대형 혼합익 날개 체형 공기역학 데이터셋 및 벤치마크

초록

BlendedNet++는 12,000개 이상의 혼합익 날개(BWB) 형상과 각각에 대한 정밀 RANS CFD 결과를 제공하는 대규모 데이터셋이다. 통합력·모멘트 계수와 고해상도 표면 압력·마찰 계수를 포함해 전방 예측과 역설계 두 가지 벤치마크를 정의하고, GraphSAGE·GraphUNet·PointNet·Transformer·FiLMNet·GNOT 등 6가지 최신 모델의 베이스라인을 제시한다. 또한 조건부 확산 모델을 이용한 역설계 방법을 gradient‑based 최적화와 결합한 하이브리드 전략과 비교 평가한다. 데이터와 코드가 공개되면 항공공학 분야의 재현 가능한 연구가 가속화될 것으로 기대한다.

상세 요약

BlendedNet++는 기존 항공공학 데이터셋이 갖는 두 가지 근본적인 한계를 극복한다. 첫째, 형상 다양성이 부족해 실제 설계 공간을 충분히 탐색하지 못한다는 점이다. 저자들은 12,000여 개의 BWB 형상을 파라미터화된 설계 변수(날개 길이, 폭, 전단각, 몸체 비율 등)로 무작위 샘플링하고, 각 형상에 대해 단일 비행 조건(예: 고도 10 km, 마하 0.8)에서 steady‑RANS CFD를 수행했다. 결과적으로 12,490개의 고품질 시뮬레이션 데이터가 확보되었으며, 이는 기존 공개 데이터셋(수백수천 건)보다 12 order magnitude 큰 규모다.

둘째, 기존 데이터는 통합력·모멘트 계수만 제공하거나, 표면 압력·마찰 같은 고해상도 필드 정보를 제한적으로만 제공했다. BlendedNet++는 CL, CD, CM뿐 아니라 Cp와 Cfx, Cfy, Cfz를 격자화된 표면에 대해 전부 제공한다. 이렇게 밀집된 필드 데이터는 포인트‑와 그래프‑기반 딥러닝 모델이 공간적 연관성을 학습하도록 설계된 새로운 벤치마크를 가능하게 한다.

베이스라인 모델은 크게 두 축으로 나뉜다. (1) 그래프 신경망 계열: GraphSAGE는 노드‑레벨 메시징을 통해 형상 메쉬의 로컬 구조를 학습하고, GraphUNet은 풀‑업/업‑샘플링 구조로 다중 스케일 정보를 포착한다. (2) 포인트·트랜스포머 계열: PointNet은 좌표와 특징을 직접 인코딩해 permutation invariance를 보장하고, Transolver‑style 좌표 트랜스포머는 self‑attention을 이용해 전역 상호작용을 모델링한다. FiLMNet은 좌표 MLP에 feature‑wise modulation을 적용해 조건부 정보를 효율적으로 주입하고, GNOT은 뉴럴 오퍼레이터와 트랜스포머를 결합해 연속적인 함수 근사를 목표로 한다.

성능 평가는 두 가지 차원에서 이루어진다. 첫째, 전방 예측 정확도는 L2‑norm 및 물리 기반 지표(예: 전체 양력·항력 오차, 표면 압력 분포의 구조적 유사도)로 측정한다. 둘째, 역설계 과제는 “주어진 L/D 비율을 달성하는 형상 찾기”로 정의하고, 조건부 확산 모델을 통해 잠재 공간에서 후보 형상을 샘플링한다. 샘플링된 형상은 이후 gradient‑based 최적화(예: adjoint‑free 자동 미분)로 미세 조정하거나, 혹은 확산‑최적화 하이브리드 파이프라인에서 직접 개선한다. 실험 결과, 순수 gradient‑based 방법보다 확산‑기반 초기화가 수렴 속도와 최종 L/D 목표 달성률에서 현저히 우수함을 보여준다.

데이터셋은 훈련/검증/테스트 8:1:1 비율로 분할하고, 각 파티션에 대한 메타데이터와 파이프라인 스크립트를 제공한다. 이는 연구자들이 동일한 조건에서 모델을 비교하고, 새로운 알고리즘을 손쉽게 적용할 수 있게 한다. 또한, 저자들은 데이터와 코드의 공개 일정과 라이선스 정책을 명시해 재현성을 보장한다.

전반적으로 BlendedNet++는 대규모 고해상도 항공공학 데이터와 체계적인 벤치마크를 동시에 제공함으로써, 기존에 “데이터 부족 → 모델 과소평가”라는 악순환을 깨뜨린다. 특히, 그래프·포인트·트랜스포머 기반 모델을 동일 조건에서 비교함으로써 각 아키텍처의 장단점을 명확히 드러내고, 역설계에 확산 모델을 도입한 점은 향후 데이터‑구동 설계 최적화 연구에 새로운 패러다임을 제시한다.