21.33 공기역학적 설계 최적화 기법 (Aerodynamic Design Optimization Techniques)

1. 공기역학 최적화 문제의 수식화와 설계 변수의 표현

공기역학적 설계 최적화는 기체나 그 구성 요소의 형상을 수학적으로 정의한 설계 변수 공간 위에서, 공력 성능을 나타내는 목적 함수를 최적화하는 문제로 정의된다. 일반적 수식화는

\min_{\mathbf{x} \in \mathcal{X}} J(\mathbf{x})\quad \text{s.t.}\quad g_{i}(\mathbf{x}) \le 0,\ \ h_{j}(\mathbf{x}) = 0

의 형태를 따르며, \mathbf{x}는 설계 변수, J는 목적 함수(예: 항력 계수, 1/(L/D), 저항 감쇠, 소음 수준), g_{i}와 h_{j}는 공력·구조·제작성·운용에 관한 부등식·등식 제약이다. 목적 함수와 제약의 조합은 단일 목표 문제 또는 다목적 문제로 구성될 수 있으며, 실제 설계에서는 Pareto 최적 집합을 얻는 다목적 최적화가 자주 요구된다. 설계 변수는 익형의 두께·캠버 분포, 평면 형상의 스팬·테이퍼·후퇴각·비틀림, 로터의 블레이드 익형·비틀림·솔리디티 등 형상의 기하학적 매개변수를 포함하며, 경우에 따라 제어면의 배치, 표면 거칠기, 재료 특성 같은 비기하학적 변수도 포함된다.

설계 변수의 표현은 최적화의 효율성과 해의 기하적 자유도에 직접 영향을 미친다. 익형의 경우 NACA 4·5자리 매개변수, Bézier 제어점, B-spline 제어점, Class–Shape Transformation(CST) 계수, Hicks–Henne 범프 함수 등이 사용되며, 각 표현은 매개변수 수와 형상 자유도의 절충을 반영한다. CST는 작은 계수 수로 폭넓은 익형 공간을 기술할 수 있으므로, 고차원 형상 최적화에서 자주 채택된다. 3차원 날개의 경우 평면 형상의 매개변수 외에 단면의 익형 변화와 비틀림 분포, 상반각 분포를 함께 매개변수화하며, Free-Form Deformation(FFD)과 Radial Basis Function(RBF) 기반 변형 기법이 격자와 일체된 형상 제어를 가능하게 한다. 이러한 매개변수화의 선택은 설계 공간의 품질과 최적화 알고리즘의 수렴성에 결정적 영향을 미친다.

2. 최적화 알고리즘의 분류와 민감도 해석

공기역학 최적화에 사용되는 알고리즘은 크게 경사 기반 방법과 무경사 방법으로 나뉜다. 경사 기반 방법은 목적 함수와 제약의 설계 변수에 대한 편미분 \partial J/\partial \mathbf{x}을 이용하여 설계 변수를 반복적으로 갱신하며, 최급 강하법, 공액 경사법, 준뉴턴 방법(BFGS), 순차 이차 계획법(SQP) 등이 사용된다. 경사 기반 방법은 고차원 문제에서도 효율적이며, 수백 이상의 설계 변수를 다룰 수 있다는 장점을 가진다. 반면 무경사 방법은 유전 알고리즘(GA), 입자 군집 최적화(PSO), 시뮬레이티드 어닐링(SA), Bayesian 최적화 등이 대표적이며, 경사 정보에 의존하지 않고 전역 탐색을 수행하는 점에서 다봉 문제에 강점을 가진다. 실무적으로는 두 방법을 단계적으로 결합하여, 초기에 무경사 방법으로 후보 영역을 탐색한 뒤 경사 기반 방법으로 해를 정제하는 하이브리드 전략이 채택된다.

경사 기반 방법의 핵심은 민감도 해석이며, 공기역학의 고차원 설계 공간에서는 수반(adjoint) 방법이 표준적 도구로 자리 잡았다. 수반 방법은 상태 변수의 모든 성분을 직접 미분하는 대신, 수반 방정식을 한 번 풀어 모든 설계 변수에 대한 목적 함수의 경사를 계산하는 기법이다. 압축성 Navier–Stokes 방정식에 대한 이산 수반 방정식은 원방정식과 동일한 차원을 가지므로, 설계 변수의 수와 무관한 일정한 계산 비용으로 경사 정보를 얻을 수 있다. 이러한 특성은 수백에서 수천 개의 설계 변수를 가진 고차원 형상 최적화에서 수반 방법이 사실상 유일한 실용적 선택이 되도록 만들며, 항공기 날개 최적화, 엔진 나셀 설계, 로터 블레이드 최적화의 표준 도구로 사용된다.

