21.33 공기역학적 설계 최적화 기법 (Aerodynamic Design Optimization Techniques)

21.33 공기역학적 설계 최적화 기법 (Aerodynamic Design Optimization Techniques)

1. 공기역학적 설계 최적화의 개요

공기역학적 설계 최적화(aerodynamic design optimization)는 설계 변수(형상 매개변수, 운용 조건 등)를 체계적으로 조정하여 목적 함수(objective function)를 극대화 또는 극소화하는 과정이다. 전통적인 시행착오(trial-and-error) 방식의 설계에 비해, 수학적 최적화 기법은 설계 공간(design space)을 효율적으로 탐색하여 최적 또는 준최적(near-optimal) 설계를 도출할 수 있다.

공기역학적 설계 최적화 문제의 일반적 형태는 다음과 같다:

\min_{\mathbf{x}} f(\mathbf{x}) \quad \text{subject to} \quad g_i(\mathbf{x}) \leq 0, \quad h_j(\mathbf{x}) = 0

여기서 \mathbf{x}는 설계 변수 벡터, f는 목적 함수(예: 항력 최소화), g_i와 h_j는 제약 조건(예: 양력 계수 유지, 구조적 강도 만족)이다.

21.33.2 형상 매개변수화

최적화를 위해서는 공기역학적 형상을 유한 개의 설계 변수로 표현하는 형상 매개변수화(shape parameterization)가 필요하다. 주요 매개변수화 방법은 다음과 같다:

직접 좌표 방법: 형상을 정의하는 좌표점을 직접 설계 변수로 사용한다. 최대의 설계 자유도를 제공하지만, 변수의 수가 많고 비물리적 형상이 생성될 수 있다.

PARSEC 방법: 익형의 물리적 특성(앞전 반경, 최대 두께 위치, 뒷전 각도 등)을 직접 설계 변수로 사용하여 공기역학적으로 의미 있는 매개변수 공간을 구성한다.

클래스/형상 변환(Class-Shape Transformation, CST) 방법: Kulfan(2008)이 제안한 방법으로, 익형 형상을 클래스 함수(class function)와 형상 함수(shape function)의 곱으로 표현한다. 적은 수의 매개변수로 다양한 익형 형상을 생성할 수 있으며, 기하학적 유효성이 보장된다.

자유 형상 변형(Free-Form Deformation, FFD): 형상을 둘러싸는 제어 격자의 제어점을 이동시켜 형상을 변형하는 방법이다. 3차원 형상 최적화에 효과적이며, 다양한 형상 유형에 일반적으로 적용된다.

21.33.3 역설계 방법

역설계(inverse design)는 목표 압력 분포 또는 속도 분포를 지정하고, 이를 실현하는 형상을 역으로 구하는 방법이다. 직접 설계(direct design)에서는 형상을 지정하고 유동을 해석하는 반면, 역설계에서는 원하는 유동 특성으로부터 형상을 도출한다.

Eppler 방법은 역설계의 대표적 사례로서, 익형 표면의 속도 분포를 지정하고 등각 사상(conformal mapping) 이론을 이용하여 익형 형상을 결정한다. 이 방법은 설계자의 공기역학적 지식을 직접 활용할 수 있는 장점이 있다. XFOIL의 설계 모드도 역설계 기능을 제공한다 (Drela, 1989).

21.33.4 경사 기반 최적화

경사 기반 최적화(gradient-based optimization)는 목적 함수의 설계 변수에 대한 경사(gradient)를 이용하여 최적 방향으로 설계 변수를 반복적으로 갱신하는 방법이다. 수렴이 빠르고 고차원 설계 공간에서 효율적이지만, 국소 최적해(local optimum)에 수렴할 위험이 있다.

