HiLiftAeroML: High-Fidelity Computational Fluid Dynamics Dataset for High-Lift Aircraft Aerodynamics

Este artigo apresenta o HiLiftAeroML, o primeiro conjunto de dados de CFD de alta fidelidade de código aberto, que inclui 1.800 simulações LES aceleradas por GPU da geometria de alta sustentação CRM da NASA, projetado para acelerar o desenvolvimento de modelos substitutos de IA para aplicações aeroespaciais.

O essencial

Imagine que você está tentando ensinar um robô a pilotar um avião complexo. Para fazer isso, você precisa mostrar a ele milhares de exemplos de como o ar se move ao redor das asas, especialmente quando o avião está decolando ou pousando. Esses momentos são complicados porque o ar fica turbulento, girando e separando-se das asas de maneiras caóticas.

Por muito tempo, os cientistas usaram duas principais formas de estudar isso:

1. Túneis de Vento: Construir modelos físicos e soprar ar real neles. Isso é preciso, mas incrivelmente caro e lento.
2. Simulações Computacionais (CFD): Usar matemática para prever o ar. O método padrão é rápido, mas frequentemente erra as partes complicadas, como uma foto desfocada. Existe um método melhor que tira fotos em alta definição do ar, mas geralmente leva semanas a supercomputadores para gerar apenas uma imagem.

O Problema: Para treinar uma IA inteligente (um "modelo substituto") para prever esses fluxos de ar turbulentos instantaneamente, você precisa de uma biblioteca massiva dessas imagens em alta definição. Mas, até agora, essa biblioteca não existia para aviões complexos.

A Solução: HiLiftAeroML
Este artigo apresenta o HiLiftAeroML, uma biblioteca massiva, gratuita e de código aberto com 1.800 "instantâneos" em alta definição de ar fluindo ao redor de um tipo específico de avião (o Modelo de Pesquisa Comum da NASA).

Veja como eles a construíram, usando algumas analogias simples:

1. O Avião: Um Kit de Lego que Muda de Forma

Os pesquisadores não usaram apenas um avião. Eles usaram uma versão digital do "Modelo de Pesquisa Comum" (CRM) da NASA, que é como um avião de Lego padrão usado por cientistas em todo o mundo.

• O Twist: Eles fizeram as peças de Lego se moverem. Criaram 180 versões diferentes deste avião, alterando os ângulos dos flaps e slats (as pequenas asas na frente e atrás que saem durante a decolagem e a aterrissagem).
• O Clima: Para cada uma dessas 180 formas, eles simularam o ar batendo no avião em 10 ângulos diferentes (desde uma aproximação suave até uma subida íngreme).
• O Resultado: 1.800 cenários únicos (180 formas × 10 ângulos).

2. A Câmera: Uma Lente Super-Nítida

A maioria das simulações computacionais usa uma lente "desfocada" (chamada RANS) que média o caos. É como assistir a um jogo de esportes através de uma janela embaçada; você vê os jogadores se movendo, mas perde os giros e colisões individuais.

Para este conjunto de dados, os autores usaram uma Simulação de Grandes Vórtices com Modelagem de Parede (WMLES).

• A Analogia: Pense nisso como uma câmera 4K em câmera lenta que captura cada redemoinho e turbilhão do ar.
• O Custo: Essa "câmera" é tão poderosa que requer uma grade de 300 a 500 milhões de células minúsculas (pixels) apenas para cobrir o avião. Para colocar isso em perspectiva, uma simulação padrão pode usar 10 milhões de células. É como fazer um upgrade de uma TV de definição padrão para uma tela massiva em ultra-alta definição.
• O Hardware: Eles executaram essas simulações em GPUs da NVIDIA (os mesmos chips poderosos usados para jogos e IA), que atuaram como uma frota de câmeras super-rápidas capturando essas imagens.

3. A Biblioteca: Gratuita para Todos

Os autores não guardaram esses 1.800 instantâneos em alta definição para si mesmos. Eles colocaram toda a biblioteca na internet (HuggingFace) para que qualquer pessoa possa baixar gratuitamente.

• O que há dentro: Você recebe a forma 3D do avião, as forças médias "desfocadas" (sustentação e arrasto) e os dados detalhados em "alta definição" da pressão e velocidade do ar dentro e ao redor do avião.
• O Objetivo: Eles querem que pesquisadores de IA usem esta biblioteca para treinar seus próprios "robôs de voo". Assim que uma IA aprender com esses 1.800 exemplos perfeitos, ela deverá ser capaz de prever como o ar se comporta em novos projetos de aviões em uma fração de segundo, sem precisar executar novamente a simulação cara e lenta.

