Einführung: Die wachsende Rolle der KI im Luft- und Raumfahrtdesign

Die Luft- und Raumfahrtindustrie ist seit langem ein Schmelztiegel für fortschrittliche Ingenieur- und Rechentechniken. In den letzten zehn Jahren hat sich die Künstliche Intelligenz (KI) von experimentellen Labors in den Kern der Flugzeugentwicklung bewegt, insbesondere im Bereich der Konfigurationsoptimierung. Diese Transformation ist nicht nur inkrementell, sondern stellt eine grundlegende Veränderung dar, wie Ingenieure das Design von Aerostrukturen, Antriebssystemen und der gesamten Fahrzeugarchitektur angehen. Durch die Nutzung von maschinellem Lernen, tiefen neuronalen Netzwerken und evolutionären Algorithmen können Teams nun Designräume erkunden, die zuvor rechnerisch unerschwinglich oder auf Heuristik angewiesen waren. Das Ergebnis ist eine neue Generation von Flugzeugen, die kraftstoffeffizienter, aerodynamisch raffinierter und betriebsfähiger sind als ihre Vorgänger.

Die Optimierung der Flugzeugkonfiguration umfasst die Auswahl und Anordnung von Tragflächen, Rumpf, Leitwerk, Triebwerken und Steuerflächen, um strenge Leistungs-, Stabilitäts- und Sicherheitsanforderungen zu erfüllen. Historisch gesehen beinhaltete dieser Prozess umfangreiche Windkanaltests, numerische Strömungsmechanik (CFD) Simulationen und manuelle Kompromissstudien. Ingenieure würden iterativ Parameter basierend auf Erfahrung und Domänenwissen anpassen, oft auf einem "gut genug" Design nach Monaten der Anstrengung. KI ändert diese Gleichung durch die Automatisierung der Erkundung von Millionen von Kandidatenkonfigurationen und identifiziert schnell Pareto-optimale Lösungen, die konkurrierende Ziele wie Hub-zu-Drag-Verhältnis, Strukturgewicht, Lärm und Emissionen ausgleichen.

Dieser Artikel bietet einen tiefen Einblick in den Einsatz von KI für die Optimierung der Flugzeugkonfiguration. Wir werden die Kerntechnologien, ihre Anwendung auf reale Designherausforderungen, die verbleibenden Hürden und die vielversprechende Zukunft, die vor uns liegt, untersuchen. Die Diskussion basiert sowohl auf der akademischen Forschung als auch auf der industriellen Praxis und ist daher für Luft- und Raumfahrtingenieure, Datenwissenschaftler und Luftfahrtenthusiasten gleichermaßen relevant.

Die Grundlagen der Flugzeugkonfigurationsoptimierung

Bevor wir die Rolle der KI untersuchen, ist es wichtig, die traditionelle Optimierungslandschaft zu verstehen. Die Optimierung der Flugzeugkonfiguration ist ein multidisziplinäres Problem, das Aerodynamik, Strukturen, Antrieb, Avionik und Fertigungsbeschränkungen kombiniert. Das Ziel ist es, die Geometrie und das Layout zu finden, die die Leistungsmetriken maximieren und gleichzeitig die regulatorischen Standards und Kostenziele erfüllen.

Wichtige Designvariablen

Typische Variablen sind Flügelaspektverhältnis, Sweepwinkel, Kegelverhältnis, Schaufelsturz, Rumpflänge-Durchmesser-Verhältnis, Motorgondelposition, Heckvolumenkoeffizient und Steuerungsflächengrößen. Jede Variable interagiert nichtlinear mit anderen und schafft einen hochdimensionalen, multimodalen Konstruktionsraum. Klassische Optimierungsmethoden, wie z. B. Gradientenalgorithmen oder Reaktionsflächenmethoden, haben aufgrund lokaler Optima und Rechenaufwand oft Schwierigkeiten, diesen Raum effektiv zu navigieren.