대표적 경사 기반 알고리즘:

  • 최급 하강법(steepest descent method): 경사의 음의 방향으로 설계 변수를 갱신한다. 구현이 단순하지만 수렴이 느릴 수 있다.
  • 켤레 경사법(conjugate gradient method): 이전 탐색 방향을 고려하여 수렴 속도를 향상시킨다.
  • 준뉴턴 방법(quasi-Newton method, BFGS): 헤시안 행렬(Hessian matrix)의 근사를 이용하여 2차 수렴 특성을 달성한다. 공기역학적 설계 최적화에서 가장 널리 사용되는 방법 중 하나이다.
  • 순차 이차 프로그래밍(Sequential Quadratic Programming, SQP): 제약 조건이 있는 비선형 최적화 문제에 효과적인 방법이다.

경사의 효율적 계산을 위해 수반 방법(adjoint method)이 사용된다. 수반 방법은 설계 변수의 수에 무관하게 한 번의 추가 해석으로 모든 설계 변수에 대한 목적 함수의 경사를 동시에 구할 수 있어, 고차원 최적화에 특히 유리하다 (Jameson, 1988).

21.33.5 진화 알고리즘과 메타휴리스틱 방법

진화 알고리즘(evolutionary algorithm)은 생물학적 진화의 원리(선택, 교차, 돌연변이)를 모방하여 최적해를 탐색하는 확률적 최적화 방법이다. 경사 정보를 사용하지 않으므로, 불연속적이거나 다수의 국소 최적해를 갖는 문제에 적합하다.

유전 알고리즘(Genetic Algorithm, GA): 해 후보(개체)의 집단(population)을 진화시키며, 선택·교차·돌연변이 연산을 통해 적합도(fitness)가 높은 개체를 선별한다. 전역 최적해(global optimum)를 탐색하는 능력이 우수하지만, 수렴에 많은 목적 함수 평가가 필요하다.

입자 군집 최적화(Particle Swarm Optimization, PSO): 군집 지능(swarm intelligence)에 기반하여 입자(개체)가 설계 공간을 탐색한다. 구현이 단순하고 연속 변수 최적화에 효과적이다.

차분 진화(Differential Evolution, DE): 현재 집단의 개체 차이 벡터를 이용하여 새로운 후보 해를 생성하는 방법이다. 수렴 성능이 우수하여 공기역학적 최적화에 널리 적용된다.

이러한 메타휴리스틱 방법은 경사 기반 방법에 비해 함수 평가 횟수가 많으므로, 대리 모델(surrogate model)과 결합하여 사용하는 것이 일반적이다.

21.33.6 대리 모델 기반 최적화

대리 모델(surrogate model, 또는 메타모델)은 계산 비용이 높은 CFD 해석을 근사하는 저비용 수학적 모델이다. 소수의 CFD 해석 결과(샘플 점)로부터 대리 모델을 구축하고, 대리 모델 위에서 최적화를 수행한 후, 최적 후보 점에서 CFD 해석을 추가로 수행하여 대리 모델을 갱신하는 반복 과정을 통해 효율적 최적화가 가능하다.

주요 대리 모델 기법:

  • 크리깅(Kriging, 또는 가우시안 과정 회귀): 예측값과 함께 불확실성(uncertainty)을 제공하여 탐색(exploration)과 개발(exploitation)의 균형을 조절할 수 있다.
  • 방사 기저 함수(Radial Basis Function, RBF): 비선형 내삽에 적합하며 구현이 간편하다.
  • 다항식 응답면(polynomial response surface): 저차원 설계 공간에 적합하다.

효율적 전역 최적화(Efficient Global Optimization, EGO) 알고리즘은 크리깅 대리 모델과 기대 개선량(Expected Improvement, EI) 기준을 결합하여 적은 수의 함수 평가로 전역 최적해를 효율적으로 탐색한다 (Jones et al., 1998).

21.33.7 다목적 최적화

공기역학적 설계에서는 상충하는 다수의 목적 함수(예: 항력 최소화와 양력 최대화, 순항 성능과 이착륙 성능)를 동시에 고려하여야 하는 경우가 빈번하다. 다목적 최적화(multi-objective optimization)는 파레토 최적(Pareto optimal) 해 집합을 구하여 설계자에게 상충 관계(trade-off)의 전체 구조를 제시한다.

