[논문 리뷰] Machine Learning Surrogates for Predicting Response of an Aero-Structural-Sloshing System

Shashank Srivastava, Murali Damodaran외 1명|arXiv (Cornell University)|2019. 11. 19.

Model Reduction and Neural Networks참고 문헌 26인용 수 5

한 줄 요약

이 논문은 경량화된 기계학습 대체 모델로, 경량화된 반복 신경망(RNN)을 활용하여 초음속 날개-연료 탱크 시스템의 비정상적인 기계유체탄성 거동을 예측한다. 고정밀 CFD 시뮬레이션으로부터 확보한 기계적 및 기름 띠기 동역학 하중 데이터를 기반으로, RNN 대체 모델은 운동 역사에 의존하는 힘과 모멘트를 정확하게 예측하며, 전체 결합 시뮬레이션 대비 높은 정확도와 계산 효율성을 입증한다.

ABSTRACT

This study demonstrates the feasibility of developing machine learning (ML) surrogates based on Recurrent Neural Networks (RNN) for predicting the unsteady aeroelastic response of transonic pitching and plunging wing-fuel tank sloshing system by considering an approximate simplified model of an airfoil in transonic flow and sloshing loads from a partially filled fuel tank rigidly embedded inside the airfoil and undergoing a free unsteady motion. The ML surrogates are then used to predict the aeroelastic response of the coupled system. The external aerodynamic loads on the airfoil and the two-phase sloshing loads data for training the RNN are generated using open-source computational fluid dynamics (CFD) codes. The aerodynamic force and moment coefficients are predicted from the surrogate model based on its motion history. Similarly, the lateral and vertical forces and moments from fuel sloshing in the fuel tank are predicted using the surrogate model resulting from the motion of the embedded fuel tank. Comparing the free motion of the airfoil without sloshing tank to the free motion of the airfoil with a partially-filled fuel tank shows that the effects of sloshing on the aeroelastic motion of the aero-structural system. The effectiveness of the predictions from RNN are then assessed by comparing with the results from the high-fidelity coupled aero-structural-fuel tank sloshing simulations. It is demonstrated that the surrogate models can accurately and economically predict the coupled aero-structural motion.

연구 동기 및 목표

• 복잡한 비선형 동역학을 반영하는 결합 기계-유체-기름 띠기 시스템의 특성을 포괄하는 데이터 기반 기계학습 대체 모델을 개발하기 위해.
• 고정밀이지만 시간이 오래 소요되는 기계-유체-기름 띠기 결합 시뮬레이션을 대체하기 위해 훈련된 RNN 대체 모델을 도입하여 계산 비용을 감소시키기 위해.
• 기름 띠기 동역학이 초음속 날개의 진동 및 진동 운동을 겪는 비정상적인 기계유체탄성 거동에 미치는 영향을 조사하기 위해.
• 전체 결합 시스템의 고정밀 CFD 시뮬레이션과의 비교를 통해 대체 모델의 예측 정확도를 검증하기 위해.
• 운동 역사 기반으로 기계적 및 기름 띠기 힘을 신속하게 예측함으로써 실시간 또는 파arametric 분석을 지원하기 위해.

제안 방법

• 고정밀 CFD 시뮬레이션으로부터 확보한 운동 역사(피치 및 플런지)와 기계적 및 기름 띠기 하중의 시계열 데이터를 기반으로 RNN을 훈련한다.
• RNN을 사용하여 기계적 힘 계수와 모멘트 계수를 기계의 운동 역사 기반으로 예측하며, 시스템을 시간 순서 기반 모델로 간주한다.
• 기름 띠기로 인한 횡방향 및 수직 힘과 모멘트를 예측하기 위해 별도의 RNN을 훈련하며, 이는 부분적으로 채워진 탱크의 운동 역사 기반이다.
• 초음속 기체를 둘러싼 유동과 강성 탱크 내 기름 띠기 두상 유동 시뮬레이션을 위한 오픈소스 CFD 코드를 사용하여 훈련 데이터를 생성한다.
• 시간 지연 입력 시퀀스를 사용하여 시스템의 동적 기억 효과를 포착하기 위해, 시간 지연을 고려한 지도 학습 방식으로 RNN을 훈련한다.
• 전체 기계-유체-기름 띠기 결합 시뮬레이션과의 비교를 통해 예측 정확도와 계산 효율성을 평가하기 위해 대체 모델의 예측 결과를 검증한다.

실험 결과

연구 질문

• RQ1 RNN 기반 대체 모델은 기계의 운동 역사 기반으로 초음속에서 진동 및 진동 운동을 겪는 기계의 비정상적 기계적 힘과 모멘트를 정확하게 예측할 수 있는가?
• RQ2 RNN 대체 모델은 부분적으로 채워진 연료 탱크에 기름 띠기가 유도하는 힘과 모멘트를 어느 정도 정확하게 예측할 수 있는가?
• RQ3 기름 띠기 동역학을 포함할 경우, 연료 탱크가 없는 고정된 날개의 경우와 비교해 기계-유체-기름 띠기 결합 시스템의 기계유체탄성 거동은 어떻게 달라지는가?
• RQ4 RNN 대체 모델의 예측 정확도는 기계적 힘, 모멘트, 운동 응답 측면에서 고정밀 결합 CFD 시뮬레이션과 비교해 어떻게 되는가?
• RQ5 RNN 기반 접근 방식은 기계유체기계기계-기름 띠기 시스템의 예측 정밀도를 유지하면서도 상당한 계산 비용 절감을 달성할 수 있는가?

주요 결과

• RNN 대체 모델은 기계의 운동 역사 기반으로 기계적 힘 계수와 모멘트 계수를 정확하게 예측하며, 고정밀 CFD 시뮬레이션과 강한 일치를 보였다.
• 대체 모델은 탱크의 운동 역사 기반으로 기름 띠기로 인한 힘과 모멘트를 성공적으로 포착하였으며, 기준 시뮬레이션 대비 최소한의 오차를 보였다.
• 기름 띠기 동역학을 포함함으로써 기계유체탄성 거동이 크게 변화하였으며, 고정된 날개의 경우에 존재하지 않는 추가적인 비선형성과 불안정성이 유도되었다.
• 전체 결합 시뮬레이션 대비 몇 개의 주요 계산 비용 감소를 달성하였으며, 높은 예측 정확도를 유지하였다.
• RNN 기반 접근 방식은 기계-유체-기름 띠기 시스템 내의 시간적 의존성과 기억 효과를 잘 포착하는 데 있어 뛰어난 강건성을 보였다.
• 고정밀 시뮬레이션과의 검증을 통해 대체 모델이 자유 운동의 진폭 및 주파수 특성까지 신뢰성 있게 예측할 수 있음을 확인하였다.