Machine-Learning Surrogates for Airfoil Pitching Moment: Accuracy, Extrapolation, and the Finite-Thickness Shift of the Aerodynamic Center

비행기가 하늘에서 안정적으로 비행하도록 유지하기 위해, 엔지니어들은 단순히 날개가 얼마나 많은 양력을 생성하는지 또는 얼마나 많은 항력을 만드는지를 아는 것 이상의 것을 이해해야 합니다. 그들은 또한 항공기의 기수를 위나 아래로 회전시키려는 뒤틀림 힘인 피칭 모멘트(pitching moment)를 계산해야 합니다. 이 힘은 비행기가 교란 후에 자연스럽게 수평 비행으로 돌아올 것인지, 아니면 통제 불능 상태로 굴러떨어질 것인지를 결정하는 핵심 요소입니다. 수십 년 동안 설계자들은 이 거동을 예측하기 위해 단순화된 수학적 규칙에 의존해 왔으며, 얇은 날개의 경우 이 뒤틀림 힘이 작용하는 지점이 날개 앞쪽 가장자리에서 1/4만큼 떨어진 특정 지점에 각도와 상관없이 고정되어 있다고 가정해 왔습니다. 그러나 실제 날개는 두께가 있으며, 현대 항공기 설계는 종종 느리고 복잡한 물리 계산을 더 빠른 머신러닝 모델로 대체하여 이를 시뮬레이션하는 컴퓨터 프로그램을 점점 더 많이 사용하고 있습니다. 문제는 이러한 스마트한 지름길이 한 번도 본 적 없는 조건들을 예측하도록 요구받았을 때 신뢰할 수 있는지 여부입니다.

버지니아 공대의 한 연구자는 물리 법칙이 완벽하게 알려진 통제된 환경을 사용하여 바로 이 점을 테스트하기로 했습니다. 숨겨진 오류가 있을 수 있는 풍동 데이터나 복잡한 유체 시뮬레이션에 의존하는 대신, 연구자는 표준적인 날개 형상 주변의 공기 흐름을 정밀하고 단순화된 컴퓨터 모델을 사용하여 방대한 데이터셋을 생성했습니다. 이 모델은 곡률, 두께, 받음각을 변화시키며 수백 가지의 서로 다른 날개 구성에 대한 뒤틀림 힘을 계산했습니다. 목표는 머신러닝 시스템, 구체적으로는 랜덤 포레스트(random forest)라고 불리는 알고리즘 유형이 날개의 형상과 뒤틀림 힘 사이의 관계를 학습하도록 하는 것이었습니다. 그 후 연구자는 이 디지털 학생이 새로운 날개 모양과 각도에 대해 힘을 정확하게 예측할 수 있는지, 그리고 결정적으로 자신이 맹목적으로 추측하고 있을 때 이를 신호로 알릴 수 있는지를 테스트했습니다.

첫 번째 발견은 머신러닝으로부터 나온 것이 아니라 컴퓨터 모델 자체에 대한 세심한 점검에서 나왔습니다. 연구자가 모델의 결과를 얇은 날개에 대한 고전 이론과 비교했을 때, 수치는 밀접하게 일치했지만 단순한 이론이 놓친 미묘하고 실제적인 효과가 나타났습니다. 연구는 실제 두께가 있는 날개의 경우, 뒤틀림 힘이 작용하는 지점이 1/4 지점에 고정되어 있지 않다는 것을 발견했습니다. 대신, 날개가 두꺼워질수록 이 회전 지점은 약간 뒤로 이동하여 날개의 앞쪽에서 멀어집니다. 날개 폭의 18%만큼 두꺼운 날개의 경우, 이 이동은 작지만 측정 가능하며, 회전 지점을 날개 폭의 약 16,000분의 1만큼 뒤로 이동시킵니다. 연구자가 이 이동을 고려하여 계산을 조정했을 때, 받음각의 변화로 인한 뒤틀림 힘의 변동은 극적으로 감소하여 거의 평탄해졌습니다. 이는 컴퓨터 모델이 실재하는 물리적 현실을 포착하고 있음을 확인시켜 주었습니다. 즉, 두꺼운 날개는 교과서에서 가르치는 이상적인 얇은 날개와는 약간 다르게 작동한다는 것입니다.

