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

Este artigo apresenta um método de otimização de forma de perfis aerodinâmicos sob múltiplas condições que integra modelagem substituta ativa multi-fidelidade com um algoritmo genético híbrido, utilizando simulações XFOIL de baixa fidelidade e amostragem adaptativa de CFD de alta fidelidade para reduzir drasticamente o custo computacional enquanto mantém a precisão e melhora significativamente a eficiência de cruzeiro e a sustentação de decolagem.

O essencial

Imagine que você é um arquiteto de aviação tentando desenhar a asa perfeita para um novo avião. O seu objetivo é duplo: a asa precisa ser super eficiente quando o avião está voando alto e rápido (como um carro de Fórmula 1 na reta) e também precisa gerar muita sustentação quando o avião está decolando (como um carro de corrida subindo uma ladeira íngreme).

O problema é que testar cada ideia de asa é extremamente caro e demorado.

• O "Teste Rápido" (Baixa Fidelidade): Você tem um simulador de computador rápido e barato (chamado XFOIL). Ele é como um "esboço" ou um "rascunho". Ele te dá uma ideia geral de como a asa vai se comportar, mas às vezes erra feio, especialmente em situações complexas.
• O "Teste Real" (Alta Fidelidade): Você tem um supercomputador que roda simulações físicas extremamente precisas (chamado RANS). É como construir um protótipo real e testá-lo em um túnel de vento. É super preciso, mas custa uma fortuna em tempo de processamento. Se você testasse todas as suas ideias com esse método, o projeto nunca acabaria.

A Grande Ideia: O "Estagiário Inteligente"

Os autores deste artigo criaram um sistema inteligente que mistura esses dois mundos. Eles chamam isso de "Aprendizado de Superfície Ativa Multi-Fidelidade".

Pense no sistema como um Estagiário Inteligente que trabalha para você:

1. O Rascunho (O Estagiário): O sistema começa gerando milhares de ideias de asas e usando o simulador rápido (XFOIL) para avaliá-las. O estagiário é rápido, mas às vezes alucina.
2. O Chefe (O Supercomputador): O sistema não confia cegamente no estagiário. Ele tem um "detector de mentiras" baseado em incerteza.
   • Se o estagiário diz: "Essa asa é ótima!", mas o sistema percebe que o estagiário está inseguro (a incerteza é alta), ele acorda o Chefe (o supercomputador) para fazer o teste real naquela asa específica.
   • Se o estagiário está confiante e a asa parece boa, o sistema continua usando o rascunho barato.
3. Aprendizado Contínuo: Cada vez que o Chefe testa uma asa, ele ensina algo novo ao Estagiário. O Estagiário atualiza seu conhecimento e fica cada vez mais preciso, corrigindo seus erros anteriores.

O Segredo do Sucesso: "Não Confie, Verifique"

O que torna esse método especial é como eles lidam com os "melhores candidatos" (as melhores asas encontradas até agora).

Em muitos sistemas, você pode escolher uma asa como a "campeã" baseada apenas no rascunho do estagiário. Mas se o estagiário estava mentindo (por causa de um erro de cálculo), você estaria otimizando algo que não funciona na vida real.

Neste novo método:

• Regra de Ouro: Antes de qualquer asa ser escolhida como a "campeã" para a próxima rodada de testes, ela obrigatoriamente passa pelo teste do Chefe (supercomputador).
• Sincronização: Se o Chefe descobre que o rascunho estava errado, ele corrige a nota da asa imediatamente. Isso impede que o sistema fique "alucinando" e perseguindo soluções que parecem boas no papel, mas são ruins na prática.

O Resultado: Uma Asa Mágica

Eles aplicaram isso para desenhar uma asa que funciona bem em duas situações:

1. Cruzeiro (Voando reto): Otimizaram para gastar menos combustível (eficiência).
2. Decolagem (Subindo rápido): Otimizaram para levantar peso (sustentação).

O que eles conseguiram?

• A nova asa ficou 41% mais eficiente no cruzeiro.
• A nova asa gerou 20% mais força de elevação na decolagem.
• O Pulo do Gato: Para conseguir isso, eles só precisaram usar o supercomputador caro em cerca de 10% a 15% dos testes. O restante foi feito com o simulador rápido e barato, mas com a garantia de que o supercomputador estava corrigindo os erros principais.