Traditionelle Ansätze und ihre Grenzen

Vor dem Aufkommen der KI setzten Ingenieure auf parametrische Studien, Design of Experiments (DoE) und Ersatzmodellierung. Während diese Techniken Verbesserungen gegenüber reinem Trial-and-Error boten, erforderten sie erhebliche Vorabkenntnisse, um den Design-Umschlag zu definieren. Darüber hinaus konnten sie komplexe Kompromisse zwischen Disziplinen nicht leicht erfassen. Zum Beispiel könnte eine Konfiguration, die eine hervorragende aerodynamische Effizienz liefert, ein übermäßiges strukturelles Gewicht auferlegen oder aeroelastische Instabilität erzeugen. Die Lösung solcher Konflikte erforderte manuelle Eingriffe und mehrere Iterationen zwischen spezialisierten Teams.

Eine weitere Einschränkung war die Abhängigkeit von linearen Annahmen oder vereinfachten Physikmodellen, um die Rechenkosten überschaubar zu halten. Infolgedessen wurden viele vielversprechende Konfigurationen nie bewertet, weil sie außerhalb der angenommenen Grenzen lagen. KI-Methoden überwinden dies, indem sie direkt aus hochpräzisen Simulationen oder experimentellen Daten lernen und es Ingenieuren ermöglichen, sich von vorgefassten Einschränkungen zu befreien.

Kerntechnologien für die Optimierung der Konfiguration

Mehrere KI-Paradigmen haben sich als besonders effektiv für das Flugzeugkonfigurationsdesign erwiesen. Jedes bringt einzigartige Stärken mit sich, und oft werden sie in hybriden Frameworks kombiniert.

Neuronale Netzwerke und Deep Learning

Feedforward neuronale Netze (NNs) und fortschrittlichere Architekturen wie konvolutionale neuronale Netze (CNNs) und graphische neuronale Netze (GNNs) werden verwendet, um Ersatzmodelle von aerodynamischen Kräften, Druckverteilungen und strukturellen Spannungen zu erstellen. Ein gut trainiertes NN kann die Leistung einer neuen Konfiguration in Millisekunden vorhersagen, während eine CFD-Simulation Stunden dauern kann. Diese Geschwindigkeit ermöglicht ein schnelles Screening von Tausenden von konzeptionellen Designs. Forscher an der Universität von Michigan haben CNNs demonstriert, die Auftriebs- und Widerstandskoeffizienten mit weniger als 5% Fehler vorhersagen RANS-Simulationen, unter Verwendung von Geometriebildern von Flügelabschnitten als Eingabe.

Deep Reinforcement Learning (DRL) hat sich auch als ein mächtiges Werkzeug für sequentielle Designentscheidungen herausgebildet. In DRL lernt ein Agent, Konfigurationsparameter Schritt für Schritt zu ändern, wobei er Belohnungen erhält, die auf Leistungsverbesserungen basieren. Dieser Ansatz ist besonders nützlich für die mehrstufige Optimierung, bei der sich das Design durch eine Reihe von Verfeinerungen entwickelt, den menschlichen Designprozess nachahmt, aber mit viel größerer Erkundungsbreite.

Genetische und evolutionäre Algorithmen

Genetische Algorithmen (GAs) sind eine natürliche Lösung für die Konfigurationsoptimierung, da sie auf einer Population von Kandidatendesigns arbeiten und sie durch Auswahl, Crossover und Mutation weiterentwickeln. Sie erfordern keine Gradienteninformationen und können diskrete, kontinuierliche und ganzzahlige Variablen gleichzeitig verarbeiten. Boeing hat multi-objektive genetische Algorithmen verwendet, um das Layout von hybridelektrischen Flugzeugen zu optimieren, das Batteriegewicht, die aerodynamische Effizienz und die Reichweite auszugleichen. Der Algorithmus untersucht gleichzeitig Hunderte von Konfigurationen, die jeweils mit einer Kombination von Physikmodellen mit niedriger Genauigkeit und maschinellen Lernersatzpunkten bewertet werden.

Fortgeschrittene Varianten wie NSGA-II (Non-dominated Sorting Genetic Algorithm II) und MOEA/D (Multi-objective Evolutionary Algorithm based on Decomposition) ermöglichen es Ingenieuren, eine Reihe von Pareto-optimalen Designs zu erstellen, aus denen menschliche Experten die vielversprechendsten Kandidaten für eine weitere Verfeinerung auswählen können. Diese Algorithmen wurden für die Optimierung von Flügel-Körper-Schwanz, die Motorplatzierung und sogar das interne Kabinenlayout für einen effizienten Passagierfluss angewendet.