4. Funcionou? (A Verificação de Qualidade)

Antes de lançar a biblioteca, os autores verificaram seu trabalho contra experimentos reais em túnel de vento.

• O Teste: Eles compararam suas "fotos" computacionais de uma configuração específica de pouso com fotos reais tiradas em um túnel de vento.
• O Resultado: Sua simulação em alta definição combinou muito bem com os dados do mundo real, especialmente nas partes complicadas como "arrasto" (resistência do ar) e "momento de arfagem" (como o nariz quer inclinar). Isso prova que sua "câmera" era nítida o suficiente para capturar a física real.

Resumo

Em resumo, os autores construíram a primeira biblioteca "em alta definição" de aerodinâmica de aviões para cenários de decolagem e pouso. Eles usaram os métodos computacionais mais avançados, caros e precisos disponíveis para gerar 1.800 exemplos. Ao tornar esses dados gratuitos, eles esperam ajudar engenheiros e desenvolvedores de IA a criar ferramentas mais inteligentes e rápidas para projetar aviões mais seguros e eficientes no futuro.

O que o artigo NÃO afirma:

• Não afirma que a IA já substituiu os túneis de vento (é uma ferramenta para ajudar, não uma substituição ainda).
• Não afirma ter resolvido a física de qualquer avião possível (foca neste modelo específico da NASA).
• Não afirma ter simulado condições de voo em escala real (os dados são baseados em condições de escala de túnel de vento).

Resumo técnico

Resumo Técnico: HiLiftAeroML

Enunciação do Problema
A otimização de sistemas de alta sustentação de aeronaves é crítica para a segurança e o desempenho operacional, particularmente durante a decolagem e a aterrissagem, onde ocorrem fluxos tridimensionais complexos, não estacionários, envolvendo separação maciça e dinâmica de vórtices. Historicamente, a indústria aeroespacial tem dependido de solvers CFD de Reynolds-Averaged Navier-Stokes (RANS) devido ao seu baixo custo computacional; no entanto, o RANS frequentemente falha em resolver a física inerente às configurações de alta sustentação, necessitando de contínua dependência de testes caros em túneis de vento físicos. Embora métodos de alta fidelidade que resolvem escalas, como a Simulação de Grandes Vórtices com Modelo de Parede (WMLES), ofereçam precisão superior, seu ônus computacional (frequentemente exigindo uma ordem de magnitude mais recursos do que o RANS) torna-os proibitivamente caros para as milhares de simulações necessárias para a exploração de projetos.

Concomitantemente, o campo da Inteligência Artificial (IA) está voltando-se cada vez mais para modelos substitutos (surrogate models) para acelerar ciclos de projeto. No entanto, o desenvolvimento de substitutos de IA robustos para a área aeroespacial é impedido pela falta de dados de treinamento de alta fidelidade de código aberto. Conjuntos de dados públicos existentes estão quase exclusivamente limitados a simulações RANS de condições de cruzeiro ou geometrias simplificadas, falhando em abordar o regime de alta sustentação onde a física complexa de separação domina.

Metodologia
Para abordar essa lacuna de dados, os autores geraram o conjunto de dados HiLiftAeroML, compreendendo 1.800 amostras de CFD de alta fidelidade. A metodologia envolveu os seguintes componentes-chave:

• Geometria: O conjunto de dados é baseado na geometria do Modelo de Pesquisa Comum da NASA para Alta Sustentação (CRM-HL). Diferentemente de workshops anteriores que utilizaram modelos específicos de túnel de vento, este trabalho utilizou uma geometria de referência teórica com características mecânicas definidas parametricamente (suportes de slat, carenagens) para desacoplar a simulação das restrições de hardware físico.
• Variação Paramétrica: O conjunto de dados cobre 180 variantes de geometria únicas geradas via Amostragem Hipercúbica Latina. Essas variantes manipulam oito parâmetros independentes: deflexão e folga do slat interno/externo, e deflexão e folga do flap interno/externo. Cada geometria foi simulada em 10 Ângulos de Ataque (AoA) variando de 4° a 22° em incrementos de 2° para capturar regimes pré e pós-stall.
• Solver e Física: As simulações foram realizadas utilizando o solver de fluxo Fidelity Charles, um solver explícito, de volume finito não estruturado para as equações de Navier-Stokes compressíveis. O estudo empregou uma abordagem de Simulação de Grandes Vórtices com Modelo de Parede (WMLES) com um modelo de escala sub-grade Smagorinsky dinâmico e um modelo de parede de equilíbrio. Esta abordagem resolve vórtices de grande escala enquanto modela interações sub-grade, oferecendo fidelidade superior ao RANS para fluxos separados.
• Malha e Adaptação: O domínio foi discretizado utilizando o Fidelity Stitch, um gerador de malha não estruturada baseado em Voronoi. Um algoritmo de adaptação de solução foi empregado para refinar a grade com base em características do fluxo, resultando em malhas contendo entre 300 milhões e 500 milhões de volumes de controle.
• Processamento de Dados: A média temporal foi realizada após a purga de transientes iniciais. As simulações para AoA ≤ 12° foram executadas por 15 Unidades de Tempo Convectivo (CTUs), enquanto os casos de maior AoA (≥ 12°) foram executados por 30–200 CTUs para garantir convergência estatística. Os dados volumétricos brutos foram exportados em formato Octree para gerenciar tamanhos de arquivo enquanto preservavam a precisão.

