[논문 리뷰] Application of Convolutional Neural Network to Predict Airfoil Lift Coefficient

Yao Zhang, Woongje Sung외 1명|arXiv (Cornell University)|2017. 12. 28.

Model Reduction and Neural Networks인용 수 16

한 줄 요약

이 논문은 다양한 기하학적 형상과 유동 조건(Mach 수, 레이놀즈 수, 공격각)에서의 날개단면의 항력 계수를 예측하기 위한 컨volutional 신경망(CNN) 아키텍처를 제안한다. 날개단면 형상을 2차원 이미지로 간주하고 CNN의 공간적 특징 추출 능력을 활용함으로써, 기존의 다층 퍼셉트론(MLP) 수준의 예측 정확도를 달성하며, 기하학적 표현 제약을 최소화한 항공역학 메타모델링에 있어 CNN의 타당성을 입증한다.

ABSTRACT

The adaptability of the convolutional neural network (CNN) technique for aerodynamic meta-modeling tasks is probed in this work. The primary objective is to develop suitable CNN architecture for variable flow conditions and object geometry, in addition to identifying a sufficient data preparation process. Multiple CNN structures were trained to learn the lift coefficients of the airfoils with a variety of shapes in multiple flow Mach numbers, Reynolds numbers, and diverse angles of attack. This is conducted to illustrate the concept of the technique. A multi-layered perceptron (MLP) is also used for the training sets. The MLP results are compared with that of the CNN results. The newly proposed meta-modeling concept has been found to be comparable with the MLP in learning capability; and more importantly, our CNN model exhibits a competitive prediction accuracy with minimal constraints in a geometric representation.

연구 동기 및 목표

• 변동하는 날개단면 기하 형상과 유동 조건을 포함한 항공역학 메타모델링 작업에 대해 컨volutional 신경망(CNN)의 적응 가능성에 대해 조사한다.
• Mach 수, 레이놀즈 수, 공격각과 같은 다양한 유동 매개변수를 처리할 수 있는 적절한 CNN 아키텍처를 설계한다.
• 날개단면 형상과 유동 영역 간의 강건한 훈련 및 일반화를 가능하게 하는 효과적인 데이터 준비 과정을 규명한다.
• 제안된 CNN 모델의 예측 정확도를 기존의 다층 퍼셉트론(MLP)과 비교한다.
• 기존의 기계학습 모델과 비교하여 CNN의 일반화 능력과 예측 정확도가 항공역학적 응용 분야에서 어떻게 작용하는지 평가한다.

제안 방법

• 날개단면 형상을 2차원 픽셀 기반 이미지로 표현하여 CNN 아키텍처에 입력 가능하게 한다.
• 다양한 유동 조건(Mach 수, 레이놀즈 수, 공격각)에서의 날개단면 형상 데이터셋을 기반으로 다수의 CNN 아키텍처를 훈련시킨다.
• CNN 모델은 날개단면 이미지에서 계층적인 공간적 특징을 학습하여 항력 계수를 예측한다.
• 비교적 성능 평가를 위해 동일한 데이터셋을 기반으로 다층 퍼셉트론(MLP)을 훈련시킨다.
• 훈련 안정성과 수렴성을 향상시키기 위해 입력 특징과 목표 출력의 정규화 및 표준화를 포함한 데이터 전처리를 수행한다.
• 표준 회귀 평가 지표를 사용하여 모델 성능을 평가하며, CNN과 MLP의 예측 정확도 간 비교를 수행한다.

실험 결과

연구 질문

• RQ1 컨volutional 신경망(CNN)은 다양한 날개단면 기하 형상과 유동 조건에서 항력 계수를 효과적으로 예측할 수 있는가?
• RQ2 동일한 항공역학 데이터셋에서 CNN의 예측 정확도는 다층 퍼셉트론(MLP)과 비교해 어떻게 다른가?
• RQ3 이미지 기반 기하 표현 방식이 CNN의 다양한 날개단면 형상에 대한 일반화 능력에 미치는 영향은 무엇인가?
• RQ4 CNN 기반 항공역학 메타모델링에서 고성능 훈련을 가능하게 하는 데 가장 효과적인 데이터 준비 기법은 무엇인가?
• RQ5 예측 정확도를 유지하면서 CNN이 기하 표현 제약을 얼마나 줄일 수 있는가?

주요 결과

• 제안된 CNN 모델은 테스트 범위 내의 다양한 날개단면 형상과 유동 조건에서 다층 퍼셉트론(MLP)과 비교해 유사한 예측 정확도를 달성한다.
• CNN은 명시적인 기하 매개변수화 없이도 이미지 기반 날개단면 표현에서 공간적 특징을 효과적으로 학습함으로써 강력한 일반화 능력을 보였다.
• 모델는 수동적인 특징 추출이나 매개변수 설계가 필요 없이 직접 2차원 날개단면 이미지를 처리함으로써 기하 표현에 대한 제약이 극히 적다.
• 정규화 및 입력 스케일링을 포함한 데이터 준비 과정은 CNN과 MLP 양 모델의 훈련 안정성과 수렴성 향상에 크게 기여하였다.
• 복잡한 비선형 관계를 효과적으로 포착함으로써, 다양한 유동 영역에서 날개단면 형상과 항력 계수 간의 관계를 기존 방법보다 뛰어나게 반영하였다.
• 결과적으로, 이 연구는 계산 유체역학에서 다층 퍼셉트론(MLP)의 대안으로 CNN을 사용하는 것이 실현 가능하다는 것을 확인하였다.