Optimization-Embedded Active Multi-Fidelity Surrogate Learning for Multi-Condition Airfoil Shape Optimization

Dit artikel presenteert een geoptimaliseerd, actief multi-fidelity surrogate-leerframework dat de kosten van hoge-resolutie CFD-simulaties voor meervoudige luchtvaartcondities aanzienlijk verlaagt terwijl het de nauwkeurigheid behoudt, wat resulteert in aanzienlijke verbeteringen in kruisefficiëntie en opstijglift.

De kern

Stel je voor dat je een vliegtuigvleugel moet ontwerpen die perfect is voor twee heel verschillende situaties: tijdens het vliegen op cruise (rustig en zuinig) én tijdens het opstijgen (krachtig en met veel lift).

In het verleden was dit een enorme klus. Om te weten of een nieuw ontwerp werkte, moesten ingenieurs duizenden keren dure en tijdverslindende computer-simulaties draaien. Het was alsof je een auto bouwt en elke keer dat je een wiel verandert, je de hele auto moet laten crashen tegen een muur om te zien of het nog veilig is.

De auteurs van dit paper, Isaac Robledo en zijn team, hebben een slimme manier bedacht om dit proces te versnellen en goedkoper te maken. Ze noemen hun methode "Actieve Multi-Fidelity Surrogate Learning". Dat klinkt ingewikkeld, maar het is eigenlijk een slimme mix van "snelle schattingen" en "precieze metingen".

Hier is hoe het werkt, vertaald in een verhaal:

1. De Twee Detectives: De Snelle en de Precieze

Stel je hebt twee detectives die een zaak moeten oplossen:

• Detective Snelt (XFOIL): Hij is supersnel en goedkoop. Hij kan in een seconde duizenden ontwerpen bekijken. Maar hij is niet altijd 100% betrouwbaar; hij maakt soms fouten, vooral bij complexe situaties (zoals als de luchtstroom gaat 'stremmen').
• Detective Precies (RANS/CFD): Hij is extreem nauwkeurig en ziet elk detail. Maar hij is traag en kostbaar. Hij kan maar een paar ontwerpen per dag checken.

De oude manier was: "Laat Precies alles controleren." Dat duurt eeuwen.
De nieuwe manier van dit team is: "Laat Snelt het meeste werk doen, maar vraag Precies om hulp op de momenten dat het echt nodig is."

2. De Slimme Leraar (Het Surrogaatmodel)

Het team gebruikt een slimme "leraar" (een wiskundig model) die leert van Detective Snelt.

• Eerst kijkt de leraar naar wat Snelt zegt.
• Maar de leraar is ook slim genoeg om te weten: "Hé, Snelt is hier niet zeker van. Hij maakt hier vaak fouten."
• Als de leraar merkt dat Snelt twijfelt (hoge onzekerheid), roept hij Directie Precies aan om die specifieke ontwerpen te controleren.
• De resultaten van Precies gebruikt de leraar om zichzelf te verbeteren. De volgende keer dat Snelt twijfelt, is de leraar al een stuk slimmer.

Dit noemen ze Actief Leren: het model vraagt actief om de dure informatie op de plekken waar het nodig is, in plaats van willekeurig te vragen.

3. De Dubbele Uitdaging: Vliegen en Opstijgen

Het moeilijke aan dit project is dat je vleugel twee dingen moet doen:

1. Cruise: Zo zuinig mogelijk zijn (veel lift, weinig weerstand).
2. Opstijgen: Veel lift genereren om zwaar op te kunnen komen.

De luchtstroom gedraagt zich heel anders bij deze twee situaties. Wat goed is voor opstijgen, kan slecht zijn voor cruise.
De slimme truc van dit team is dat ze twee aparte leraren hebben.

• Leraar A kijkt alleen naar de cruise-situatie.
• Leraar B kijkt alleen naar de opstijg-situatie.
  Als Snelt twijfelt over de cruise, vraagt Leraar A Precies om hulp. Als Precies al weet wat hij moet doen voor opstijgen, hoeft Leraar B Precies niet te storen. Dit bespaart enorm veel tijd.

4. De "Elite" Regel: Geen vals spel

In een evolutionair algoritme (waarbij de beste ontwerpen "kinderen" krijgen die iets beter zijn) is het gevaarlijk om te vertrouwen op de snelle, onnauwkeurige metingen. Stel je voor dat je een sportwedstrijd organiseert en je laat de snelste renners kiezen wie de volgende ronde mag doen, gebaseerd op een stopwatch die soms fout loopt. Dan win je met een vals record.