NSGA-II(Non-dominated Sorting Genetic Algorithm II)는 다목적 진화 알고리즘의 대표적 기법으로서, 비지배 정렬(non-dominated sorting)과 군집 거리(crowding distance)를 이용하여 파레토 전선(Pareto front)을 효율적으로 탐색한다.

21.33.8 다분야 통합 최적화

비행체의 설계에서 공기역학은 구조, 추진, 제어 등 다른 설계 분야와 결합되어 있으며, 각 분야의 최적이 전체 시스템의 최적을 보장하지 않는다. 다분야 통합 최적화(Multidisciplinary Design Optimization, MDO)는 여러 설계 분야를 동시에 고려하여 시스템 수준의 최적 설계를 도출하는 방법론이다.

비행 로봇의 MDO에서는 공기역학적 효율(양항비), 구조 중량, 추진 효율, 배터리 에너지, 비행 제어 특성 등이 상호 연관된 설계 변수와 제약 조건으로 결합된다.

21.33.9 저레이놀즈 수 익형 최적화

소형 비행 로봇의 익형 최적화에서는 저레이놀즈 수 유동의 고유한 물리적 특성이 최적화 문제를 복잡하게 만든다. 층류 박리 거품에 의한 성능의 비연속적 변화, 레이놀즈 수에 대한 민감성, 이력 현상 등이 목적 함수의 비매끄러운(non-smooth) 거동을 초래할 수 있다.

저레이놀즈 수 익형 최적화의 전형적 문제 설정:

  • 목적 함수: 설계 양력 계수에서의 항력 최소화, 또는 특정 양력 계수 범위에서의 양항비 최대화
  • 제약 조건: 최소 두께(구조적 요구), 최대 캠버(모멘트 제약), 최대 양력 계수(실속 여유)
  • 해석 도구: XFOIL 또는 CFD(천이 모델 포함)
  • 최적화 알고리즘: 유전 알고리즘 + 대리 모델, 또는 경사 기반 방법

21.33.10 로봇 공학에서의 공기역학적 최적화 적용

비행 로봇의 개발에서 공기역학적 설계 최적화는 다음의 분야에 적용된다:

  • 익형 최적화: 운용 레이놀즈 수 범위에서 양항비를 최대화하는 전용 익형의 설계
  • 프로펠러/로터 블레이드 최적화: 비틀림, 시위 분포, 익형 배치의 최적화를 통한 추력 효율 극대화
  • 날개 평면형 최적화: 종횡비, 테이퍼비, 비틀림 분포의 최적화를 통한 순항 양항비의 극대화
  • 기체 형상 최적화: 동체, 접합부, 착륙 장치 등의 기생 항력 최소화
  • 다중 로터 배치 최적화: 로터 간 간격, 경사, 상대 높이의 최적화를 통한 간섭 손실의 최소화

오픈소스 최적화 프레임워크인 OpenMDAO와 공기역학 해석 도구(XFOIL, OpenFOAM, AVL 등)의 결합은 비행 로봇의 공기역학적 설계 최적화를 위한 효과적인 플랫폼을 구성한다 (Martins & Ning, 2021).

참고 문헌

  • Drela, M. (1989). XFOIL: An analysis and design system for low Reynolds number airfoils. In Low Reynolds Number Aerodynamics, Lecture Notes in Engineering, Vol. 54, Springer.
  • Jameson, A. (1988). Aerodynamic design via control theory. Journal of Scientific Computing, 3(3), 233–260.
  • Jones, D. R., Schonlau, M., & Welch, W. J. (1998). Efficient global optimization of expensive black-box functions. Journal of Global Optimization, 13(4), 455–492.
  • Kulfan, B. M. (2008). Universal parametric geometry representation method. Journal of Aircraft, 45(1), 142–158.
  • Martins, J. R. R. A., & Ning, A. (2021). Engineering Design Optimization. Cambridge University Press.

버전: 2026-04-16-v1.0