항공 여행과 비행은 날개의 형태와 그 주변을 스쳐 지나가는 공기 사이의 섬세한 균형에 의존합니다. 날개가 완벽하게 매끄러울 때, 공기는 날개 위를 일정하고 예측 가능한 흐름으로 흘러가며 항공기를 공중에 떠 있게 하는 양력을 생성합니다. 그러나 이 매끄러운 표면이 날카로운 모서리나 경첩이 달린 플랩(flap)에 의해 방해를 받으면, 공기는 난류가 되어 날개에서 분리될 수 있으며, 이는 항력을 유발하고 효율성을 떨어뜨립니다. 이러한 문제는 드론이나 초소형 비행체(micro-air vehicles)와 같이 낮은 속도에서 운용되는 작은 비행 기계들에게 특히 심각한데, 이 속도 대역에서는 공기가 기체가 아닌 마치 끈적한 유체처럼 행동하기 때문입니다. 이러한 작은 기체들의 경우, 날개 위의 아주 작은 돌출부나 날카로운 모서리조차도 불균형적인 성능 저하를 일으켜 조기 실속(stall)이나 과도한 에너지 소비로 이어질 수 있습니다. 엔지니어들은 오랫동안 해결책을 찾아왔습니다. 바로 경첩을 이용한 딱딱한 부품에 의존하여 표면에 갑작스러운 단절을 만드는 대신, 새가 깃털을 조절하듯 매끄럽게 형태를 바꿀 수 있는 날개입니다.

이 아이디어를 탐구하기 위해 연구자들은 물리학의 법칙과 현대 컴퓨터 학습의 패턴 인식 능력을 결합한 새로운 접근 방식에 주목했습니다. 가능한 모든 날개 형태를 테스트하기 위해 수천 번의 비용스럽고 시간이 많이 소요되는 컴퓨터 시뮬레이션을 실행하는 대신, 그들은 스마트한 컴퓨터 모델이 다양한 설계가 어떻게 성능을 발휘할지 예측하도록 훈련시켰습니다. 목표는 날개의 형태를 변화시키는 두 가지 구체적인 방법을 비교하는 것이었습니다. 하나는 날카로운 모서리가 있는 전통적인 경첩형 플랩을 사용하는 방식이고, 다른 하나는 끊김 없이 매끄럽게 휘어지는 포물선형 또는 곡선형 표면을 사용하는 방식입니다. 연구진은 기계에게 공기 흐름의 물리학을 이해하도록 가르침으로써, 어떤 설계가 소형 항공기에 가장 좋은 비행 특성을 제공하는지 즉각적으로 예측할 수 있는 도구를 만들었습니다.

이 연구는 항공 분야에서 널리 사용되는 클래식한 디자인인 NACA 2412 기반의 특정 유형의 날개에 초점을 맞추었습니다. 연구진은 이 날개의 뒷부분, 즉 후연(trailing edge)이 수정될 때 어떻게 거동하는지 조사했습니다. 그들은 두 가지 뚜렷한 수정 방법을 테스트했습니다. 첫 번째 방법인 전통적인 플랩은 표준적인 경첩형 제어면을 모사합니다. 이는 날개의 단단한 부분과 후연을 직선으로 연결하여, 플랩이 시작되는 회전 지점에서 날카롭고 각진 단절을 만듭니다. 두 번째 방법인 포물선형 플랩은 수학적 곡선을 사용하여 날개의 형태를 재분배합니다. 이는 전방부터 후방까지 연속적이고 매끄러운 표면을 만들어, 날카로운 모서리를 완전히 제거합니다. 연구팀은 이 유연한 섹션의 세 가지 서로 다른 길이에 대해 테스트를 진행하여, 다양한 속도와 크기에서 공기가 물체 주변을 어떻게 흐르는지를 설명하는 값인 레이놀즈 수(Reynolds number)의 범위를 다루었습니다. 또한 그들은 날개가 바람을 마주하는 각도와 플랩의 편향 정도를 변화시켜, 가능한 비행 조건의 광범위한 영역을 생성했습니다.