Analogia Final: O Chef de Cozinha

Imagine que você é um Chef tentando criar a receita perfeita de um bolo.

• Baixa Fidelidade: Você prova uma colherinha crua da massa. É rápido, mas não sabe exatamente como vai ficar assado.
• Alta Fidelidade: Você assa o bolo inteiro, prova e mede a textura. É perfeito, mas demora 1 hora e gasta ingredientes.

O método dos autores funciona assim:
Você mistura milhares de receitas na panela (simulação rápida). A cada passo, você pergunta: "Essa mistura tem cara de dar errado?". Se a resposta for "sim" (alta incerteza), você asse um bolo pequeno para testar (simulação cara).
Se o bolo assado provar que a mistura estava errada, você anota a correção no caderno de receitas.
No final, você tem a receita perfeita, mas só gastou tempo assando bolos inteiros nos momentos realmente críticos, economizando horas de forno e ingredientes.

Resumo: Eles criaram um "sistema de aprendizado" que usa testes baratos para explorar ideias e testes caros apenas quando necessário para corrigir erros, resultando em um design de asa muito melhor, muito mais rápido e muito mais barato do que os métodos tradicionais.

Resumo técnico

Título: Aprendizado de Substituição Ativa Multi-Fidelidade Incorporada à Otimização para Otimização de Forma de Perfis Aerodinâmicos em Múltiplas Condições

1. Problema e Motivação

A otimização de formas aerodinâmicas baseada em CFD (Computational Fluid Dynamics) de alta fidelidade (como simulações RANS) é computacionalmente proibitiva devido ao custo elevado de cada avaliação e à alta dimensionalidade do espaço de projeto.

• Desafio Principal: Equilibrar a precisão necessária (nível RANS) com o custo computacional viável, especialmente em problemas de otimização multi-condição (ex: cruzeiro e decolagem simultaneamente), onde as correlações entre modelos de baixa e alta fidelidade podem variar drasticamente entre diferentes regimes de voo.
• Limitação das Abordagens Atuais: Muitos métodos de surrogate (substituição) são estáticos (treinados offline) ou utilizam orçamentos fixos de alta fidelidade por iteração, o que pode levar a alocação ineficiente de recursos e falha em corrigir erros do modelo em regiões não exploradas ou regimes físicos distintos.

2. Metodologia Proposta

Os autores propõem um framework de otimização-embedded (incorporada à otimização) que integra modelagem de surrogate, quantificação de incerteza e busca evolutiva em um processo unificado.

A. Parametrização e Solvers

• Geometria: Utilização do método CST (Class-Shape Transformation) com 12 parâmetros (6 para a superfície superior, 6 para a inferior) para definir o perfil. Restrições geométricas rigorosas garantem a validade física (ex: espessura mínima no bordo de fuga, ausência de auto-interseção).
• Baixa Fidelidade (LF): Solver XFOIL (método de painéis acoplado a camada limite integral). É rápido, mas pode falhar em regimes de separação ou superestimar eficiência em certas condições.
• Alta Fidelidade (HF): Solver OpenFOAM (RANS incompressível com modelo de turbulência $k-\omega$ SST). Fornece a referência de verdade, mas é custoso.

B. Estratégia Multi-Fidelidade Ativa

• Modelo de Transferência: Em vez de um modelo co-Kriging hierárquico tradicional, o sistema aprende uma função de mapeamento não paramétrica (Gaussian Process Regression - GPR) que prediz a resposta de alta fidelidade ($\phi_{HF}$) baseada nas variáveis de projeto ($\Theta$) e na saída de baixa fidelidade ($\phi_{LF}$).
  • Fórmula: $\hat{\phi}_{HF}(\Theta, \alpha) = f_{GP}(\Theta, \phi_{LF}(\Theta, \alpha))$.
• Arquitetura Desacoplada: Modelos de surrogate independentes são treinados para cada condição de voo (ângulo de ataque) e coeficiente aerodinâmico. Isso permite limiares de incerteza específicos para cada cenário.
• Seleção Ativa de Fidelidade (Trigger de Incerteza):
  • O sistema calcula a Incerteza Epistêmica (variância preditiva) do GPR.
  • Uma métrica normalizada, o Coeficiente de Variação (CV), é usada. Se $CV > \kappa$ (limiar definido), a avaliação de alta fidelidade é acionada dinamicamente para aquele candidato específico.
  • Isso evita chamadas desnecessárias de RANS e foca o custo onde o modelo de baixa fidelidade é menos confiável.

