Data-Driven Prediction of Controllability of Fighter Aircraft and Real-time Aerodynamic Analysis using Physics-Informed Neural Network

Abstract

Part 1에서는 물리지식기반 신경망을 활용하여 형상(받음각)에 따른 실시간 유동 장예측 대리모델을 구축하였습니다. 높은 레이놀즈 수에서 Physics Informed Neural Network (PINN)가 물리적으로 의미 있는 해를 도출하는 데 한계를 보이는 문제를 해 결하기 위해, 제한된 수의 유동 데이터를 PINN에 학습시키는 데이터 기반 접근 방식을 결합하여 모델 성능을 개선하였습니다. 또한 데이터 기반 Conditional U-Net 모델과 물리정보기반신경망의내,외삽영역유동장예측성능비교를통해,본연구에서구축 한 Data-Assisted PINN이 학습 데이터 수 측면에서 효율적이며 일반화 성능이 뛰어난 모델임을 밝혔습니다. Part 2에서는 F-16 전투기와 Bio-Inspired Rotating Empennage(BIRE) 항공기의 조 종성을 평가하기 위해 다양한 비행 조건과 조종면 편향에 따른 달성 가능한 모멘트 세트 (Attainable Moment Set, AMS)를 도출하였습니다. 받음각, 사이드슬립 각, 3축 회전율, 조종면 편향 각도를 포함한 8개의 입력 변수를 고려하였으며, 입력 변수 범위에 대한 라틴 하이퍼큐브 샘플링(LHS)을 통해 샘플링 데이터를 생성하였습니다. 생성된 샘플링 지점에 대해 SU2 솔버를 활용하여 RANS 시뮬레이션을 수행하여 공력 데이터베이스 를 구축하였고, 이를 기반으로 가우시안 프로세스 회귀(GPR) 모델을 학습하였습니다. – iii – 학습된 GPR 모델은 학습되지 않은 조건에서도 공기역학적 모멘트를 정확히 예측할 수 있어 두 항공기의 AMS를 효과적으로 분석할 수 있었습니다. 본 연구는 전통적인 공력 해석 방법론에 머신러닝과 딥러닝을 접목함으로써, 공력 해석 및 최적 설계 과정에서 시간과 비용을 절감할 수 있는 효율적이고 혁신적인 접근 방식을 제시합니다. ©2025 김 성 연 ALL RIGHTS RESERVED|Part 1 focused on developing a real-time surrogate model for flow field prediction using Physics-Informed Neural Networks (PINNs) with respect to design variables. To address the limitations of PINNs in producing physically meaningful solutions at high Reynolds numbers, a data-driven approach was integrated into PINNs, by utilizing a limited amount of flow data to significantly improve the model’s performance. Addition- ally, a comparison of flow field prediction accuracy in interpolation and extrapolation regions between the data-driven Conditional U-Net model and the PINN-based model revealed that the Data-Assisted PINN is more efficient in terms of data requirements and demonstrates superior generalization capabilities. Part 2 evaluated the controllability of the F-16 and Bio-Inspired Rotating Em- pennage (BIRE) aircraft by deriving Attainable Moment Sets (AMS) under various flight conditions and control surface deflections. Eight input variables, including angle of attack, side slip angle, three-axis rotation rates, and control surface deflection an- gles, were considered. Samples were generated using Latin Hypercube Sampling (LHS) within the input variable ranges. Using these sampled points, RANS simulations were conducted with the SU2 solver to build an aerodynamic database, which was then used to train a Gaussian Process Regression (GPR) model. The trained GPR model accu- rately predicted aerodynamic moments even for untested conditions, enabling compre- hensive AMS analysis for both aircraft. This study proposes an efficient and innovative approach by integrating machine learning and deep learning into traditional aerody- namic analysis methodologies, enabling time and cost savings in aerodynamic analysis and optimal design processes. ©2025 Sungyeon, Kim ALL RIGHTS RESERVED