예측 모델을 구축하기 위해 연구진은 먼저 ANSYS Fluent라는 강력한 컴퓨터 시뮬레이션 도구를 사용하여 방대한 데이터셋을 생성했습니다. 이 소프트웨어는 공기가 어떻게 움직이는지를 설명하는 복잡한 방정식들을 풀어내어, 팀이 날개에 작용하는 양력, 항력 및 기타 힘들을 계산할 수 있게 해줍니다. 이 시나리오들은 두 가지 플랩 유형, 세 가지 서로 다른 날개 길이, 그리고 다양한 비행 각도의 모든 조합을 포함하여 총 456개의 서로 다른 시나리오를 다루었습니다. 이렇게 고정밀 데이터를 수집한 후, 연구진은 날개의 형태와 성능 사이의 관계를 학습하기 위해 네 가지 유형의 머신러닝 모델을 훈련시켰습니다. 그들은 의사결정 나무(decision trees)처럼 작동하는 모델, 뇌의 연결층과 유사한 층을 통해 학습하는 모델, 그리고 자신의 예측에 대한 불확실성까지 추정할 수 있는 정교한 통계적 방법을 테스트했습니다. 가장 성공적인 모델은 단계별로 자신의 실수를 교정하며 학습하는 그래디언트 부스팅(gradient boosting) 시스템이었으며, 이는 결국 본 적 없는 조건에서도 날개가 어떻게 작동할지 매우 정확하게 예측할 수 있게 되었습니다.

이 훈련의 결과는 놀라웠습니다. 머신러닝 모델은 매끄러운 포물선형 플랩이 전통적인 경첩형 플랩보다 일관되게 우수한 성능을 보인다는 것을 학습했습니다. 테스트된 최상의 시나리오에서, 매끄러운 포물선형 설계는 184.6의 양항비(lift-to-drag ratio)를 달성했는데, 이는 전통적인 플랩이 동일한 조건에서 124.2를 기록한 것과 비교했을 때 훨씬 더 많은 양력을 생성하면서도 항력은 적게 발생시켰음을 의미합니다. 이는 효율성 측면에서 거의 50%에 가까운 개선을 나타냅니다. 또한 모델은 매끄러운 날개가 공기 흐름이 표면에서 분리되는 시점을 늦출 수 있음을 밝혀냈으며, 이를 통해 날개가 실속 없이 더 가파른 각도로 비행할 수 있게 합니다. 나아가, 매끄러운 설계는 훨씬 작은 편향 각도에서 최고 효율에 도달하여, 날개를 구부리는 기계적 부품의 움직임을 줄여주었습니다. 이는 엔지니어들에게 매우 중요한 발견으로, 매끄러운 날개가 모터와 경첩에 가해지는 스트레스를 줄여 잠재적으로 더 오래 지속되고 신뢰할 수 있는 항공기를 만들 수 있음을 시사합니다.

본 연구는 머신러닝 접근 방식 자체의 힘 또한 강조했습니다. 초기 컴퓨터 시뮬레이션이 456개의 데이터 포인트를 생성하는 데 수천 시간의 처리 시간을 소요한 반과 달리, 훈련된 머신러닝 모델은 어떤 새로운 날개 구성이라도 2초 미만 안에 성능을 예측할 수 있었습니다. 이 속도는 엔지니어들이 전통적인 시뮬레이션 방법만으로는 불가능한, 수백만 가지의 설계 가능성을 즉각적으로 탐색할 수 있게 해줍니다. 또한 모델은 공기 흐름이 날개에서 떨어져 나가기 시작하는 복잡한 영역에서 자신의 예측이 얼마나 불확실한지를 식별할 수 있었습니다. 이러한 불확실성을 표시하는 능력은 안전을 위해 필수적인데, 이는 설계자들에게 어느 부분에서 더 주의를 기울여야 하는지, 혹은 추가적인 테스트가 필요한 곳이 어디인지를 정확히 알려주기 때문입니다.

궁극적으로, 이번 연구는 날개의 형태가 변하는 방식이 형태 그 자체만큼 중요하다는 것을 확인시켜 줍니다. 전통적인 플랩의 날카롭고 각진 단절은 공기에 교란을 일으키지만, 매끄러운 포물선형 곡선은 이를 피합니다. 이러한 기하학적 불연속성을 제거함으로써, 포물선형 플랩은 공기가 더 자연스럽게 흐르게 하여 항력을 줄이고 양력을 향상시킵니다. 본 연구에서 개발된 머신러닝 프레임워크는 이러한 장점들을 빠르게 그리고 신뢰성 있게 발견할 수 있는 방법을 제공하며, 더 효율적이고 적응력이 뛰어난 차세대 비행체를 설계하기 위한 새로운 길을 제시합니다. 연구 결과는 저속에서 운용되는 소형 항공기의 경우, 포물선형 플랩의 매끄럽고 연속적인 변형이 단순히 이론적인 개선이 아니라 성능과 지속력을 극대화하기 위한 실질적인 필수 요소임을 시사합니다.