C. Otimização e Sincronização

• Algoritmo: Utiliza o HyGO, um algoritmo genético híbrido que combina busca global com um método local (Downhill Simplex).
• Mecanismo de Elitismo Sincronizado:
  • Para evitar que a seleção evolutiva seja baseada em valores de aptidão (fitness) desatualizados após o retreinamento do surrogate, os indivíduos "élites" (top 3) são obrigatoriamente validados com o solver de alta fidelidade antes da próxima geração.
  • Após a atualização do modelo com novos dados HF, toda a população é reavaliada contra o novo surrogate. Indivíduos que agora violam o limiar de incerteza recebem uma "penalidade de morte" ($J = \infty$), removendo-os do pool reprodutivo e garantindo estabilidade.

3. Contribuições Principais

1. Estratégia Ativa Incorporada: Substituição de orçamentos fixos de alta fidelidade por uma seleção dinâmica baseada na incerteza local do surrogate, adaptando-se à trajetória do otimizador.
2. Desacoplamento Condicional: Arquitetura que permite o refinamento independente de modelos para diferentes condições de voo, reconhecendo que a correlação LF-HF varia entre regimes (ex: cruzeiro vs. decolagem).
3. Mecanismo de Sincronização: Introdução de validação obrigatória de elites e reavaliação da população para prevenir a deriva (drift) da seleção evolutiva causada por atualizações frequentes do modelo de surrogate.

4. Resultados e Desempenho

O método foi testado em um problema de dois pontos: Cruzeiro ($\alpha = 2^\circ$, maximizar $L/D$) e Decolagem ($\alpha = 10^\circ$, maximizar $C_L$) a $Re = 6 \times 10^6$.

• Melhoria de Desempenho:
  • Aumento de 20,75% no coeficiente de sustentação ($C_L$) na decolagem.
  • Aumento de 41,05% na eficiência aerodinâmica ($E = L/D$) no cruzeiro, em relação ao melhor indivíduo da primeira geração.
• Eficiência Computacional:
  • Apenas 14,78% dos indivíduos avaliados no cruzeiro e 9,5% na decolagem exigiram simulações RANS completas.
  • Redução massiva de custo: Uma estratégia puramente de alta fidelidade exigiria ~83.000 horas-núcleo, enquanto o método proposto consumiu ~9.680 horas-núcleo.
• Comportamento do Surrogate:
  • O erro relativo quadrático médio (RMSRE) para a eficiência no cruzeiro caiu de 0,64 (apenas XFOIL) para 0,09 (surrogate), uma melhoria de 7x.
  • Para a sustentação na decolagem, a correção foi menor (RMSRE de 0,06 para 0,01), pois o XFOIL já era mais preciso nesse regime.
• Análise Física:
  • A geometria otimizada apresentou um perfil altamente curvado (camber) com espessura moderada.
  • A otimização encontrou um compromisso (trade-off) onde a redistribuição da carga de pressão permitiu alta sustentação na decolagem sem penalizar excessivamente o arrasto no cruzeiro, mantendo o fluxo aderido (sem separação significativa).

5. Significância e Conclusão

Este trabalho demonstra que é possível realizar otimização aerodinâmica multi-condição complexa com um custo computacional drasticamente reduzido, sem sacrificar a precisão de nível RANS.

• Inovação Chave: A integração de "aprendizado ativo" diretamente no loop evolutivo, onde a incerteza do modelo dita a alocação de recursos computacionais, supera as limitações de métodos estáticos.
• Aplicabilidade: O framework é robusto para espaços de projeto grandes e fracamente restritos, oferecendo uma solução prática para indústrias aeroespaciais que necessitam de designs otimizados para múltiplos pontos de operação com recursos computacionais limitados.
• Futuro: Os autores planejam estender o método para hierarquias de fidelidade mais ricas, envelopes de voo mais amplos e configurações 3D multidisciplinares.