다중정밀도 물리 기반 신경망으로 구현하는 효율적 항공기 설계 최적화

초록

본 연구는 고정밀 FEM·FVM 시뮬레이션의 연산 비용을 낮추기 위해 다중정밀도 물리‑인포드 신경망(MPINN)과 자동인코더 기반 매니폴드 정렬, GAN을 활용한 형상 개선 기법을 제안한다. 저정밀도 시뮬레이션 데이터를 고정밀도 결과로 변환함으로써 설계 반복 주기를 크게 단축하고, 정확도 손실을 최소화한다.

상세 요약

본 논문은 항공기 설계 최적화 과정에서 발생하는 계산 복잡도 문제를 다중정밀도 모델링과 최신 딥러닝 기법을 결합해 해결하고자 한다. 전통적인 고정밀도 해석(FEM, FVM)은 물리 현상을 정확히 포착하지만, 메쉬 생성·해석 시간 및 메모리 요구량이 설계 사이클을 크게 저해한다. 이를 보완하기 위해 저정밀도(코스 그리드, 간소화된 물리 모델)와 고정밀도 시뮬레이션 사이의 상관관계를 학습하는 다중정밀도 물리‑인포드 신경망(MPINN)을 구축한다. MPINN은 물리 방정식(예: Navier‑Stokes, 구조역학 평형)을 손실 함수에 직접 삽입함으로써 데이터 양이 제한적이더라도 물리 일관성을 유지한다. 특히, 저정밀도 입력에 대해 고정밀도 출력(압력 분포, 응력장 등)을 예측하도록 지도학습을 수행하고, 물리 제약을 통해 오버피팅을 방지한다.

자동인코더 기반 매니폴드 정렬은 고·저 정밀도 데이터가 존재하는 고차원 설계 공간을 저차원 잠재공간으로 압축한다. 이 과정에서 두 정밀도 데이터의 잠재 표현을 공유하도록 설계함으로써, 저정밀도 시뮬레이션 결과를 고정밀도 매니폴드에 매핑하는 전이 학습이 가능해진다. 결과적으로 설계 변수(날개 형상, 구조 두께 등)와 성능 지표(양력·항력, 구조 강성) 사이의 비선형 관계를 효율적으로 파악한다.

또한, 생성적 적대 신경망(GAN)은 기존 저정밀도 형상에서 고정밀도 수준의 세부 구조를 복원하는 데 활용된다. 판별자는 고정밀도 CFD/FEA 결과와 GAN이 생성한 형상을 구분하도록 훈련되며, 생성자는 판별자를 속이면서 물리적으로 타당한 고해상도 형상을 출력한다. 이때, 물리‑인포드 손실을 추가함으로써 생성된 형상이 실제 유체·구조 거동을 위배하지 않도록 보장한다.

실험에서는 전형적인 항공기 날개 설계 문제를 대상으로 저정밀도(2‑D 파라메트릭 모델, coarse mesh)와 고정밀도(3‑D 고해상도 CFD·FEA) 데이터를 준비했다. MPINN은 평균 절대 오차(MAE) 3.2% 수준으로 고정밀도 결과를 재현했으며, 자동인코더를 통한 매니폴드 정렬은 설계 변수 10배 차원 축소에도 불구하고 95% 이상의 설명력을 유지했다. GAN 기반 형상 보정은 표면 거칠기와 경계층 전이 특성을 고정밀도 수준으로 회복시켜, 전체 최적화 루프의 평균 소요 시간을 기존 고정밀도 전용 파이프라인 대비 70% 이상 단축했다.

핵심 인사이트는 다음과 같다. 첫째, 물리 제약을 손실에 직접 포함한 MPINN은 데이터 효율성을 크게 향상시켜, 소량의 고정밀도 샘플만으로도 전반적인 모델 정확도를 확보한다. 둘째, 매니폴드 정렬을 통한 잠재 공간 공유는 다중정밀도 데이터 간의 전이 학습을 자연스럽게 가능하게 하여 설계 변수와 성능 사이의 복합 관계를 저차원에서 효과적으로 탐색한다. 셋째, GAN은 기존 surrogate 모델이 놓치기 쉬운 고주파 형상 정보를 복원함으로써, 최종 설계의 물리적 타당성을 보강한다. 이러한 통합 프레임워크는 설계 초기 단계에서 빠른 탐색을, 상세 설계 단계에서 고정밀도 검증을 순차적으로 수행할 수 있게 하여, 전체 항공기 개발 주기의 비용·시간 절감에 크게 기여한다.