[論文レビュー] Improving aircraft performance using machine learning: a review

Soledad Le Clainche, Esteban Ferrer+4 more|arXiv (Cornell University)|Oct 20, 2022

Aerodynamics and Acoustics in Jet Flows被引用数 8

ひとこと要約

本レビューは、流体力学、空気力学、騒音学、燃焼、構造健全性モニタリングの分野における航空機性能向上のための機械学習（ML）分野の最新進展を統合的に要約している。MLはシミュレーションの効率を向上させ、低次元モデル化を可能にし、設計最適化を支援する。特に、物理則に基づくニューラルネットワークとデータ統合技術を用いることで、排出ガス、燃料消費量、開発期間の大幅な削減が達成された。

ABSTRACT

This review covers the new developments in machine learning (ML) that are impacting the multi-disciplinary area of aerospace engineering, including fundamental fluid dynamics (experimental and numerical), aerodynamics, acoustics, combustion and structural health monitoring. We review the state of the art, gathering the advantages and challenges of ML methods across different aerospace disciplines and provide our view on future opportunities. The basic concepts and the most relevant strategies for ML are presented together with the most relevant applications in aerospace engineering, revealing that ML is improving aircraft performance and that these techniques will have a large impact in the near future.

研究の動機と目的

• 先進技術を用いてCO2、NOx、騒音排出量を削減することで、持続可能な航空輸送に向けた急務な課題に対応する。
• 多分野にまたがる航空宇宙工学における機械学習の統合によって、従来の航空機設計およびシミュレーションの限界を克服する。
• 機械学習技術を用いて、計算流体力学（CFD）、低次元モデル（ROMs）、実験データ解析の効率性と正確性を向上させる。
• メンテナンスコストの低減と安全性の向上を目的として、より迅速かつ正確な設計最適化とリアルタイム構造健全性モニタリングを実現する。
• データ駆動型学習と物理的制約を統合した、より汎用性と頑健性に優れた物理則に基づくMLモデルの開発を推進する。

提案手法

• 高精度な流体および構造的データの低次元表現を学習するために、オートエンコーダーおよび物理則に基づくニューラルネットワークを含むニューラルネットワークを採用する。
• 特徴の正規直交性を保ちつつ、主要な流れ構造をCFDおよび実験データから抽出するため、適切な正規直交分解（POD）、カーネルPCA、オートエンコーダーなどの次元削減技術を適用する。
• スパarsityやノイズの多いデータから空気力学的係数、燃焼挙動、構造劣化を予測するために、回帰、分類、半教師あり学習を用いる。
• 高精度および低精度のシミュレーション、実験データを統合するデータ統合技術を用いて、多精度データを統合し、モデルの汎化性能を向上させるとともに、データ生成コストを削減する。
• リアルタイムでの最適なアクティブな流れ制御戦略の発見を目的として、深層強化学習およびガウス過程回帰を実装する。
• 機械学習と低次元モデル（ROMs）を統合することで、特に大渦シミュレーション（LES）および時間平均ナビエ＝ストークス方程式（RANS）モデルのCFDソルバーの高速化を実現する。

実験結果

リサーチクエスチョン

• RQ1 機械学習は、航空宇宙分野の計算流体力学（CFD）シミュレーションの正確性と効率性をどのように向上させ得るか？
• RQ2 物理則に基づくニューラルネットワークは、流体力学および構造健全性モニタリングのためのMLモデルの汎用性と解釈可能性をどのように向上させるか？
• RQ3 実験的および数値的多精度データの統合によるデータ統合は、MLモデルの性能向上とトレーニングコスト削減にどのような形で寄与するか？
• RQ4 MLベースの低次元モデルは、低抵抗・低排出ガスの次世代航空機の設計および最適化をどのように加速するか？
• RQ5 リアルタイムで抵抗低減および流れ剥離抑制を実現する最適な流れ制御戦略を発見するための、最も効果的なML技術は何か？

主な発見

• ACARE Flightpath 2050が定める基準に基づき、2050年までにNOx排出量が最大90％削減され、1人・キロあたりCO2排出量が75％削減され、騒音排出量が65％削減されることが示された。
• 物理則に基づくニューラルネットワークおよびオートエンコーダーは、流体力学および燃焼系における主要な流れ構造の捉え込みとモデルの複雑さ低減において優れた性能を示した。
• 高精度および低精度のシミュレーションと実験データの統合により、モデルの汎化性能が向上し、高精度データ収集の必要性が低減された。
• オートエンコーダーに基づく低次元モデルは、モードの正規直交性を保持するとともに、再構成寄与度に基づいてモードをランク付けし、効率的かつ正確な流れ場の近似を可能にした。
• 深層強化学習およびガウス過程回帰は、抵抗低減および流れ剥離抑制に効果的なリアルタイム流れ制御戦略の発見に有望であることが示された。
• MLベースの構造健全性モニタリングシステムは、疲労や損傷の兆候をより高い正確性で検出でき、予測保全を可能にし、ライフサイクルコストの低減に貢献した。