날개‑돌풍 상호작용 교과서 구축: 데이터 요약을 통한 효율적 예측 모델 구현

초록

**
자동화된 고용량 실험으로 1 000여 개의 무작위 돌풍 사건을 생성하고, 압력 센서 4개만으로 날개 양력을 예측하는 머신러닝 모델을 학습한다. 전체 데이터에서 대표성을 유지하면서도 규모를 크게 축소한 “교과서” 집합(수십 개 사건)만으로도 수백 배 큰 무작위 학습 집합과 동등한 예측 정확도를 달성한다.

**

상세 분석

**
본 연구는 복잡한 비정상 유동 현상을 실험·데이터 과학의 시너지로 간소화하는 방법론을 제시한다. 81개의 듀얼축 DC 팬으로 구성된 무작위 돌풍 발생기를 이용해 100 Hz 수준의 베이스 팬 속도와 10 %130 %의 속도 증가, 그리고 비정규화된 강제 구간 길이(G*)를 무작위 조합함으로써 1 031개의 독립적인 돌풍 사건을 획득하였다. 각 사건은 1 분 동안 4개의 압력 탭(Cp0Cp3)과 6자유도(양력·항력·모멘트) 데이터를 시간 연속적으로 기록했으며, 압력 신호는 무차원화(2U₀²ρ) 후 입력 변수, 양력 계수 CL은 출력 변수로 사용하였다.

데이터 전처리 단계에서는 시간‑연속 신호를 사건 단위로 세분화하여 평균 110 대의 공기 흐름에 해당하는 이벤트 길이를 확보하였다. 이렇게 구축된 데이터베이스는 고차원 매니폴드 위에 분포하며, 극값(edge case)과 희귀 사건(extreme case)이 전체 데이터의 학습 효율에 큰 영향을 미친다.

예측 모델로는 4개의 입력 뉴런, 4개의 은닉층(각 16 뉴런) 및 PReLU 활성화를 갖는 다층 퍼셉트론(MLP)을 채택했으며, 총 파라미터 수는 977개에 불과하다. 80 %를 훈련, 20 %를 테스트에 할당한 뒤, 평균 제곱 오차(MSE)를 최소화하도록 학습하였다.

첫 번째 실험에서는 20개의 사건을 각각 단일 샘플로 학습시킨 뒤, 나머지 19개의 사건에 대한 일반화 성능을 평가하였다. 결과는 사건마다 정보량이 크게 다름을 보여주었으며, 특히 사건 #6은 대부분의 테스트 사건에 대해 일관된 낮은 오차를 기록한 반면, #20과 #8은 전반적으로 높은 오류를 나타냈다. 이는 데이터의 비균질성이 모델 성능에 직접적인 영향을 미친다는 점을 시사한다.

두 번째 실험에서는 무작위 샘플 크기(m)를 증가시켜 학습곡선을 그렸다. m이 20200 사이에서 급격히 감소하던 MSE는 약 400600개의 샘플을 사용했을 때 포화에 도달했으며, 이는 전체 데이터(≈1 000개) 대비 약 2 배~3 배 정도 적은 양으로도 충분한 일반화 능력을 확보할 수 있음을 의미한다.

핵심은 “교과서” 집합을 어떻게 선정하느냐이다. 저자들은 데이터 요약 절차로서 거리 기반 클러스터링(예: k‑centers)과 모델 기반 중요도 평가를 결합해, 전체 데이터의 다양성을 보존하면서도 최소한의 사건 수(m_txt)를 도출하였다. 선택된 교과서(1030개 사건)는 극값과 경계값을 고르게 포함하고, 압력‑양력 관계를 대표하는 핵심 패턴을 담고 있다. 이러한 교과서로 학습한 MLP는 무작위 5001 000개 사건으로 학습한 모델과 거의 동일한 테스트 MSE를 기록했으며, 학습 시간과 메모리 요구량이 크게 감소하였다.

이러한 결과는 (1) 실험 데이터의 효율적 압축이 가능함, (2) 물리적으로 의미 있는 극값을 포함하는 소규모 데이터셋이 고성능 예측 모델을 만들기에 충분함, (3) 데이터 요약이 모델 해석성을 높이고, 실시간 자율 비행 시스템에서 제한된 센서·연산 자원을 활용할 수 있는 기반을 제공한다는 점을 강조한다. 또한, 데이터 요약 방법론은 특정 모델 구조에 종속되지 않으며, 다른 유동·구조 문제에도 일반화 가능하다는 잠재력을 시사한다.

**