A Data Fusion Framework for Grounding Aerospace Surrogate Model via Experimental Wind-Tunnel Observations

Het ontwerpen van een vliegtuigvleugel is een strijd tegen het onzichtbare. Ingenieurs moeten voorspellen hoe lucht over een gebogen oppervlak zal stromen, waar het zal versnellen, waar het zal vertragen en precies waar de stroming plotseling abrupt kan stoppen. Decennialang is het primaire instrument voor dit werk hoogwaardige computersimulaties geweest. Deze programma's lossen complexe vergelijkingen op om de fysica van de vlucht te modelleren, waardoor ontwerpers duizenden vormen kunnen testen zonder ooit een fysiek model te bouwen. Deze simulaties zijn echter niet perfect. Ze vertrouwen op benaderingen en wiskundige verkortingen die kunnen afwijken van de werkelijkheid, vooral in de chaotische zones waar de lucht met de snelheid van het geluid beweegt. Om dit op te lossen, wenden ingenieurs zich traditioneel tot windtunnels, waar ze lucht over echte metalen vleugels blazen die bedekt zijn met sensoren. Maar windtunneltests zijn extreem duur, tijdrovend en beperkt tot een aantal specifieke condities. Men kan niet elke mogelijke snelheid of invalshoek in een tunnel testen, waardoor er een kloof ontstaat tussen wat de computer voorspelt en wat de fysieke wereld daadwerkelijk doet.

Dit is de uitdaging die een team onderzoekers bij Luminary AI heeft aangepakt met een nieuwe aanpak die de kloof tussen digitale voorspelling en de fysieke realiteit overbrugt. Ze hebben een methode ontwikkeld om een krachtig computermodel, getraind op enorme hoeveelheden simulatiedata, voorzichtig te "gronden" met een kleine hoeveelheid experimentele gegevens uit de echte wereld. In plaats van het dure computermodel weg te gooien of een volledige windtunneltest voor elk scenario uit te voeren, gebruiken ze een lichtgewicht correctiesysteem. Dit systeem leert de specifieke verschillen tussen de voorspellingen van de computer en de metingen uit de windtunnel en past die kennis toe om de nauwkeurigheid van het model te verbeteren. Het resultaat is een hybride hulpmiddel dat de snelheid en brede dekking van de computersimulatie behoudt, terwijl het de fysieke waarheid van de windtunnel overneemt.

De onderzoekers begonnen met een geavanceerd computermodel, een surrogaat, dat was getraind op 2.300 hoogwaardige simulaties van een specifieke vliegtuigvleugelconfiguratie, bekend als het NASA Common Research Model. Dit model was ontworpen om te voorspellen hoe de luchtdruk verandert over het oppervlak van de vleugel onder verschillende snelheden en hoeken. Het computermodel was uitstekend in het nabootsen van de simulaties waarop het was getraind, en reproduceerde de berekende aerodynamische krachten met bijna perfecte nauwkeurigheid. Toen de onderzoekers deze voorspellingen echter vergeleken met werkelijke metingen in een windtunnel, ontstond er een duidelijke discrepantie. Het computermodel miste consequent de plank in specifieke gebieden, met name waar de luchtdruk aan de voorkant van de vleugel scherp daalt en waar deze verder naar achteren weer herstelt. Dit zijn kritieke zones waar lucht schokgolven kan vormen, en zelfs kleine fouten hier kunnen leiden tot significante miscalculaties in hoe het vliegtuig presteert.

Om dit op te lossen zonder het hele computermodel vanaf nul opnieuw op te bouwen, introduceerde het team een tweestaps-proces. Ten eerste hielden ze het originele computermodel bevroren, waardoor alle complexe aerodynamische kennis die het al had geleerd, behouden bleef. Ten tweede voegden ze een klein, flexibel correctienetwerk toe. Dit nieuwe onderdeel werd getraind met behulp van data van drukgevoelige verf, een techniek waarbij de vleugel wordt gecoat met een speciaal materiaal dat van kleur verandert op basis van luchtdruk, waardoor ingenieurs de drukverdeling over het gehele oppervlak kunnen zien. Het correctienetwerk leerde de systematische fouten in de voorspellingen van het computermodel te herkennen en paste deze aan om overeen te komen met de waarnemingen in de windtunnel. Cruciaal was dat deze training gebruikmaakte van data van slechts twee specifieke snelheden en een handvol invalshoeken, een fractie van de totale mogelijke vluchtcondities.

De resultaten toonden aan dat deze methode opmerkelijk goed werkte. Wanneer de aangepaste versie werd getest op vluchtcondities die het correctienetwerk nog nooit eerder had gezien, voorspelde het model de luchtdruk met een fout van minder dan drie procent over het gehele oppervlak van de vleugel. Dit niveau van nauwkeurigheid was veel superieur aan simpelweg het antwoord raden door de nabijgelegen windtunnelmetingen te middelen. De correctie was bijzonder effectief bij het corrigeren van de locatie van schokgolven en de vorm van het drukherstel, gebieden waar het oorspronkelijke computermodel het meest moeite mee had. De onderzoekers ontdekten dat het model nu fysieke effecten kon vangen die ontbraken in de pure simulatie, zoals subtiele vervormingen van de vleugel veroorzaakt door de kracht van de lucht of variaties in hoe de lucht overgaat van een gladde naar een turbulente stroming.

Dit werk demonstreert dat het mogelijk is om het beste van beide werelden te combineren: de brede, efficiënte dekking van computersimulaties en de fysieke nauwkeurigheid van experimenten in de echte wereld. Door een kleine hoeveelheid experimentele data te gebruiken om een grootschalige simulatie te corrigeren, creëerden de onderzoekers een hulpmiddel dat zowel snel als betrouwbaar is. De methode vereist niet het opnieuw trainen van het gehele complexe model, wat computationeel onhaalbaar zou zijn, noch vereist het een massale windtunnelcampagne. In plaats daarvan gebruikt het een gerichte correctie om de digitale tweeling af te stemmen op de fysieke realiteit. Deze aanpak biedt een praktisch pad voorwaarts voor het ontwerp van de luchtvaart, waardoor ingenieurs hun computermodellen dieper kunnen vertrouwen terwijl ze minder, maar meer strategische fysieke tests nodig hebben om te garanderen dat die modellen de werkelijke werking van de vlucht weerspiegelen.