난통 대학교(Nantong University) 연구진이 작성한 이 논문은 수소 전기 비행기를 설계하는 완전히 새로운 방법을 제안합니다. 저자들은 전통적인 방식으로는 너무 어려웠던 문제, 즉 서로 밀접하게 연결된 네 가지의 매우 다른 부품들을 동시에 조절하는 문제를 다루고 있습니다. 그들은 단순히 날개나 엔진만을 따로 보는 것이 아니라, 공기역학(비행기 주변의 공기 흐름), 추진(수소 연료 전지와 전기 모터), 열 관리(뜨거운 엔진을 식히는 것), 그리고 구조 질량(날개와 차가운 수소 탱크의 무게)을 동시에 최적화하려고 합니다.

저자들은 기존 방식들이 이 네 부분을 별개로 취급하기 때문에 너무 느리고 최선의 해결책을 놓치는 경우가 많다고 주장합니다. 이를 해결하기 위해 그들은 AI가 초고속 지름길 역할을 하는 "디지털 워크숍"을 구축했습니다. 새로운 날개 모양에 따라 공기가 어떻게 흐르는지 계산하기 위해 몇 시간씩 기다리는 대신, AI는 "물리 정보 신경망(PIN)$"을 사용합니다. PINN을 물리 법칙(공기 압력이 어떻게 작용하는지 또는 열이 어떻게 이동하는지 등)을 공부하고 수천 번의 컴퓨터 시뮬레이션으로 연습을 마친 똑똑한 견습생이라고 생각해보세요. 일단 훈련을 마치면, 이 견습생은 새로운 설계의 결과를 순식간에, 높은 정확도로 예측할 수 있어 설계자들이 단 하나의 설계를 테스트하는 데 걸렸던 시간 동안 수천 개의 아이디어를 테스트할 수 있게 해줍니다.

방법론: 네 단계의 춤

연구진은 AI 코치의 안내에 따라 네 가지 주요 단계로 이루어진 복잡한 춤을 설정했습니다.

1. 공기역학 (바람): 그들은 SU2라는 강력한 컴퓨터 프로그램을 사용하여 비행기 주변의 공기 흐름을 시뮬레이션했습니다. 비행기를 띄우면서도 항력(공기 저항)을 최소화하는 형태를 찾는 것이 목표였습니다.
2. 추진 (심장): 그들은 양성자 교환막(PEM) 연료 전지를 모델링했습니다. 이것은 수소를 전기로 바꾸는 엔진입니다. 이 모델은 얼마나 많은 전력을 만드는지, 그리고 결정적으로 얼마나 많은 폐열을 생성하는지를 추적합니다.
3. 열 관리 (땀): 연료 전지는 뜨거워지기 때문에, 비행기는 외부 공기를 이용하는 냉각 시스템(라디에이터 같은 것)이 필요합니다. 하지만 여기서 까다로운 점은, 냉각 시스템이 무게를 더하고 항력을 만든다는 것입니다. AI는 적절한 균형을 찾아내야 합니다. 즉, 작동할 만큼 충분히 시원하면서도, 비행 속도를 늦추지 않을 만큼 가볍고 작아야 합니다.
4. 구조 (뼈대): 그들은 날개와 액체 수소를 담을 특수 탱크의 무게를 계산했습니다. 수소는 냉동 상태가 필요한 기체이므로, 탱크는 강도가 높고 단열이 잘 되어야 하며 이는 무게를 증가시킵니다. AI는 압력을 견디면서도 부서지지 않도록 필요한 재료의 양을 수학적으로 추정합니다.