Om dit te voorkomen, hebben ze een Elite Regel bedacht:

• De "winnaars" van elke ronde (de elite) worden altijd door de dure, precieze detective gecontroleerd voordat ze de volgende ronde in mogen.
• Daarna wordt de hele lijst met scores opnieuw gecheckt door de verbeterde leraar.
• Dit zorgt ervoor dat niemand op basis van een oude, foutieve meting de wedstrijd wint.

Het Resultaat: Een Vleugel die Alles Kan

Na al dit slimme gedoe hebben ze een vleugel ontworpen die:

• 41% zuiniger is tijdens het vliegen (cruise).
• 20% meer lift geeft tijdens het opstijgen.

En het mooiste? Ze hebben maar een fractie van de dure, precieze simulaties nodig gehad. In plaats van 100% van de tijd dure rekenkracht te gebruiken, hebben ze die alleen ingezet op de momenten dat het echt nodig was.

Kort samengevat:
In plaats van elke auto te laten crashen om te zien of hij veilig is, laten ze een snel testmodel rijden. Als dat model twijfelt of de weg glad is, stoppen ze en doen ze een echte, dure crash-test. Door slim te kiezen wanneer ze die dure test doen, vinden ze sneller de perfecte auto, met minder kosten en minder tijd. Dit is precies wat ze hebben gedaan voor vliegtuigvleugels.

Technische samenvatting

Titel

Optimalisatie-geïntegreerde actieve multi-trouwheids surrogate learning voor multi-conditie profielvormoptimalisatie.

1. Probleemstelling

De automatische vormoptimalisatie van luchtvaartprofielen (airfoils) wordt vaak beperkt door de hoge rekenkosten van hoog-trouwheids Computational Fluid Dynamics (CFD) simulaties, zoals RANS (Reynolds-Averaged Navier-Stokes). Traditionele methoden die volledig vertrouwen op deze simulaties zijn vaak te duur voor complexe, multi-conditie optimalisatieproblemen. Aan de andere kant zijn goedkope, laag-trouwheids modellen (zoals XFOIL) snel, maar missen ze nauwkeurigheid, vooral in niet-lineaire regimes zoals bij stromingsafscheiding of bij het voorspellen van weerstand (drag).

Het specifieke probleem in dit onderzoek is het optimaliseren van een luchtvaartprofiel dat moet presteren onder twee verschillende vluchtcondities:

1. Kruisvlucht: Hoog rendement (L/D) bij een aanvalshoek ($\alpha$) van 2°.
2. Start: Maximale lift ($C_L$) bij een aanvalshoek van 10°.

De uitdaging ligt in het vinden van een geometrie die beide doelen optimaliseert zonder dat er duizenden dure RANS-simulaties nodig zijn, terwijl de nauwkeurigheid van de RANS-resultaten behouden blijft.

2. Methodologie

De auteurs stellen een nieuw raamwerk voor dat actieve multi-trouwheids surrogate learning combineert met een hybride genetisch algoritme (HyGO).

A. Geometrische Parametrisatie

• Er wordt gebruik gemaakt van de CST (Class-Shape Transformation) methode met 12 parameters (6 voor het bovenste oppervlak, 6 voor het onderste).
• Strikte geometrische validatiecriteria worden toegepast om niet-fysische vormen (zoals zelfkruisende oppervlakken) te filteren.

B. Multi-trouwheids Framework

• Laag-trouwheid (LF): XFOIL (visco-ineviscid panel methode) wordt gebruikt voor snelle, goedkope schattingen.
• Hoog-trouwheid (HF): OpenFOAM (RANS met $k-\omega$ SST turbulentiemodel) wordt gebruikt voor nauwkeurige, maar dure simulaties.
• Surrogaatmodel: In plaats van een traditioneel co-Kriging model, wordt een Gaussian Process Regression (GPR) model gebruikt dat een "transfer mapping" leert. Dit model voorspelt de HF-waarde op basis van de LF-waarde én de geometrische parameters ($\Theta$). Dit lost het probleem op dat verschillende vormen dezelfde LF-waarden kunnen hebben maar verschillende HF-gedragingen.

