다중조건 에어포일 형상 최적화를 위한 최적화 내장 활성 다중정밀도 대리학습

초록

본 논문은 저비용 패널 해석(XFOIL)과 고정밀 RANS 시뮬레이션을 결합한 활성 다중정밀도 대리 모델을 제안한다. 가우시안 프로세스 전이 모델에 불확실성 기반 샘플링을 적용하고, 하이브리드 유전 알고리즘에 엘리트 일관성 규칙을 삽입해 다중비행조건(크루즈·이륙)에서 12‑파라미터 CST 형태의 에어포일을 최적화한다. 고정밀 시뮬레이션은 예측 불확실성이 임계값을 초과할 때만 수행되며, 전체 실험에서 크루즈와 이륙 조건 각각 14.78 %·9.5 %만이 RANS 평가를 받았다. 최적 설계는 크루즈 효율을 41.05 %·이륙 양력을 20.75 % 향상시켰다.

상세 분석

이 연구는 다중조건(두 개의 운항점) 에어포일 설계 문제에 대해, 저정밀도(XFOIL)와 고정밀도(RANS) CFD 데이터를 동시에 활용하는 새로운 다중정밀도 대리 모델링 프레임워크를 제시한다. 핵심은 ‘전이 기반’ 가우시안 프로세스(GP) 모델이다. 저정밀도 해석 결과를 입력 특징(feature)으로 사용하고, 고정밀도 응답을 저정밀도 출력과 설계 변수의 비선형 함수로 학습함으로써, 전통적인 선형 스케일링(ρ·y_LF+δ) 방식의 한계를 극복한다.

불확실성 기반 샘플링은 GP의 예측 분산을 활용해, 현재 대리 모델이 신뢰할 수 없는 영역을 자동으로 탐지한다. 불확실성이 사전에 정의된 임계값을 초과하면 해당 설계점에 대해 RANS 시뮬레이션을 수행하고, 새로운 고정밀 데이터로 GP를 업데이트한다. 이 과정은 ‘활성 학습(active learning)’이라 불리며, 최적화 진행 중에 동적으로 고정밀도 호출을 조절한다는 점에서 기존의 고정 예산 스케줄링과 차별화된다.

또한, 엘리트 일관성 메커니즘을 하이브리드 유전 알고리즘(HyGO)에 삽입하였다. 엘리트 개체는 매 세대마다 반드시 고정밀도 검증을 받으며, 검증 후 전체 인구(population)의 적합도(fitness)를 재평가한다. 이는 대리 모델이 최신 고정밀 정보를 반영하지 못해 발생할 수 있는 ‘적합도 드리프트’를 방지하고, 진화 과정이 오래된 예측에 의해 오도되는 것을 막는다.

다중조건을 다루기 위해 각 비행점(크루즈 α=2°, 이륙 α=10°)마다 독립적인 다중정밀도 서브모델을 구축한다. 이렇게 하면 한 조건에서의 불확실성 구조가 다른 조건에 영향을 주지 않으며, 조건별 최적화 경로가 서로 간섭하지 않는다. 이는 특히 두 운항점 사이에 저정밀도와 고정밀도 간 상관관계가 크게 달라질 수 있는 경우에 유리하다.

설계 변수는 12개의 CST 파라미터(상·하부 각각 6개)로 정의되었으며, 파라미터 범위와 기하학적 유효성 제약을 사전 설정했다. 제약 위반 설계는 ‘죽음 페널티(death‑penalty)’ 방식으로 적합도를 크게 낮춰 진화 과정에서 자연스럽게 배제한다.

실험 결과는 두 단계의 최적화 목표—크루즈에서 L/D 최대화와 이륙에서 C_L 최대화—를 동시에 만족시키는 설계가 41.05 %와 20.75 %의 성능 향상을 달성했음을 보여준다. 고정밀도 시뮬레이션 비중이 각각 14.78 %와 9.5 %에 불과했음에도 불구하고, 최적 설계는 두 목표 모두에서 초기 세대 최고 개체 대비 현저히 개선되었다. 이는 불확실성 기반 고정밀도 호출과 엘리트 일관성 메커니즘이 고효율·저비용 최적화를 가능하게 함을 입증한다.

전체적으로 이 논문은 (1) 전이 기반 다중정밀도 GP 모델, (2) 불확실성 트리거형 고정밀도 샘플링, (3) 엘리트 재검증·재평가 메커니즘을 결합한 ‘최적화 내장(active‑embedded)’ 프레임워크를 제시함으로써, 대규모 설계 공간에서 다중조건 최적화를 수행할 때 고정밀 CFD 비용을 크게 절감하면서도 신뢰성 있는 결과를 얻을 수 있음을 증명한다.