Transonic Flow Prediction using Vision based Model Order Reduction and Application to Wing Shape Optimization

Abstract

To reduce the computational cost associated with iterative flow analysis during the shape optimization process, it is essential to employ surrogate models that can replace conventional CFD(Computational Fluid Dynamics) simulation methods. In response to this need, extensive research has been conducted on data-driven model order reduction techniques for various geometries. Meanwhile, advancements in computing power have fueled the development of numerous AI techniques. The ILSVRC(ImageNet Large Scale Visual Recognition Challenge), held until 2017, served as a major catalyst in the evolution of computer vision technologies, leading to the development of models such as AlexNet, GoogLeNet, VGGNet, ResNet, and SENet(Squeeze-and-Excitation Network). In this study, we apply the core modules of these established computer vision models to a CNN-based Conditional U-Net architecture to evaluate their performance in predicting transonic flow fields around the representative wing geometry, Onera M6. Multiple geometric variants are generated using FFD(Free-Form Deformation) as a shape parameterization method, and flow field data is obtained using the RANS(Reynolds-Averaged Navier–Stokes) equations solved by the SU2(Stanford University Unstructured) solver. The flow conditions are fixed in terms of Mach number and angle of attack, and model performances are compared under these settings. The Conditional U-Net model enhanced with Residual Blocks demonstrated the best prediction accuracy. This model is then employed as a surrogate in a shape optimization process utilizing a gradient-free method, namely the Non dominated Sorting Genetic Algorithm. The proposed approach offers a model order reduction and shape design methodology that achieves improved performance and reduced computational cost when compared with traditional discrete adjoint methods.|형상 최적화 과정에서 반복적인 유동 해석의 계산적 비용을 줄이기 위해서는 기존의 CFD(Computational Fluid Dynamics)의 시뮬레이션 기법을 대체할 Surrogate Model이 필수적이다. 이런 필요성에 따라 여러 형상에 대한 데이터 기반 차수저감기법에 대한 연구가 활발히 진행되고 있다. 한편, 컴퓨터 자원의 성능향상에 더불어 많은 AI 기법이 개발되고 있으며 2017년 이후 종료된 ILSVRC(ImageNet Large Scale Visual Recognition Challenge)는 컴퓨터 비전 기술 발전애 있어 AlexNet, GoogLeNet, VGGNet, ResNet, SENet(Squeezeand-Excitation Network) 등의 모델이 개발되는 핵심적인 촉매 역할을 하였다. 따라서 본 연구에서는 기 개발된 컴퓨터 비전 모델들의 핵심 모듈들을 CNN 기반의 Conditional UNet model에 적용하여 천음속 유동 영역에서 대표적인 날개 형상인 Onera M6의 유동장 예측 성능을 비교합니다. FFD(Free-Form Deformation)을 형상 파라미터 기법으로 사용하여 여러 형상을 생성하고 SU2(Stanford University Unstructured) Solver의 RANS(ReynoldsAveraged Navier Stokes) 방정식으로 유동장 데이터를 만들고 마하수와 받음각이 고정된 상태에서 각 모델 간의 성능을 비교했습니다. Condition U-Net 구조에 Residual block을 추가한 모델이 가장 좋은 성능을 보였습니다. 본 연구에서는 해당 모델을 Gradient-free method인 NSGA-II(Non-dominated Sorting Genetic Algorithm II)를 사용하는 최적화 과정에서 대리 모델로 활용하여 전통적인 Discrete adjoint method와 비교해 계산 비용을 절감하고 성능 향상을 할 수 있는 차수저감기법 및 형상 설계 기법을 제시합니다.