⚡ electrical engineering

AI-Driven Multi-Objective Aerodynamic Shape Optimization for Future High-Speed Aircraft

본 논문은 미래형 고속 항공기를 위한 신속하고 비용 효율적인 다목적 공력 형상 최적화를 가능하게 하기 위해, CFD 시뮬레이션, 머신러닝 기반 대리 모델링, 그리고 물리 정보 기반 학습을 통합하는 AI 구동 프레임워크를 제안한다.

원저자: Md Tanvir Ahamed Towfiq, MD AZIZUL HAKIM ABIR, BONDHON PAUL, RAFIUR RAHMAN, BULBUL HASAN REFAT, SAIFULLAH KHALEED

게시일 2026-08-07

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Md Tanvir Ahamed Towfiq, MD AZIZUL HAKIM ABIR, BONDHON PAUL, RAFIUR RAHMAN, BULBUL HASAN REFAT, SAIFULLAH KHALEED

원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

당신이 완벽한 경주용 자동차를 설계하려고 노력 중이라고 상상해 보십시오. 하지만 풍동 실험실 대신, 자동차의 아주 작고 완벽한 모델을 만들어 거대하고 비싼 풍동에 넣고 몇 시간 동안 가동하여 그 차가 충분히 빠른지 확인해야만 합니다. 이제, 자동차의 범퍼 모양을 1밀리미터만 수정하고 싶다고 가정해 봅시다. 그 수정이 도움이 되는지 확인하기 위해 매번 새로운 모델을 제작하여 풍동에서 다시 테스트해야 합니다. 만약 당신이 절대적으로 최고의 모양을 찾고자 한다면, 이 과정을 수천 번 반복해야 할지도 모릅니다. 이것이 바로 엔지니어들이 고속 비행기를 설계할 때 직면하는 현실입니다. 그들은 공기가 비행기 위로 어떻게 휘몰아치는지 시뮬레이션하기 위해 전산유체역학(CFD)이라 불리는 강력한 컴퓨터 프로그램을 사용합니다. 이 시뮬레이션은 디지털 풍동과 같습니다. 매우 정확하지만 엄청난 시간과 컴퓨터 성능을 소모합니다. 이는 마치 거대한 퍼즐을 풀 때, 모든 조각을 하나씩 다른 위치에 놓아보며 테스트하는 것과 같으며, 여기에는 영원한 시간이 걸릴 수 있습니다.

이를 가속화하기 위해 과학자들은 인공지능(AI)을 사용하여 도움을 받기 시작했습니다. AI를 비싼 풍동 테스트를 지켜보며 패턴을 학습하고, 새로운 디자인에 대해 매번 모델을 새로 만들 필요 없이 결과를 예측하기 시작하는 아주 똑똑한 학생이라고 생각해 보십시오. 하지만 여기에는 함정이 있습니다. 만약 AI 학생이 자신이 본 특정 테스트로부터만 학습한다면, 본 적 없는 새로운 모양에 대해 질문을 받았을 때 터무니없고 불가능한 추측을 할 수도 있습니다. AI는 뒤로 날아가는 비행기나 물리적으로 허용되는 것보다 더 많은 양력을 생성하는 비행기를 예측할 수도 있습니다. 여기서 "물리 정보 기반(Physics-Informed)" 학습이 등장합니다. 이것은 그 학생에게 중력이나 공기의 흐름과 같은 물리 법칙이 담긴 교과서를 건네주며, "추측해도 좋지만, 네 추측은 이 책의 규칙을 따라야 한다"라고 말하는 것과 같습니다. 이는 AI가 단순히 답을 암기하는 것이 아니라, 세상이 어떻게 돌아가는지를 실제로 이해하도록 보장합니다.

