[논문 리뷰] Improving aircraft performance using machine learning: a review

Soledad Le Clainche, Esteban Ferrer외 4명|arXiv (Cornell University)|2022. 10. 20.

Aerodynamics and Acoustics in Jet Flows인용 수 8

한 줄 요약

이 리뷰는 유체역학, 항공역학, 항공소음, 연소 및 구조적 건강 모니터링 분야에서 항공기 성능 향상을 위한 기계학습(ML)의 최근 발전을 종합한다. ML이 시뮬레이션 효율성을 햖스하고 저차원 모델링을 가능하게 하며 설계 최적화를 지원함으로써 특히 물리 기반 신경망과 데이터 융합 기반으로 배기가스, 연료 소비량 및 개발 시간을 크게 감소시킨다.

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.

연구 동기 및 목표

• 고도화된 기술을 통해 CO2, NOx 및 소음 배출량을 줄임으로써 지속 가능한 항공 운항에 대한 긴급한 필요성을 해결한다.
• 기계학습을 다학제적 항공우주공학에 통합하여 기존 항공기 설계 및 시뮬레이션의 한계를 극복한다.
• 기계학습 기법을 활용해 계산유체역학(CFD), 저차원 모델(ROMs), 실험 데이터 분석의 효율성과 정확도를 향상시킨다.
• 유지보수 비용을 줄이고 안전성을 향상시키기 위해 더 빠르고 정확한 설계 최적화 및 실시간 구조적 건강 모니터링을 가능하게 한다.
• 더 높은 일반화 능력과 강건성을 확보하기 위해 데이터 기반 학습과 물리적 제약 조건을 융합한 물리 기반 기계학습 모델의 개발을 진전시킨다.

제안 방법

• 고정밀 유체 및 구조 데이터의 저차원 표현을 학습하기 위해 오토에인코드어 및 물리 기반 신경망을 포함한 신경망을 활용한다.
• 적절한 직교 분해(POD), 커널 PCA, 오토에인코드어와 같은 차원 감소 기법을 적용하여 CFD 및 실험 데이터에서 주요 유동 구조를 추출한다.
• 회귀, 분류 및 준지도 학습을 사용해 희소하거나 노이즈가 많은 데이터로부터 항공역학 계수, 연소 거동 및 구조적 열화를 예측한다.
• 다중 정밀도 데이터(고정밀 및 저정밀 시뮬레이션, 실험)를 데이터 융합 기법을 통해 통합하여 모델 일반화 능력을 향상시키고 데이터 생성 비용을 절감한다.
• 딥 강화학습 및 가우시안 프로세스 회귀를 구현하여 실시간에서 최적의 능동 유동 제어 전략을 탐색한다.
• 기계학습과 저차원 모델(ROMs)을 융합하여 CFD 솔버의 가속화를 도모하며, 특히 대규모 난류 시뮬레이션(LES) 및 레이놀즈 평균 나비에-스토크스(RANS) 모델에 초점을 맞춘다.

실험 결과

연구 질문

• RQ1 기계학습은 항공우주 분야의 계산유체역학(CFD) 시뮬레이션 정확도와 효율성을 어떻게 향상시킬 수 있는가?
• RQ2 물리 기반 신경망은 항공역학 및 구조 모니터링을 위한 기계학습 모델의 일반화 능력과 해석 가능성에 어떤 역할을 하는가?
• RQ3 다중 정밀도(실험 및 수치) 데이터 융합은 기계학습 모델 성능 향상과 학습 비용 절감에 어떻게 기여하는가?
• RQ4 기계학습 기반 저차원 모델은 저항과 배기가스를 줄인 차세대 항공기의 설계 및 최적화를 어떻게 가속화하는가?
• RQ5 실시간에서 저항과 난류 분리 억제를 위한 최적의 유동 제어 전략을 발견하는 데 가장 효과적인 기계학습 기법은 무엇인가?

주요 결과

• ACARE Flightpath 2050에 따라 2050년까지 기계학습이 NOx 배출량을 최대 90% 감소시키고, 승객당 킬로미터당 CO2 배출량을 75% 감소시키며, 소음 배출량을 65% 감소시킬 수 있다.
• 물리 기반 신경망과 오토에인코드어는 항공역학 및 연소 시스템에서 주요 유동 구조를 잘 포착하고 모델 복잡도를 감소시키는 데 뛰어난 성능을 보였다.
• 고정밀 및 저정밀 시뮬레이션 및 실험 데이터의 융합은 모델 일반화 능력을 향상시키고 고비용의 고정밀 데이터 수집 필요성을 줄였다.
• 오토에인코드어 기반 저차원 모델은 모드의 직교성을 유지하고 재구성 기여도에 따라 순서를 정렬하여 효율적이고 정확한 유동장 근사가 가능했다.
• 딥 강화학습 및 가우시안 프로세스 회귀는 저항 감소 및 난류 분리 억제에 효과적인 실시간 유동 제어 전략을 탐색하는 데 유망한 성과를 보였다.
• 기계학습 기반 구조적 건강 모니터링 시스템은 피로 및 손상의 조기 징후를 더 정확하게 감지할 수 있어 예측 유지보수를 가능하게 하고 수명 주기 비용을 절감할 수 있었다.