신경망 대리모델 기반 다중 최적화 프레임워크로 견고한 날개 설계 최적화

초록

본 논문은 VLM 시뮬레이션으로 생성한 데이터셋을 기반으로 두 개의 신경망 대리모델(양력·항력 예측, 안정성 분류)을 학습하고, PSO·GA·MultiStart·베이지안·Lipschitz 등 다섯 가지 최적화 알고리즘을 동일한 제약 처리 체계와 함께 적용한 CHIMERA 프레임워크를 제안한다. 8개의 설계 변수(근근, 받음각, 스윕, 날폭 등)를 최적화 목표인 항력 최소화와 양력 목표 달성(무게와 동일) 조건에 맞추어 탐색한다. 각 알고리즘의 수렴 속도와 최종 설계 성능을 비교·분석하고, 구현 코드를 공개하여 재현성을 확보한다.

상세 분석

이 연구는 초기 설계 단계에서 고비용 CFD 대신 VLM을 활용해 대규모 설계 데이터베이스를 구축하고, 이를 통해 두 종류의 신경망 대리모델을 학습한다는 점에서 실용성을 높였다. 첫 번째 대리모델은 연속적인 양력·항력·모멘트 계수를 예측하며, 입력 변수 8개를 정규화한 뒤 다층 퍼셉트론(MLP) 구조로 구현하였다. 두 번째 대리모델은 10개의 동적 파생 변수와 롤·피치·요 동작 모드를 기반으로 설계의 안정성을 이진 분류한다. 두 모델 모두 교차 검증을 통해 평균 절대 오차가 2~3% 수준으로, VLM 결과와 높은 일치도를 보였다.

제약 처리에서는 설계 변수의 물리적 한계와 양력 목표를 만족시키기 위해 페널티 기반 적응형 방법을 도입했으며, 안정성 분류 결과가 ‘불안정’인 경우 즉시 페널티를 부여해 탐색 공간을 제한한다. 이렇게 통합된 제약 체계는 모든 최적화 알고리즘에 일관되게 적용되어 공정한 성능 비교를 가능하게 한다.

다섯 가지 최적화 기법은 각각 탐색·활용 특성이 다르다. MultiStart는 다중 초기점에서 gradient 기반 로컬 탐색을 수행해 지역 최소점에 빠지는 위험을 감소시켰으며, GA와 PSO는 전역 탐색 능력으로 넓은 설계 공간을 효율적으로 샘플링한다. 베이지안 최적화는 대리모델을 활용한 획득함수(예: Expected Improvement)를 통해 최소 횟수의 평가로 최적점을 찾는 데 강점을 보였고, Lipschitz‑Gradient 방법은 함수의 리프시츠 상수를 추정해 비유망 영역을 사전에 제외함으로써 수렴 속도를 가속화했다. 실험 결과, 베이지안과 Lipschitz‑Gradient가 가장 빠른 수렴을 보였으며, GA와 PSO는 최종 항력 감소율에서 약 5% 정도의 추가 이득을 제공했다.

재현성을 위해 전체 파이프라인(데이터 생성, 전처리, 모델 학습, 최적화 파라미터)과 사용된 하이퍼파라미터를 GitHub에 공개했으며, Docker 이미지와 Jupyter 노트북을 제공해 연구자들이 동일한 환경에서 실험을 재현할 수 있도록 설계했다. 다만, VLM은 비압축성, 비점성 흐름을 가정하므로 고속·초음속 영역이나 복합 구조물에 대한 확장성은 제한적이다. 또한, 안정성 대리모델이 이진 분류에 머무르는 점은 다중 목표(예: 동적 마진 최소화)로 확장될 경우 추가적인 회귀 모델이 필요함을 시사한다.

전반적으로 이 논문은 물리 기반 시뮬레이션과 데이터‑드리븐 대리모델을 결합한 다중 최적화 프레임워크를 체계적으로 구현·비교함으로써 초기 설계 단계에서의 설계 탐색 효율성을 크게 향상시켰으며, 공개된 코드베이스는 향후 항공기 설계뿐 아니라 다른 공학 최적화 문제에도 적용 가능한 기반을 제공한다.