이러한 물리적 진리가 확립된 후, 연구자는 날개의 형상과 각도를 바탕으로 뒤틀림 힘을 예측하도록 머신러닝 모델을 훈련시켰습니다. 이미 본 데이터의 범위 내에서 모델은 거의 완벽한 정확도로 수행되었으며, 뒤틀림 힘은 거의 전적으로 날개의 곡률에 의해 결정되고 받음각이나 두께에는 거의 영향을 받지 않는다는 것을 학습했습니다. 이는 물리학적으로 곡선의 형태가 뒤틀림을 유발하는 동력이기 때문에 타당한 결과였습니다. 모델은 곡률 입력값이 가장 중요한 반면, 각도와 두께는 부차적인 요인임을 정확하게 식별했습니다. 그러나 진정한 시험은 모델이 학습 범위를 벗어난 결과를 예측하도록 요청받았을 때 찾아왔습니다.

모델이 이미 알고 있는 날개에 대해 새로운 받음각을 부여받았을 때, 모델은 해당 특정 각도를 본 적이 없음에도 불구하고 놀라울 정도로 정확성을 유지했습니다. 이는 뒤틀림 힘이 받음각에 대해 자연스럽게 매우 평탄하기 때문에, 모델의 기본 동작인 알고 있는 값에 가까운 값을 추측하는 것이 운 좋게도 정답이 되었기 때문입니다. 하지만 모델이 이전에 접해보지 못한 완전히 새로운 날개 모양(한 번도 마주치지 못한 곡선)에 대해 힘을 예측하도록 요청받았을 때, 정확도는 크게 떨어졌습니다. 모델은 특정 형태에 따라 뒤틀림 힘이 크게 달라지는데, 이를 안내할 데이터가 없었기 때문에 올바른 값을 추측하는 데 실패했습니다.

아마도 가장 드러나는 발견은 모델이 자신의 불확실성을 어떻게 신호하는지에 관한 것이었을 것입니다. 머신러닝 시스템은 알고리즘 내부의 수많은 작은 결정권자들로부터 나오는 다양한 답변의 퍼짐(spread)을 보여줌으로써 사용자에게 확신이 없을 때 경고를 보내려고 노력합니다. 이 연구에서 답변의 퍼짐은 모델이 알려진 날개에 대해 새로운 각도를 추측하든, 완전히 새로운 날개 모양을 추측하든 거의 동일하게 유지되었습니다. 모델은 자신이 실패하고 있을 때 아무런 경고를 주지 않았습니다. 모델은 새로운 모양에 대해 잘못된 추측을 하고 있음에도 불구하고 침묵하며 자신만만했습니다. 이는 대상 수치인 뒤틀림 힘이 입력 공간의 일부에서 자연스럽게 매우 안정적이기 때문에 발생했습니다. 실제 세계가 평탄할 때, 일정한 추측값을 반환하는 모델은 맹목적으로 외삽(extrapolating)하고 있을 때조차 성공적인 것처럼 보입니다.

연구는 이러한 머신러닝 지름길의 안전성이 모델이 무엇을 예측하려고 하는지, 그리고 그 수치가 어떻게 행동하는지에 전적으로 달려 있다고 결론짓습니다. 모델은 물리 법칙이 단순하고 평탄할 때 잘 작동하는 것처럼 보일 수 있으며, 이는 새로운 모양을 처리하지 못하는 능력을 은폐할 수 있습니다. 이 연구는 이러한 도구들이 강력하지만, 실패를 경고하는 능력은 보장되지 않는다는 것을 보여줍니다. 엔지니어들은 자신이 미지의 영역으로 발을 들여놓고 있는지 알기 위해 모델의 내부 신뢰 신호에 의존할 수 없습니다. 그들은 어떤 추측이 안전하고 어떤 것이 위험한지를 알기 위해 스스로 밑바닥의 물리학을 이해해야 합니다. 이 작업은 복잡한 비행의 세계에서 조용한 모델이 반드시 신뢰할 수 있는 모델은 아니라는 점을 상기시켜 줍니다.