Unterstützen Sie Vektormaschinen und Gauß-Prozesse

In der Luft- und Raumfahrt helfen sie, probabilistische Surrogate zu erstellen, die Vorhersageunsicherheit quantifizieren und eine robuste Optimierung unter Modellfehlern ermöglichen. Zum Beispiel kann ein GP-Modell die Flattergrenze einer Flügelkonfiguration vorhersagen und gleichzeitig Regionen mit geringem Vertrauen anzeigen, wodurch Ingenieure dazu gebracht werden, zusätzliche hochpräzise Simulationen nur bei Bedarf durchzuführen.

Feature Engineering und Dimensionalitätsreduktion

AI hilft auch bei der Identifizierung der einflussreichsten Designparameter. Hauptkomponentenanalyse (PCA) und Autoencoder können die Dimensionalität des Designraums reduzieren, redundante Variablen herausfiltern und den Optimierungsaufwand auf die Parameter konzentrieren, die wirklich wichtig sind. Dieser Schritt ist entscheidend, wenn es um detaillierte 3D-Geometrien geht, die durch Tausende von Koordinaten repräsentiert werden.

Case Studies: AI-Driven Optimierung in der Praxis

Reale Anwendungen zeigen die konkreten Vorteile der KI-Integration. Im Folgenden sind zwei illustrative Beispiele aus der kommerziellen Luftfahrt und unbemannten Flugsystemen aufgeführt.

Winglet und Wing Tip Geräteoptimierung

Flugzeughersteller haben AI verwendet, um Winglets und andere Flügelspitzengeräte zu entwerfen, die den Luftwiderstand reduzieren. Bei Airbus wurde ein neuronales Netzwerk auf CFD-Daten von Hunderten von Winglet-Geometrien trainiert, wobei die Zuordnung von Formparametern (Kantungswinkel, Sweep, Höhe, Kegel) zur Luftwiderstandsreduzierung gelernt wurde. Das Modell diente dann als schneller Bewerter innerhalb eines genetischen Algorithmus und ergab ein Winglet, das die Kraftstoffverbrennung um 3,2% im Vergleich zu einem herkömmlichen Design verbesserte. Der KI-gesteuerte Prozess dauerte zwei Wochen anstelle der üblichen sechs Monate iterativer Tests.

Blended Wing Body (BWB) Konfigurationserkundung

Das Blended Wing Body-Konzept bietet große aerodynamische Vorteile, bietet aber einen enormen Designraum, da die Form kontinuierlich und stark gekoppelt ist. Forscher am NASA Ames Research Center haben Deep Learning angewendet, um die multidisziplinäre Optimierung eines BWB zu beschleunigen. Sie verwendeten einen Variationsautoencoder (VAE), um plausible 3D-Formen zu erzeugen, und dann einen DRL-Agenten, um Parameter wie die Motorintegration und die Oberflächengrößenregelung anzupassen. Das endgültige Design erfüllte die strukturelle Integrität und die Anforderungen an die Handhabung mit niedriger Geschwindigkeit, während der Reisewiderstand um 20% gegenüber einer herkömmlichen Rohr- und Flügelkonfiguration reduziert wurde.

Diese Fallstudien zeigen, wie KI nicht nur die Optimierung beschleunigt, sondern auch nicht intuitive Designs aufdeckt, die menschliche Ingenieure möglicherweise ablehnen. Die Fähigkeit, extreme Regionen des Designraums systematisch zu erkunden, ist ein entscheidender Wandel für die Luftfahrt der nächsten Generation, einschließlich elektrischer vertikaler Start- und Landeflugzeuge (eVTOL) und Überschall-Business-Jets.

Vorteile der AI-Driven Configuration Optimization

Die Vorteile der Einbettung von KI in den Design-Workflow sind vielfältig und erstrecken sich über den gesamten Lebenszyklus des Flugzeugs.