마법의 도구: NSGA-II와 "파레토(Pareto)" 지도

최선의 설계를 찾기 위해 팀은 NSGA-II라는 방법을 사용했습니다. 자동차를 쇼핑할 때 빠르고, 저렴하며, 안전하기를 원한다고 상상해 보세요. 보통 이 세 가지를 모두 가질 수는 없습니다. 빠른 차는 비쌀 수 있고, 안전한 차는 무거울 수 있습니다. 공학에서는 이를 "트레이드오프(trade-off, 절충)"라고 부릅니다. NSGA-II 알고리즘은 가능한 모든 "최선의 거래"를 보여주는 스마트한 지도와 같습니다. 단순히 하나의 답을 주는 것이 아니라, "파레토 최적(Pareto-optimal)" 설계들의 전체 목록을 제공합니다. 어떤 것은 가장 가볍고, 어떤 것은 가장 멀리 날 수 있으며, 어떤 것은 냉각 시스템이 가장 뛰어날 수 있습니다. 이를 통해 엔지니어들은 전체 그림을 보고 자신의 특정 요구 사항에 맞는 설계를 선택할 수 있습니다.

발견한 점 (그리고 발견하지 못한 점)

이 논문은 완성되어 실제로 비행하는 비행기에 대한 보고서가 아니라, 연구 제안 및 프레임워크라는 점에 유의해야 합니다. 저자들은 아직 비행기를 직접 제작하거나 특정 새로운 항공기에 대한 최종 시뮬레이션을 실행하여 정확한 수치를 얻어낸 상태가 아닙니다. 대신, 그들은 그 작업을 수행할 "엔진"을 구축한 것입니다.

• 프레임워크 준비 완료: 그들은 공기역학, 엔진, 냉각, 무게 계산기를 AI로 구동되는 하나의 루프로 연결하는 전체 시스템을 성공적으로 설계했습니다.
• AI는 "연습" 데이터로 훈련됨: AI를 가르치기 위해 그들은 HY4(4인승)와 ZeroAvia Do228(19인승 개조 모델) 같은 기존의 작은 수소 비행기 데이터를 사용했습니다. 또한 NASA의 전기 비행기 프로젝트 데이터도 사용했습니다. 이는 그들의 방식이 알려진 사례들에서 작동함을 증명합니다.
• 속도의 약속: 저자들은 자신들의 AI를 사용함으로써 설계 과정을 100배(두 자릿수) 빠르게 할 수 있다고 제안합니다. 몇 가지 설계를 테스트하는 데 몇 주가 걸리는 대신, 하루에 수천 개를 테스트할 수 있습니다.
• 불확실성 체크: 논문에는 "불확실성"을 확인하기 위한 계획도 포함되어 있습니다. AI는 훈련된 데이터를 바탕으로 추측을 하는 것이므로, 저자들은 결과에 대해 얼마나 확신할 수 있는지 알고 싶어 합니다. 그들은 실제 환경 조건이 약간 변하더라도(예: 수소 탱크가 예상보다 조금 더 무거운 경우) 결과가 얼마나 변동될지 확인하기 위해 수천 번의 시뮬레이션을 실행할 계획입니다.

이것이 왜 중요한가

이 연구는 녹색 항공의 미래를 향한 로드맵입니다. AI가 수소, 전기, 공기역학을 결합하는 복잡한 수학 문제를 처리할 수 있음을 입증함으로써, 저자들은 엔지니어가 실제로 실현 가능한 상업용 수소 비행기를 설계할 수 있는 길을 열어주고 있습니다. 그들은 단순히 수소 비행기를 꿈꾸는 것이 아니라, 그것을 어떻게 만들어야 할지 정확히 알려줄 디지털 도구를 만들고 있는 것입니다.

논문은 여전히 과제들이 남아있음을 결론짓습니다. 예를 들어, AI가 단순히 작은 테스트용 비행기가 아니라 거대한 상업용 제트기도 다룰 수 있도록 만드는 것 등입니다. 하지만 그들의 새로운 "AI 지원 다학제간 설계 최적화" 프레임워크는 강력한 새로운 도구입니다. 이는 설계자들이 추측을 멈추고 가능한 모든 범위를 탐색할 수 있게 하여, 첫 번째 수소 동력 상업용 여객기가 하늘을 날 때, 그것이 가능한 최고의 모습이 되도록 보장해 줄 것입니다.