압축기 설계에서 중요한 요소인 팁 간극(tip clearance) 유동 예측은 컴퓨터 유체 역학(CFD) 시뮬레이션만으로는 실제 실험 결과와 차이를 보이는 경우가 많았습니다. 하지만 실험 데이터는 얻기 어렵고 고해상도 정보도 부족해 정확한 예측에 어려움이 있었습니다. 최근 연구팀은 이러한 문제를 해결하기 위해 변이형 오토인코더(VAE)와 잠재 공간 적응(latent-space adaptation) 기법을 활용한 새로운 보정 방법을 제안했습니다.
이 연구는 먼저 166개의 CFD 총 압력 손실 필드 데이터셋을 이용해 VAE를 훈련시켜 저차원 통계적 표현을 학습시켰습니다. 이후 VAE는 고정하고, 단 12개의 CFD-실험 페어링된 운전 조건 데이터를 활용하여 저랭크 잠재 공간 어댑터(low-rank latent-space adapter)를 훈련했습니다. 이 방법은 고해상도 필드를 실험 관측 공간에 매핑하는 관측 연산자(observation operator)를 통해, 제한된 측정 위치와 피치 방향(pitchwise) 범위 내에서만 보정을 적용할 수 있도록 했습니다. 그 결과, 평균 절대 오차(MAE)는 0.1335에서 0.0473으로, 제곱근 평균 제곱 오차(RMSE)는 0.1717에서 0.0621로, 상대 L2 오차는 0.5108에서 0.1871로 크게 감소하여 예측 정확도가 획기적으로 개선되었습니다.
이 기술은 기존 RANS(Reynolds-averaged Navier-Stokes) 솔버를 수정하거나 인위적인 고해상도 실험 라벨을 만들 필요 없이 CFD 예측과 실제 실험 관측 간의 일치도를 높였다는 점에서 의미가 큽니다. 이는 항공우주 및 에너지 산업 등 압축기 성능이 중요한 분야에서 설계 및 최적화 프로세스의 효율성을 크게 향상시킬 수 있습니다. 적은 양의 실험 데이터만으로도 시뮬레이션의 신뢰도를 높일 수 있어, 실제 장비 개발 비용과 시간을 절감하는 데 기여할 것으로 보입니다.