  • Radically Reduced Design Cycle Time: Was früher Monate manueller Iteration dauerte, kann jetzt in Tage oder Wochen komprimiert werden. KI-Surrogate und parallele Suchalgorithmen ermöglichen es Ingenieuren, Millionen von Konfigurationen in der Zeit zu bewerten, die für die Ausführung einer einzigen High-Fidelity-Simulation benötigt wird. Diese Beschleunigung ermöglicht mehr Design-Iterationen und eine höhere Wahrscheinlichkeit, globale optimale Lösungen zu erreichen.
  • Überlegene aerodynamische und strukturelle Leistung: AI-Optimierung liefert konsistent Designs mit geringerem Luftwiderstand, höherem Auftrieb und besserer struktureller Effizienz. Zum Beispiel können AI-optimierte Flügelhautpaneele das Gewicht um bis zu 15% reduzieren und gleichzeitig die Festigkeit beibehalten, dank der Topologieoptimierung, die durch maschinelles Lernen geleitet wird.
  • Kosteneinsparungen durch reduziertes Prototyping: Physische Windkanalmodelle und Prototypen sind teuer. KI ermöglicht virtuelle Tests von Tausenden von Konfigurationen, so dass nur die vielversprechendsten physikalisch validiert werden müssen. Dies kann die Entwicklungskosten für ein neues Flugzeugprogramm um 20 bis 30 % senken.
  • Verbesserte Innovation durch unerforschte Konfigurationen: KI-Systeme sind nicht durch Legacy-Designs voreingenommen. Sie können gepfeilte Flügel, unkonventionelle Leitwerke oder verteilte Antriebssysteme vorschlagen, die menschliche Designer aufgrund wahrgenommener Risiken vermeiden könnten. Diese neuartigen Konfigurationen liefern oft bahnbrechende Leistung.
  • Multi-Objective Trade-Off Analysis: AI handhabt komplexe Kompromisse zwischen widersprüchlichen Zielen, wie z.B. die Reduzierung von Lärm bei gleichzeitiger Aufrechterhaltung der Reichweite. Pareto-Frontvisualisierung hilft Entscheidungsträgern, die Kosten für die Wahl eines Ziels gegenüber einem anderen zu verstehen, was zu fundierteren technischen Entscheidungen führt.
  • Integration mit Digital Twin und Sustainment: AI-optimierte Konfigurationen können nahtlos in digitale Zwillingsmodelle integriert werden, die den Zustand und die Leistung von Flugzeugen über ihre Betriebsdauer überwachen. Feedback aus tatsächlichen Nutzungsdaten kann in die Optimierungsschleife für zukünftige Design-Upgrades zurückgeführt werden.

Herausforderungen und Hindernisse für die Adoption

Trotz des Versprechens müssen mehrere Herausforderungen überwunden werden, bevor KI in der Optimierung der Flugzeugkonfiguration allgegenwärtig wird.

Datenqualität und Verfügbarkeit

KI-Modelle sind nur so gut wie die Daten, auf die sie trainiert werden. CFD- oder Struktursimulationsdaten mit hoher Genauigkeit sind teuer zu generieren, und experimentelle Daten sind oft proprietär oder begrenzt. Viele Luft- und Raumfahrtunternehmen schützen ihre Testdaten eng und behindern die Entwicklung offener Benchmark-Datensätze. Darüber hinaus können Daten unter systematischen Fehlern leiden oder in den äußersten Ecken des Designraums spärlich sein, was zu unzuverlässigen Vorhersagen führt. Technologien wie Transferlernen und physikinformierte neuronale Netzwerke werden untersucht, um Datenknappheit zu verringern.

Modell Interpretierbarkeit und Vertrauen

Regulierungsbehörden wie die FAA und die EASA verlangen, dass Designentscheidungen erklärbar sind. KI-Modelle mit Blackbox-Modellen sind schwer zu zertifizieren, weil Ingenieure nicht vollständig verstehen können, warum eine bestimmte Konfiguration gewählt wurde. Bemühungen um erklärbare KI (XAI) zielen darauf ab, Ersatzmodelle zu erstellen, die die Gründe für ihre Ergebnisse aufdecken, aber dies bleibt ein aktiver Forschungsbereich. Bis zertifizierende Stellen KI-generierte Designs akzeptieren, werden Hersteller wahrscheinlich KI für frühe konzeptionelle Studien verwenden und sich auf traditionelle Methoden für zertifizierungskritische Entscheidungen verlassen.