3. 대체 모델과 다분야 통합 최적화

CFD 기반 최적화의 계산 비용을 완화하기 위하여 대체 모델(surrogate model)이 광범위하게 사용된다. 대표적 기법으로는 Kriging, 방사 기저 함수 보간, 다항식 혼돈 전개, Gaussian Process Regression, 신경망 기반 대체 모델 등이 있으며, 설계 공간의 일정 개수 샘플에 대한 CFD 결과로부터 목적 함수와 제약의 근사 모델을 구축한다. Bayesian 최적화는 이러한 대체 모델의 불확실성을 함께 관리하며 다음 샘플 지점을 선정하는 방식으로, 비싼 함수 평가를 요구하는 공기역학 최적화에서 점차 사용이 확대되고 있다. 최근의 기계 학습 기반 대체 모델은 CFD 필드 데이터 전체를 학습하여 유동장을 직접 재구성하는 방향으로 발전하고 있으며, 이는 설계와 실시간 해석의 경계를 재편할 가능성을 내포한다.

실제 비행체 설계는 공력·구조·제어·추진·소음의 다양한 분야의 요구를 동시에 충족해야 하므로, 단일 분야 최적화를 넘어 다분야 최적화(Multidisciplinary Design Optimization, MDO)가 필수적이다. MDO는 여러 분야 해석 모듈을 통합하여 설계 변수와 상태 변수의 상호 의존성을 체계적으로 관리하는 틀을 제공하며, Concurrent Subspace Optimization, Bi-Level Integrated System Synthesis(BLISS), Collaborative Optimization, MDA(Multidisciplinary Design Analysis) 기반 통합 프레임워크 등이 사용된다. 비행 로봇의 경우 공력 성능과 구조 질량, 배터리 용량, 제어 성능, 소음 배출, 제작성의 교환 관계가 설계 성공을 좌우하므로, MDO의 관점이 실무적으로 매우 중요하다. 이러한 통합은 이론적 엄밀성뿐 아니라 공학적 현실성을 확보하는 방식으로 최적화 절차를 확장한다.

표 21.33.1은 공기역학 최적화의 주요 요소와 전형적 선택을 정리한다.

4. 로봇공학적 응용과 실무적 전략

비행 로봇의 공기역학적 설계 최적화는 임무 특성과 기체 유형에 따라 다양한 방식으로 수행된다. 고정익 UAV의 날개 설계에서는 저Reynolds 익형의 선정과 스팬 방향 비틀림 최적화가 장기 체공 성능의 핵심이며, 패널법·경계층 결합 해석을 기반으로 한 역설계(inverse design)가 자주 활용된다. 멀티로터의 프로펠러 최적화는 호버링 지수 FM과 전진 비행 효율의 동시 최적화가 요구되며, BEMT 기반 해석을 출발점으로 하여 RANS 또는 DES 기반 CFD로 검증되는 다층 절차가 사용된다. 수직 이착륙 복합 기체는 호버링과 순항 모드의 이중 요구로 인하여 다목적 최적화의 대상이 되며, Pareto 해의 집합을 얻어 임무 특성에 맞는 해를 선정하는 방식이 채택된다.

실무적 전략은 계산 자원, 개발 일정, 정확도 요구의 균형을 반영한다. 예비 설계 단계에서는 대체 모델과 저차 해석 도구에 기반한 넓은 설계 공간 탐색이 이루어지고, 상세 설계 단계에서는 수반 방법 기반 고차원 형상 최적화와 고정밀 CFD가 결합된다. 최종 검증은 풍동 시험과 비행 시험을 통하여 이루어지며, 이 과정에서 얻어진 데이터는 대체 모델의 업데이트와 최적화 알고리즘의 사후 평가에 반영된다. 이러한 반복적 절차는 공기역학적 설계 최적화가 일회성 작업이 아니라, 프로젝트 전반에 걸친 지속적 엔지니어링 관례임을 보여 준다. 또한 기계 학습과 MDO의 결합은 미래의 비행 로봇 설계 패러다임을 재편할 주요 동력으로 작용하고 있으며, 공기역학 최적화가 학문과 실무를 연결하는 핵심 기술로 계속 발전할 것임을 시사한다.

5. 출처

• Jameson, A., “Aerodynamic Design via Control Theory,” Journal of Scientific Computing, Vol. 3, 1988, pp. 233–260.
• Martins, J. R. R. A., and Ning, A., Engineering Design Optimization, Cambridge University Press, 2021.
• Kennedy, G. J., and Martins, J. R. R. A., “An Adjoint-Based Derivative Evaluation Method for Time-Dependent Aeroelastic Optimization of Flexible Aircraft,” Journal of Aircraft, Vol. 51, No. 4, 2014.
• Sobieszczanski-Sobieski, J., and Haftka, R. T., “Multidisciplinary Aerospace Design Optimization: Survey of Recent Developments,” Structural Optimization, Vol. 14, 1997, pp. 1–23.
• Forrester, A. I. J., Sobester, A., and Keane, A. J., Engineering Design via Surrogate Modelling: A Practical Guide, Wiley, 2008.
• Kulfan, B. M., “Universal Parametric Geometry Representation Method,” Journal of Aircraft, Vol. 45, No. 1, 2008, pp. 142–158.

6. 버전

v1.0