"차세대 고속 항공기를 위한 AI 기반 다목적 공력 형상 최적화"라는 제목의 이 논문은 이 두 가지 세계의 장점을 결합하여 고속 비행기를 설계하는 새로운 방법을 제안합니다. 즉, 디지털 풍동(CFD)의 정확성과 AI 학생의 속도를 결합하되, 물리 법칙으로 AI를 정직하게 유지하는 것입니다. 난통 대학교의 Md Tanvir Ahamed Towfiq과 동료들이 이끄는 연구진은 단순히 비행기를 더 빠르게 만드는 데 그치지 않고, 동시에 모든 면에서 더 나은 모양을 찾는 프레임워크를 구축했습니다. 그들은 항력(공기 저항)을 줄이고, 양력(비행기를 띄우는 힘)을 높이며, 양항비(전반적인 효율성)를 동시에 개선하는 모양을 찾고자 했습니다.

연구팀은 수학적 규칙을 사용하여 다양한 비행기 형상을 생성하는 것으로 시작하는 워크플로우를 만들었습니다. 그런 다음 이 형상들에 대해 제한된 횟수의 값비싼 컴퓨터 시뮬레이션(CFD)을 실행하여 "훈련 데이터셋"을 생성했습니다. 이 데이터를 물리 정보 신경망(PINN)이라 불리는 특수한 유형의 AI에 입력했습니다. 일반적인 AI와 달리, 이 PINN은 공기가 어떻게 흐르는지를 결정하는 방정식들을 "알도록" 프로그래밍되어, 새로운 모양의 성능을 예측할 때조차 그 결과가 물리적으로 타당하도록 보장합니다. AI 훈련이 완료되면, AI는 느리고 비싼 풍동을 대신하는 빠르고 저렴한 대역 모델(Surrogate Model) 역할을 하게 됩니다. 연구진은 그다음 최적화 알고리즘을 사용하여 AI에게 세 가지 목표(적은 항력, 높은 양력, 더 나은 효율성) 사이의 균형을 맞추는 완벽한 모양을 찾아내도록 요청했습니다.

시뮬레이션 결과는 이 접근 방식이 매우 효과적임을 시사합니다. AI 모델은 값비싼 컴퓨터 시뮬레이션 결과와 일치하면서도 거의 즉각적으로 공력 성능을 예측할 수 있었습니다. AI를 사용하여 최적의 디자인을 찾았을 때, 최적화된 항공기는 초기 디자인에 비해 공력 효율성이 향상되었습니다. 이 연구는 이 방법이 미래의 고속 항공기를 설계하는 데 필요한 시간과 컴퓨터 자원을 크게 절감한다는 점을 강조합니다. 연구진은 물리 법칙을 AI에 직접 통합함으로써 예측이 더 신뢰할 수 있고, 자연의 법칙을 거스르는 "마법 같은" 결과를 낼 가능성이 낮아졌다고 주장합니다. 비록 이 논문이 이러한 결과가 실제 풍동 테스트나 비행 테스트가 아닌 컴퓨터 시뮬레이션을 통해 도출되었다는 점을 명시하고 있지만, 이 프레-워크가 설계 주기를 단축하고 엔지니어들이 더 빠르고, 더 효율적이며, 더 안정적인 비행기를 만들 수 있도록 돕는 차세대 고속 항공기 설계의 확장 가능하고 지능적인 경로를 제공한다고 제안합니다.

기술 요약: 차세대 고속 항공기를 위한 AI 기반 다목적 공력 형상 최적화

1. 문제 정의

천음속 및 초음속 영역에서 운용되는 차세대 고속 항공기의 설계는 충격파 상호작용, 경계층 박리, 비선형 압력 변화와 같은 복잡한 공력 현상으로 인해 상당한 과제에 직면해 있다. 전통적인 설계 방법론은 전산유체역학(CFD) 시뮬레이션과 풍동 시험에 크게 의존한다. 고충실도 CFD는 유동장과 공력력을 정확하게 예측할 수 있지만, 최적화를 위해 수천 번의 설계 평가가 필요한 경우 계산 비용이 매우 높고 시간이 많이 소요된다.

