NASA CRM 날개-몸체 구성에 대한 CFD 기반 서그릿 모델의 실험적 수정 프레임워크

A Data Fusion Framework for Grounding Aerospace Surrogate Model via Experimental Wind-Tunnel Observations

고충실도 CFD 데이터로 훈련된 공기역학 서그릿 모델은 스칼라 출력 및 전체 필드를 정확하게 재현하지만, CFD와 실험 관측 간의 체계적 불일치로 인해 예측 정확도가 제한된다. 본 연구에서는 풍동 PSP 측정을 사용하여 CFD 훈련된 딥러닝 서그릿을 조정하는 실험적으로 기반한 수정 프레임워크를 제시한다. 2,300개의 고충실도 CFD 시뮬레이션으로 훈련된 Geotransolver 서그릿은 R2 > 0.99의 정확도로 CFD 통합 공기역학 힘과 피칭 모멘트를 재현하지만, 실험 데이터와 일치하지 않는다. 실험 정보를 통합하기 위해 두 개의 자유 스트림 마하 수(0.70 및 0.85)에서 PSP 측정값을 기반으로 수정 네트워크를 훈련하여 서그릿 예측과 실험 측정 간의 표면 압력 분포 불일치를 학습한다. 수정 후, 마하 0.85에서 PSP와의 일치도가 크게 개선되며, 예측 오류의 크기와 Cp에서 0.05를 초과하는 젖은 표면 비율이 감소한다.