El papel del aprendizaje automático en la optimización aerodinámica

Los dispositivos de elevador, incluyendo escotillas, y extensiones de vanguardia, son vitales para generar el ascensor adicional requerido durante el despegue y aterrizaje. Su geometría influye directamente en las características de estancamiento, la arrastre y el ruido. Tradicionalmente, optimizar estas formas basadas en pruebas de túnel de viento iterativa y simulaciones de fluido computacional (CFD)—tanto tiempo-consumo y costoso.

Los modelos ML pueden aprender las complejas relaciones no lineales entre parámetros de forma y métricas de rendimiento aerodinámico como coeficiente de elevación, coeficiente de arrastre y coeficiente de momento. Esta capacidad permite a los ingenieros proyectar rápidamente miles de diseños de candidatos, identificar regiones prometedoras del espacio de diseño, e incluso generar configuraciones novedosas que serían difíciles de concebir manualmente. El resultado es una aceleración dramática del ciclo de diseño, a menudo reduciendo las semanas de CF.

Cómo el aprendizaje automático se ajusta al proceso de diseño

En un flujo de trabajo de optimización aerodinámica basado en ML, se evalúa un conjunto de diseños iniciales utilizando datos CFD o experimentales. Estos datos forman un modelo surrogado —una aproximación matemática de la física verdadera. El modelo surrogado se utiliza entonces para predecir el rendimiento de nuevos diseños a una fracción del costo computacional.

Otro enfoque es diseño inverso usando ML. En lugar de optimizar desde una base de referencia, un modelo ML aprende a mapear directamente las propiedades aerodinámicas deseadas (por ejemplo, distribución de elevación de destino) a los parámetros de forma necesarios. Esto revierte el flujo de trabajo tradicional y puede producir diseños no convencionales pero eficaces. Por ejemplo, las redes neuronales entrenadas en una base de geometría prescrita

Tipos de Técnicas de Aprendizaje de Máquinas Usadas

La amplia gama de técnicas ML permite a los ingenieros adaptar el enfoque de optimización al problema específico. A continuación se presentan las categorías más comunes aplicadas a la optimización de la forma de dispositivo de elevación.

Aprendizaje supervisado

Los modelos de aprendizaje supervisados, como redes neuronales, máquinas vectoriales de soporte o bosques aleatorios, se entrenan en conjuntos de datos etiquetados donde cada diseño se combina con su rendimiento aerodinámico. Estos modelos aprenden la asignación de entrada (parámetros de configuración, condiciones de flujo) a la salida (lift, drag). Una vez entrenados, pueden predecir el rendimiento para diseños no visibles casi instantáneamente.

Reforzamiento del aprendizaje

El aprendizaje de refuerzo (RL) trata la optimización de la forma como un problema de decisión secuencial. Un agente toma acciones (haciendo cambios incrementales en una forma) y recibe recompensas basadas en el rendimiento aerodinámico resultante. A través del ensayo y error, el agente aprende una política que maximiza la recompensa acumulada, que libera a formas óptimas. RL es particularmente útil cuando el espacio de diseño es grande y continuo, ya que puede explorar eficientemente sin necesidad de un trabajo inicial de trabajo