항공우주 산업에서 항공기 설계는 고비용과 긴 시간이 소요되는 과정입니다. 이를 단축하기 위해 컴퓨터 유체 역학(CFD) 기반의 시뮬레이션 모델이 널리 사용되지만, 시뮬레이션 결과와 실제 풍동(wind-tunnel) 실험 데이터 사이에는 항상 체계적인 오차(systematic discrepancy)가 존재해 예측 정확도를 떨어뜨리는 한계가 있었습니다. 최근 발표된 연구는 이러한 문제를 해결하기 위해 실험 데이터를 활용하여 시뮬레이션 모델의 정확도를 높이는 새로운 데이터 융합 프레임워크를 제안했습니다.
이 연구팀은 NASA CRM 날개-몸체 형상에 대한 2,300개의 고정밀 CFD 시뮬레이션으로 훈련된 '지오트랜솔버(Geotransolver)'라는 딥러닝 대체 모델(surrogate model)을 사용했습니다. 이 모델은 CFD 데이터에 대해서는 높은 예측 정확도를 보였지만, 실제 풍동 실험 데이터와는 차이를 보였습니다. 연구진은 모델을 처음부터 다시 훈련하는 대신, 풍동에서 측정된 압력 분포(PSP: Pressure Sensitive Paint) 데이터를 활용하여 시뮬레이션 모델과 실험 측정값 사이의 불일치를 학습하는 '보정 네트워크(correction network)'를 추가했습니다. 이 보정 네트워크는 마하 0.85 조건에서 날개 흡입 피크(suction peak), 충격파 위치(shock location) 등에서 예측 오류를 크게 줄여, 실제 측정값과의 일치율을 2.3~2.7% 범위 내로 개선했습니다.
이 데이터 융합 프레임워크는 제한된 실험 데이터만으로도 대규모 시뮬레이션 기반 대체 모델의 예측 정확도를 획기적으로 향상시킬 수 있다는 점에서 중요합니다. 특히, 기존 모델의 매개변수를 수정하거나 재훈련할 필요 없이 체계적인 오차를 학습하고 보정함으로써, 모델의 일반화 능력과 계산 효율성을 유지할 수 있습니다. 이는 항공기 설계 초기 단계에서 시뮬레이션 모델의 신뢰도를 높여 개발 비용과 시간을 절감하고, 실제 시험 비행 전에 잠재적인 문제점을 더 정확하게 예측하는 데 기여할 수 있을 것으로 기대됩니다.