C. Actieve Leerstrategie (Uncertainty-Triggered)

• Het systeem gebruikt epistemische onzekerheid (voorspellende variantie) van het GPR-model om te beslissen wanneer een HF-simulatie nodig is.
• Een genormaliseerde onzekerheidsmetriek, de Coefficient of Variation (CV), wordt berekend. Als $CV > \kappa$ (een drempelwaarde), wordt het kandidaat-profiel verplicht onderworpen aan een dure RANS-simulatie.
• De drempelwaarden zijn per conditie verschillend:
  • $\alpha = 2^\circ$ (Kruisvlucht): $\kappa = 0.05$ (hoger, omdat XFOIL weerstand slecht voorspelt).
  • $\alpha = 10^\circ$ (Start): $\kappa = 0.02$ (lager, omdat XFOIL lift redelijk goed voorspelt).
• Decoupling: Er worden onafhankelijke surrogate modellen gebruikt voor elke vluchtconditie, waardoor optimalisatie per conditie kan worden verfijnd zonder overbodige HF-berekeningen.

D. Optimalisatie Algoritme (HyGO)

• Een hybride genetisch algoritme combineert globale zoektocht met lokale zoektocht (Downhill Simplex).
• Synchronisatie en Elite-validatie: Om te voorkomen dat de populatie evolueert op basis van verouderde surrogate-waarden, worden de beste individuen ("elites") altijd verplicht gevalideerd met HF. Na elke update van het surrogate-model wordt de hele populatie opnieuw geëvalueerd om "drift" te voorkomen.
• Diversiteit: Er wordt een minimale afstand tussen elites gehandhaafd om te voorkomen dat de zoektocht te snel convergeert naar één lokaal minimum.

3. Belangrijkste Resultaten

De methode werd getest op een Re = $6 \times 10^6$ en leverde de volgende resultaten op:

• Prestatieverbetering:
  • Startlift ($C_L$ bij 10°): Toename van 20,75% ten opzichte van het beste individu uit de eerste generatie.
  • Kruisrendement ($L/D$ bij 2°): Toename van 41,05%.
• Efficiëntie:
  • Van de 1042 geëvalueerde individuen vereiste slechts 14,78% (voor kruisvlucht) en 9,5% (voor start) een RANS-simulatie.
  • Dit resulteert in een enorme besparing: ongeveer 9.680 core-uur in plaats van de geschatte 83.360 core-uur voor een volledig HF-benadering.
• Convergentie: De beste oplossing werd gevonden in generatie 5, met stabilisatie tot generatie 15.
• Fysische Interpretatie:
  • De geoptimaliseerde vorm toont een sterk gekromd profiel (aft-loading) met een maximale dikte vooraan.
  • De drukverdeling ($C_p$) laat zien dat de optimalisatie de zuigkracht (suction) verspreidt en de drukherstel (recovery) in het achterste deel van het profiel verzacht, wat zorgt voor lage weerstand bij hoge lift.
  • Er is geen stromingsafscheiding waargenomen in de RANS-visuele analyses voor de optimale vorm.

4. Belangrijkste Bijdragen

1. Uncertainty-Driven Fidelity Selection: In plaats van een vast budget per iteratie, worden dure simulaties dynamisch toegewezen op basis van de lokale onzekerheid van het surrogate-model.
2. Decoupled Multi-Condition Architecture: Onafhankelijke surrogate-modellen per vluchtconditie maken efficiënte, multi-punt optimalisatie mogelijk zonder dat alle condities tegelijkertijd HF-validatie nodig hebben.
3. Synchronisatie in Evolutionaire Zoektocht: Een nieuw mechanisme voor elite-validatie en populatie-herevaluatie voorkomt dat de optimizer selecties maakt op basis van verouderde of onnauwkeurige surrogate-waarden.
4. Validatie van Transfer Learning: Het paper toont aan dat het koppelen van LF-data aan geometrische parameters via GPR de voorspellingsfouten (RMSRE) voor de cruciale weerstandsmetingen met een factor 7 verlaagt.

5. Betekenis en Conclusie

Dit onderzoek demonstreert dat het combineren van goedkope analytische modellen met gerichte, dure CFD-simulaties via actieve leerstrategieën een zeer effectieve manier is om complexe aerodynamische ontwerpen te optimaliseren. De methode slaagt erin om de rekenkosten drastisch te verlagen (tot minder dan 15% van de totale populatie) terwijl de nauwkeurigheid van RANS-niveau wordt behouden.

De aanpak is bijzonder relevant voor de luchtvaartindustrie, waar multi-disciplinaire en multi-conditie ontwerpen steeds vaker nodig zijn, maar waar de rekenkosten van traditionele CFD-methoden een knelpunt vormen. De resultaten tonen aan dat het mogelijk is om aanzienlijke prestatieverbeteringen te boeken (zowel in lift als in rendement) door slimme, adaptieve surrogate-modellen te gebruiken in plaats van brute kracht.