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

Projetar uma asa de avião é uma batalha contra o invisível. Engenheiros precisam prever como o ar irá percorrer uma superfície curva, onde ele irá acelerar, onde irá desacelerar e exatamente onde poderá subitamente deixar de fluir suavemente. Por décadas, a principal ferramenta para este trabalho tem sido as simulações computacionais de alta fidelidade. Esses programas resolvem equações complexas para modelar a física do voo, permitindo que projetistas testem milhares de formas sem jamais construir um modelo físico. No entanto, essas simulações não são perfeitas. Elas dependem de aproximações e atalhos matemáticos que podem se afastar da realidade, especialmente nas zonas caóticas onde o ar se move à velocidade do som. Para corrigir isso, os engenheiros tradicionalmente recorrem a túneis de vento, onde sopram ar sobre asas de metal reais cobertas por sensores. Mas os testes em túnel de vento são incrivelmente caros, demorados e limitados a algumas condições específicas. Não se pode testar todas as velocidades ou ângulos possíveis em um túnel, deixando os engenheiros com uma lacuna entre o que o computador diz que acontecerá e o que o mundo físico realmente faz.

Este é o desafio que uma equipe de pesquisadores da Luminary AI abordou com uma nova abordagem que une a lacuna entre a previsão digital e a realidade física. Eles desenvolveram um método para pegar um poderoso modelo computacional treinado em vastas quantidades de dados de simulação e "ancorá-lo" suavemente usando uma pequena quantidade de dados experimentais do mundo real. Em vez de descartar o caro modelo computacional ou tentar realizar um teste completo de túnel de vento para cada cenário, eles utilizam um sistema de correção leve. Este sistema aprende as diferenças específicas entre as previsões do computador e as medições feitas no túnel de vento, aplicando então esse conhecimento para melhorar a precisão do modelo. O resultado é uma ferramenta híbrida que retém a velocidade e a ampla cobertura da simulação computacional, enquanto herda a verdade física do túnel de vento.

Os pesquisadores começaram com um modelo computacional sofisticado chamado de substituto (surrogate), que havia sido treinado em 2.300 simulações de alta fidelidade de uma configuração específica de asa de avião conhecida como NASA Common Research Model. Este modelo foi projetado para prever como a pressão do ar muda através da superfície da asa sob várias velocidades e ângulos. O modelo computacional era excelente em imitar as simulações nas quais foi treinado, reproduzindo as forças aerodinâmicas calculadas com precisão quase perfeita. No entanto, quando os pesquisadores compararam essas previsões com medições reais feitas em um túnel de vento, surgiu uma discrepância clara. O modelo computacional consistentemente errava o alvo em áreas específicas, particularmente onde a pressão do ar cai bruscamente na frente da asa e onde ela se recupera mais atrás. Estas são zonas críticas onde o ar pode formar ondas de choque, e mesmo pequenos erros aqui podem levar a erros significativos de cálculo sobre como o avião performa.

Para resolver isso sem reconstruir todo o modelo computacional do zero, a equipe introduziu um processo de duas etapas. Primeiro, eles mantiveram o modelo computacional original congelado, preservando todo o conhecimento aerodinâmico complexo que ele já havia aprendido. Segundo, eles adicionaram uma pequena rede de correção flexível. Este novo componente foi treinado usando dados de tinta sensível à pressão, uma técnica onde a asa é revestida com um material especial que muda de cor com base na pressão do ar, permitindo que os engenheiros vejam a distribuição de pressão por toda a superfície. A rede de correção aprendeu a identificar os erros sistemáticos nas previsções do modelo computacional e os ajustou para coincidir com as observações do túnel de vento. Crucialmente, este treinamento usou dados de apenas duas velocidades específicas e um punhado de ângulos de ataque, uma fração minúscula do total de possíveis condições de voo.

Os resultados mostraram que este método funcionou muito bem. Quando testado em condições de voo que a rede de correção nunca havia visto antes, o modelo ajustado previu a pressão do ar com um erro de menos de três por cento em toda a superfície da asa. Este nível de precisão foi muito superior ao simples ato de adivinhar a resposta através da média das medições próximas do túnel de vento. A correção foi particularmente eficaz em corrigir a localização das ondas de choque e a forma da recuperação de pressão, áreas onde o modelo computacional original tinha mais dificuldades. Os pesquisadores descobriram que o modelo agora podia capturar efeitos físicos que estavam ausentes na simulação pura, como deformações sutis na asa causadas pela força do ar ou variações em como o ar transita de um fluxo suave para um turbulento.

Este trabalho demonstra que é possível combinar o melhor dos dois mundos: a ampla e eficiente cobertura das simulações computacionais e a precisão física dos experimentos do mundo real. Ao usar uma pequena quantidade de dados experimentais para corrigir uma simulação de grande escala, os pesquisadores criaram uma ferramenta que é simultaneamente rápida e confiável. O método não exige o retreinamento de todo o modelo complexo, o que seria computacionalmente proibitivo, nem exige uma campanha massiva de túnel de vento. Em vez disso, utiliza uma correção direcionada para alinhar o gêmeo digital com a realidade física. Esta abordagem oferece um caminho prático para o design aeroespacial, permitindo que os engenheiros confiem mais profundamente em seus modelos computacionais enquanto dependem de menos testes físicos, porém mais estratégicos, para garantir que esses modelos reflitam o verdadeiro comportamento do voo.