Contribuições Principais

1. Primeiro Conjunto de Dados de Alta Fidelidade para Alta Sustentação de Código Aberto: O HiLiftAeroML é o primeiro conjunto de dados de código aberto dedicado à aerodinâmica de alta sustentação utilizando simulações WMLES de aeronave completa. Ele fornece 1.800 amostras incluindo geometrias, variáveis de volume e superfície médias temporais, e forças integrais.
2. Resolução de Alta Fidelidade: O conjunto de dados utiliza grades adaptadas à solução (300M–500M células) e WMLES, garantindo a precisão mais alta possível para as porções do envelope de voo onde o RANS é conhecido por ter dificuldades.
3. Espaço Paramétrico Abrangente: O conjunto de dados cobre uma ampla gama de perturbações geométricas (deflexões e folgas de slat/flap) e condições de fluxo (AoA 4°–22°), incluindo explicitamente regimes de deep-stall e separação maciça.
4. Estrutura de Referência (Benchmarking): Os autores fornecem divisões determinísticas de treinamento, validação e teste projetadas para avaliar capacidades específicas de aprendizado de máquina, incluindo eficiência de dados, generalização para geometrias não vistas e extrapolação fora da distribuição (OOD) através de ângulos de ataque e configurações de deflexão.

Resultados e Validação
O conjunto de dados foi validado contra dados experimentais de túnel de vento (Mouton et al., 2024) para a configuração LDG-HV.

• Previsão de Forças: Os resultados do WMLES na grade adaptada mostraram concordância razoável com os coeficientes experimentais de sustentação, arrasto e momento de arfagem. Notavelmente, a adaptação da grade levou a melhorias significativas nas previsões de arrasto e momento de arfagem em comparação com a grade de base.
• Física do Fluxo: Comparações qualitativas de padrões de fluxo próximos à superfície (por exemplo, em AoA = 18°) demonstraram que as simulações capturaram corretamente padrões de separação em forma de cunha na parte externa e a separação do fluxo nos flaps, correspondendo às visualizações experimentais de filme de óleo.
• Diversidade do Conjunto de Dados: A análise do conjunto de dados revelou que, enquanto os coeficientes de sustentação em baixos AoA são impulsionados principalmente pela deflexão do flap, a sensibilidade desloca-se para a deflexão do slat em altos AoA (próximo ao stall), refletindo o comportamento aerodinâmico complexo e não linear do regime de alta sustentação.

Significado e Alegações
O artigo posiciona o HiLiftAeroML como um recurso crítico para acelerar a pesquisa e o desenvolvimento de modelos substitutos de IA dentro da indústria aeroespacial. Ao fornecer acesso a regimes de alta sustentação "difíceis de simular" com dados de alta fidelidade, os autores visam:

• Permitir o treinamento de arquiteturas de ML em física de fluxo não estacionário industrialmente relevante que atualmente é pouco explorada.
• Permitir que engenheiros filtrem rapidamente milhares de projetos, isolando candidatos promissores para validação rigorosa.
• Servir como referência para o 6º Workshop de Previsão de Alta Sustentação da AIAA e para a comunidade mais ampla avaliar abordagens de ML contra CFD de alta fidelidade.

Os autores mantêm um tom modesto em relação às limitações do conjunto de dados, reconhecendo que as simulações estão na escala de túnel de vento (número de Reynolds $1,6 \times 10^6$) em vez da escala de voo completo, e que o fluxo é modelado como totalmente turbulento sem transição laminar-turbulenta explícita. No entanto, o conjunto de dados representa um passo significativo em direção a fechar a lacuna entre a física de alta fidelidade e ciclos de projeto rápidos impulsionados por IA.