A Bayesian latent Gaussian process framework for aerodynamic uncertainty quantification

Resumo Técnico: Uma Estrutura de Processo Gaussiano Latente Bayesiano para Quantificação de Incerteza Aerodinâmica

Declaração do Problema
A previsão do desempenho aerodinâmico (coeficientes de sustentação, arrasto e momento) é dificultada pelo viés inerente aos modelos computacionais e pelo custo proibitivo de simulações diretas de alta fidelidade. Uma solução pragmática envolve a calibração de previsões computacionais de baixa fidelidade contra medições experimentais esparsas. No entanto, essa calibração é complicada pela presença de incerteza tanto nos inputs de controle (ex: ângulo de ataque, ângulo do flap, número de Reynolds) quanto nas respostas aerodinâmicas medidas. Essas incertezas são frequentemente epistêmicas, representadas como intervalos em vez de valores precisos. O desafio específico abordado neste trabalho é o Segundo Problema de Quantificação de Incerteza (UQ) da AIAA para Aerodinâmica. Os participantes recebem dados "verdade" esparsos contendo limites de incerteza epistêmica para inputs e outputs em sete condições operacionais e devem prever a incerteza nos coeficientes aerodinâmicos em quatro condições operacionais não observadas.

Metodologia
Os autores propõem uma estrutura de substituto (surrogate) Bayesiano de três etapas que integra regressão de Processo Gaussiano (GP) com modelagem de variáveis latentes e calibração de distribuição:

1. Construção de Substituto de Baixa Fidelidade: Um modelo substituto GP ($f_X$) é treinado em 100 amostras de Hipercubo Latino geradas pelo XFOIL, uma ferramenta de análise aerodinâmica leve. Este modelo aproxima a resposta de baixa fidelidade dos coeficientes aerodinâmicos como uma função do ângulo de ataque, ângulo do flap e número de Reynolds.
2. GP Latente Bayesiano para Incerteza de Input: Para lidar com o fato de que os inputs físicos reais nas sete localizações dos dados de verdade são desconhecidos, mas residem dentro de intervalos epistêmicos específicos, os autores empregam uma abordagem de "GP latente". Em vez de fixar os inputs em centroides nominais, os inputs verdadeiros ($\tilde{x}_i$) são tratados como variáveis latentes restritas dentro de seus respectivos intervalos ($U_i$). Uma estimativa de Máxima Verossimilhança a Posteriori (MAP) é realizada para inferir as localizações mais prováveis desses inputs verdadeiros dentro dos limites, utilizando uma reparametrização logística para lidar com as restrições de caixa durante a otimização.
3. Calibração Distribuicional (Kennedy-O'Hagan com Restrições): Um segundo GP ($\delta$) é introduzido para modelar a discrepância entre o substituto XFOIL e os dados de verdade, seguindo a estrutura de Kennedy-O'Hagan (KOH). Diferente das implementações padrão de KOH que apenas combinam a média (centroide) dos dados de verdade, este trabalho introduz um passo de calibração distribuicional. Os intervalos dos dados de verdade são tratados como intervalos de credibilidade Gaussiana de 95%. O GP de discrepância é calibrado de modo que o modelo composto resultante ($g = f_X + \delta$) corresponda não apenas ao centroide dos dados de verdade, mas também à variância marginal implícita pelas larguras dos intervalos de verdade. Isso garante que a distribuição preditiva a posteriori nos pontos de calibração possua uma média e variância consistentes com os limites epistêmicos fornecidos.
4. Propagação de Incerteza: Para os quatro pontos de predição não observados, que também possuem intervalos de incerteza de input, o método propaga essa incerteza através do GP calibrado. Isso envolve a marginalização da distribuição preditiva sobre a incerteza de input usando amostragem de Monte Carlo, gerando funções de densidade de probabilidade (PDF) e funções de distribuição cumulativa (CDF) empíricas para os coeficientes.

Principais Contribuições
O artigo descreve quatro contribuições primárias:

• Modelo de Correção Aditiva: Construção de um modelo estilo KOH onde um GP representa a resposta do XFOIL e um segundo GP representa a discrepância aditiva.
• Formulação de Input Latente: Integração de intervalos de input epistêmicos via um GP de input latente, permitindo a inferência de inputs verdadeiros desconhecidos dentro de seus limites prescritos, em vez de assumir centroides fixos.
• Calibração Distribuicional: Um passo de calibração inovador que utiliza intervalos de verdade para restringir tanto a média a posteriori quanto a variância marginal preditiva do GP corrigido, indo além da simples correção de média.
• Validação e Reprodutibilidade: Demonstração das capacidades de UQ preditiva do método contra estimativas de verdade e a liberação aberta da implementação do software.

Resultos
O modelo substituto calibrado foi validado contra os quatro pontos de predição retidos. Os resultados foram comparados contra os intervalos de "verdade" fornecidos pelos organizadores do desafio, tratados como limites de confiança de 95%.

• Desempenho de Calibração Distribuicional: O modelo proposto com calibração distribuicional demonstrou alta precisão. Em todas as quatro localizações de predição e três coeficientes aerodinâmicos ($C_l, C_d, C_m$), o modelo posicionou entre 94,2% e 95,8% de suas amostras preditivas dentro dos intervalos de verdade de 95% liberados. Além disso, as probabilidades cumulativas nos endpoints dos intervalos foram muito próximas dos níveis nominais de 0,025 e 0,975.
• Comparação de Calibração de Primeiro Momento: Uma abordagem de linha de base usando apenas calibração de primeiro momento (centroide) apresentou desempenho significativamente inferior. Esses modelos frequentemente produziram distribuições que estavam deslocadas, excessivamente concentradas, ou ambos. A fração de amostras caindo dentro dos intervalos de verdade variou drasticamente de 11% a 100%, indicando uma falha em capturar uniformemente a incerteza epistêmica.
• Extrapolação: O método manteve um desempenho robusto mesmo no ponto operacional mais extrapolativo ($\alpha = 7^\circ, \beta_{flap} = 15^\circ$), onde os dados de calibração estão mais distantes da localização de predição.

Significância e Alegações
Os autores alegam que a principal significância deste trabalho reside em demonstrar que combinar o centro dos dados de verdade é insuficiente para uma quantificação de incerteza aerodinâmica confiável. O passo de "calibração distribuicional" é essencial para propagar corretamente a incerteza epistêmica, garantindo que o modelo calibrado reflita não apenas o valor esperado, mas também a magnitude da incerteza. Ao tratar os intervalos de verdade como restrições para a distribuição preditiva completa, a estrutura produz limites de incerteza que são estatisticamente consistentes com os dados fornecidos, mesmo em regimes de dados esparsos e configurações de extrapolação. O trabalho sugere que esta abordagem fornece uma base rigorosa para a predição baseada em simulação crível no design e certificação de aeronaves.