Integration mit vorhandenen Design Tools

Die meisten Luft- und Raumfahrtunternehmen haben Workflows eingerichtet, die auf kommerzieller Software wie CATIA, NASTRAN und ANSYS aufbauen. Die Integration von KI-Optimierungs-Frameworks (Python-basierte Toolchains, TensorFlow oder benutzerdefinierte Algorithmen) in diese alten Ökosysteme erfordert einen erheblichen Software-Engineering-Aufwand. Unternehmen müssen in API-Entwicklung, Datenpipelines und plattformübergreifende Kompatibilität investieren. Die Auszahlung ist beträchtlich, aber die anfänglichen Integrationskosten können ein Hindernis sein, insbesondere für kleinere Unternehmen.

Regulatorische und Sicherheitszertifizierung Hürden

Die Zertifizierung eines Flugzeugs, das mit starker KI-Beteiligung entwickelt wurde, wirft neue Fragen auf. Wie validiert man die Sicherheit einer Konfiguration, die von einem Algorithmus und nicht von einem menschlichen Ingenieur entdeckt wurde? Die Industrie arbeitet an Standards für AI-in-the-Loop-Design, wie das ASTM International Committee on Machine Learning in Aerospace. Die vollständige regulatorische Akzeptanz wird jedoch wahrscheinlich Jahre dauern, und Zwischenlösungen können hybride Mensch-KI-Workflows beinhalten, bei denen das endgültige Design durch traditionelle Sicherheitsanalysen überprüft wird.

Rechenkosten von High-Fidelity Surrogates

Während KI-Surrogate schnell sind, ist das Training mit hochgenauen Daten nicht billig. Das Training eines tiefen neuronalen Netzwerks bei Tausenden von CFD-Simulationen kann Tage in einem GPU-Cluster erfordern. Bei hochkomplexen multidisziplinären Szenarien können die Vorab-Rechenkosten einige der Zeiteinsparungen während der Optimierungsphase ausgleichen. Forscher gehen diesem Problem mit Multi-Fidelity-Modellen nach, die billige Low-Fidelity-Bewertungen mit gelegentlichen High-Fidelity-Korrekturen kombinieren.

Das Feld entwickelt sich rasant. Mehrere Trends weisen auf eine Zukunft hin, in der KI tief in jede Phase des Flugzeugdesigns eingebettet ist.

Physikinformierte neuronale Netze (PINNs)

PINNs integrieren physikalische Gesetze (z.B. Navier-Stokes-Gleichungen) direkt in die Verlustfunktion eines neuronalen Netzwerks, wodurch sichergestellt wird, dass Vorhersagen der Strömungsdynamik auch bei begrenzten Trainingsdaten gehorchen. Dieser Ansatz reduziert den Bedarf an massiven Datensätzen und verbessert die Generalisierung. Zur Konfigurationsoptimierung können PINNs Flussfelder um neuartige Geometrien ohne CFD-Simulation vorhersagen, die als digitaler Windkanal fungieren. Erste Ergebnisse von Institutionen wie der Brown University zeigen Versprechen für inviszide und laminare Strömungen, und es werden Anstrengungen unternommen, um sie auf turbulente, instationäre Fälle auszudehnen.

Generatives Design und Topologieoptimierung

Generative kontradiktorische Netzwerke (GANs) und Variationsautoencoder (VAEs) können völlig neue Flugzeuglayouts aus einer latenten Raumdarstellung erzeugen. Anstatt parametrisierte Variablen zu optimieren, erforscht die KI einen kontinuierlichen Designraum von 3D-Formen. Dieser Ansatz wurde verwendet, um innovative Flügel-Innenstrukturen, Triebwerkshalterungen und sogar ganze Flugzeugblobs zu schaffen, die dann zu flugfähigen Konfigurationen verfeinert werden. Generatives Design wird wahrscheinlich ein Standardwerkzeug für frühe konzeptionelle Studien werden, die Kandidatengeometrien in spätere Detailoptimierungen einspeisen.

Echtzeitoptimierung für adaptive Strukturen

AI ist nicht auf das Pre-Flight-Design beschränkt; es kann auch Konfigurationen im Flug optimieren. Adaptive Flügel mit morphenden Vorderkanten, variablen Sturz oder verteilten Aktoren können ihre Form als Reaktion auf Flugbedingungen ändern. AI-Algorithmen, insbesondere Echtzeit-Verstärkungslernen, können diese Oberflächen kontinuierlich anpassen, um das optimale Lift-to-Drag-Verhältnis während der Reise aufrechtzuerhalten, Böenlasten zu reduzieren oder die Manövrierfähigkeit zu verbessern. [FLT: 0]] Das NASA-Projekt Adaptive Compliant Trailing Edge (ACTE) demonstrierte [FLT: 1] in der Flugformoptimierung mit AI [FLT: 2] [FLT: 3] und erreichte bis zu 12% Kraftstoffeinsparungen auf einem Gulfstream III-Testbed.