기울기 기반 방법(gradient-based methods)과 같은 기존의 최적화 기법은 고도의 비선형 다목적 문제에서 어려움을 겪을 수 있으며 국소 최적점(local optima)에 빠질 위험이 있다. 진화 알고리즘(Evolutionary algorithms)은 전역 탐색 능력을 제공하지만, 과도한 수의 CFD 평가를 요구하여 계산 비용을 더욱 증가시킨다. 또한, 기존의 많은 인공지능(AI) 접근 방식은 물리적 일관성이 결여된 "블랙박스" 모델로 작동하여, 훈련 데이터 범위를 벗어난 형상에 적용될 때 비현리적인 예측을 내놓을 가능성이 있다. 따라서 계산 효율성, 예측 정확도, 그리고 물리 법칙 준수 사이의 균형을 맞추어 고속 항공기 설계를 가속화할 수 있는 프레임워크가 절실히 필요하다.

2. 방법론

본 논문은 고충실도 CFD, 머신러닝 기반 대리 모델(surrogate modeling), 물리 정보 신경망(PINNs), 그리고 다목적 최적화 알고리즘을 결합한 통합 AI 기반 공력 형상 최적화 프레임워크를 제안한다. 방법론은 다음과 같은 단계로 진행된다.

2.1 기하학적 파라미터화

항공기 형상은 제한된 수의 설계 변수를 사용하여 복잡한 표면을 매끄럽게 수정할 수 있는 CST(Class-Shape Transformation) 방법을 사용하여 표현된다. 설계 벡터( $X$ )에는 날개 후퇴각( $\Lambda$ ), 종횡비($AR $), 두께비($ t/c$), 캠버 분포, 앞전 곡률, 뒷전 기하학적 형상 등의 파라미터가 포함된다.

2.2 고충실도 CFD 시뮬레이션

Spalart–Allmaras 난류 모델을 적용한 Reynolds-Averaged Navier–Stokes(RANS) 방정식을 사용하여 3차원 압축성 유동 환경을 구축한다. 계산 도메인은 상류, 하류 및 원거리 장(far-field) 영역을 포착한다. 양력 계수( $C_L$ ), 항력 계수( $C_D$ ), 양항비( $L/D$ )를 포함한 공력 응답 데이터셋을 생성하기 위해 다양한 천음속 및 초음속 조건에서 시뮬레이션을 수행한다.

2.3 AI 대리 모델링 및 물리적 통합

계산 비용을 줄이기 위해 CFD 생성 데이터셋을 기반으로 머신러닝 대리 모델을 훈련시킨다. 이 모델은 기하학적 파라미터( $X$ )와 공력 출력( $Y$ ) 사이의 비선형 매핑을 학습한다.

구조: 본 연구는 공력 특성을 근사하기 위해 심층 신경망(DNN)과 가우시안 과정 회귀(GPR)를 활용한다.
물리 정보 학습: 물리적 일관성을 확보하고 일반화 성능을 높이기 위해, 물리 정보 신경망(PINNs)을 통해 물리 법칙을 통합한다. 총 손실 함수는 다음과 같이 정의된다:
$Loss_{total} = Loss_{data} + \lambda \cdot Loss_{physics}$
여기서 $Loss_{data}$ 는 CFD 결과와 AI 예측 사이의 오차를 나타내며, $Loss_{physics}$ 는 물리 법칙 준수를 강제한다.

2.4 다목적 최적화

최적화 문제는 항력 최소화, 양력 최대화, 그리고 공력 효율( $L/D$ ) 최대화를 동시에 달성하는 것을 목표로 한다. 목적 함수는 다음과 같다:
$F(X) = w_1 C_D - w_2 C_L - w_3 (L/D)$
여기서 $w_1, w_2, w_3$ 는 가중치 계수이다. 기하학적 제약 조건( $X_{min} \leq X \leq X_{max}$ )을 만족하면서 최적의 형상을 탐색하기 위해 진화 알고리즘과 대리 모델 기반 최적화 기법이 사용된다.