Digitale Zwillinge mit AI-Driven Feedback Loops

Sobald ein Flugzeug in Dienst gestellt wird, kann ein digitaler Zwilling – eine virtuelle Hochtreue-Replik – mit Sensordaten aktualisiert werden. KI-Algorithmen können diese Daten analysieren, um Leistungseinbußen oder unerwartetes aerodynamisches Verhalten zu erkennen, und dann Konfigurationsänderungen empfehlen (z. B. Anpassung der Flugflächen-Sweep- oder Kontrollflächenpläne), um die optimale Leistung wiederherzustellen. Diese geschlossene Design-Sustainment-Verbindung ermöglicht eine kontinuierliche Verbesserung über die Lebensdauer der Flotte, reduziert Wartungskosten und verlängert die Lebensdauer.

Multidisziplinäre und Multifidelity Optimierungsplattformen

Zukünftige Optimierungs-Frameworks werden Aerodynamik, Strukturen, Antrieb, Akustik und Fertigung nahtlos mit KI als Klebstoff koppeln. Unternehmen wie Dassault Systèmes und Siemens entwickeln Cloud-basierte Plattformen, die maschinelles Lernen mit ihren Simulationssuiten kombinieren, so dass Ingenieure multidisziplinäre Optimierungen mit minimaler manueller Einrichtung durchführen können. Diese Plattformen werden KI-basiertes Design demokratisieren und es für kleinere Flugzeughersteller und Start-ups zugänglich machen.

Schlussfolgerung

Künstliche Intelligenz verändert den Prozess der Flugzeugkonfigurationsoptimierung von einer arbeitsintensiven, raten-und-check-Methodik in eine datengesteuerte, automatisierte Suche nach Exzellenz. Durch die Nutzung neuronaler Netzwerke, genetischer Algorithmen und Verstärkungslernen können Luft- und Raumfahrtingenieure nun riesige Designräume erkunden, neuartige Konfigurationen aufdecken und Leistungssteigerungen erzielen, die zuvor unerreichbar waren. Die Vorteile - kürzere Designzyklen, geringere Kosten, verbesserte Kraftstoffeffizienz und erhöhte Sicherheit - sind überzeugend und gut dokumentiert durch Fallstudien von Branchenführern wie Boeing, Airbus und NASA.

Der Weg zur vollständigen Integration ist jedoch nicht ohne Hindernisse. Datenqualität, Modellinterpretabilität, regulatorische Akzeptanz und Rechenkosten bleiben aktive Bereiche der Forschung und Entwicklung. Da diese Herausforderungen allmählich durch physikgestützte KI, erklärbare Modelle und kollaborative Industriestandards angegangen werden, wird die Rolle der KI über das konzeptionelle Design hinaus in die Zertifizierung und Optimierung im Betrieb übergehen. Der Luft- und Raumfahrtsektor steht am Rande einer neuen Ära, in der intelligente Algorithmen Hand in Hand mit menschlichem Einfallsreichtum arbeiten, um Flugzeuge zu schaffen, die nicht nur effizienter, sondern auch anpassungsfähiger sind an die sich entwickelnden Anforderungen der globalen Luftfahrt.

Für diejenigen, die am Flugzeugdesign beteiligt sind, ist die Botschaft klar: KI ist keine Option mehr – es ist eine Wettbewerbsnotwendigkeit. Die Zukunft des Fliegens wird von denen gestaltet, die künstliche Intelligenz am besten in ihre Toolbox zur Konfigurationsoptimierung integrieren und so Leistungs- und Nachhaltigkeitsgewinne erzielen können, von denen Betreiber, Passagiere und der Planet gleichermaßen profitieren.

Für weitere Lektüre, siehe die detaillierte Umfrage von Li et al. (2021) auf "Machine Learning for Aerodynamic Design" veröffentlicht im AIAA Journal, oder erkunden Keshavarz et al. (2022) auf "Surrogate-Based Optimization of Aircraft Configurations" in Aerospace Science and Technology.