2.5 검증 전략

최적화된 설계와 AI 예측은 고충실도 CFD 시뮬레이션에 의해 검증된다. 예측 정확도와 계산 효율성 이득을 정량화하기 위해 제곱 평균 제곱근 오차(RMSE) 및 평균 절대 오차(MAE)와 같은 통계적 지표를 사용하여 성능을 평가한다.

3. 주요 기여

하이브리드 프레임워크: CFD, AI 대리 모델링, 물리 정보 학습을 고속 항공기 설계에 원활하게 통합하는 확장 가능한 방법론을 개발하였다.
물리 정보 기반 AI: 공력 최적화에 PINNs를 적용함으로써 AI 예측이 지배적인 유체 역학 방정식과 일관성을 유지하도록 하여, 안전이 중요한 항공우주 분야에서의 신뢰성을 높였다.
다목적 능력: 이전 연구들의 단일 목적 제한을 넘어, 상충하는 설계 요구 사항(항력 감소 vs 양력 극대화)을 동시에 해결하는 전략을 제시하였다.
계산 효율성: 최적화 루프 중에 반복적인 시뮬레이션을 AI 예측으로 대체함으로써 필요한 CFD 평가 횟수를 크게 줄였다.

4. 결과 및 성능 분석

본 연구는 제안된 프레임워크가 기하학적 형상과 성능 사이의 비선형 관계를 학습함으로써 개선된 공력 형상을 성공적으로 식별함을 보고한다.

예측 정확도: AI 대리 모델은 CFD 벤치마크와 비교했을 때 낮은 RMSE 값을 보이며 $C_L, C_D, L/D$ 를 높은 정확도로 예측한다. 물리적 제약 조건의 포함은 일반화 능력을 더욱 향상시킨다.
공력 개선: 최적화된 항공기 형상은 베이스라인 설계와 비교하여 항력 감소 및 양항비 향상으로 특징지어지는 측정 가능한 공력 효율 개선을 보여준다.
계산 이득: AI 통합은 최적화에 소요되는 계산 시간을 크게 단축한다. 전통적인 방법은 수천 번의 CFD 실행이 필요하지만, 대리 모델 기반 접근 방식은 최소한의 계산 오버헤드로 수천 개의 설계 후보를 평가할 수 있다. 이는 다음과 같은 효율성 개선 백분율로 정의된다:
$Efficiency(\%) = (T_{CFD} - T_{AI}) / T_{CFD} \times 100$

5. 의의 및 주장

본 논문은 이 연구가 자동화된 데이터 기반 항공우주 설계를 향한 중요한 진전임을 주장한다. 전통적인 CFD 기반 최적화의 계산 병목 현상과 순수 데이터 기반 모델의 물리적 불일치 문제를 극습함으로써, 제안된 프레임워크는 차세대 고속 항공기를 더욱 효율적으로 개발할 수 있는 경로를 제공한다.

저자들은 이 접근 방식이 공력 성능, 구조적 제약, 에너지 효율의 균형을 맞추는 것이 매우 중요한 미래 항공우주 애플리케이션에 특히 유효하다고 강조한다. 현재 연구는 정상 상태(steady-state) 외부 공력에 집중하고 있으나, 본 프레임워크는 더 포괄적인 다학제간 최적 설계(MDO) 시스템을 향한 기초적인 단계로 제시된다. 이러한 지능형 프레임키는 설계 주기를 단축하고, 개발 비용을 낮추며, 기존의 설계 방법론으로는 도달하기 어려운 혁신적인 항공기 형상을 가능하게 할 것임을 시사한다.

본 논문은 프레임워크의 유망함을 인정하면서도, 산업적 적용 가능성을 보장하기 위해 향후 연구에서 다학제적 현상(예: 공탄성 및 추진 시스템 상호작용), 고충실도 유동 시뮬레이션(LES/DES), 그리고 풍동 시험을 통한 실험적 검증 문제를 다루어야 한다고 겸허히 결론짓는다.