27.50 난류와 돌풍 모델링의 최신 연구 동향

27.50 난류와 돌풍 모델링의 최신 연구 동향

난류와 돌풍 모델링은 고전적인 통계적 모델과 결정론적 형상 함수의 결합으로 출발해, 자료 기반 학습 모델, 다중 규모 결합 모델, 물리 정보 통합 모델로 확장되어 왔다. 무인기 운용 환경의 다양화와 자율성 수준의 향상은 외란 모델링에 대한 정량적·정성적 요구를 지속적으로 높이고 있으며, 이에 따라 항공 우주, 기상 과학, 데이터 과학, 제어 공학의 다학제적 연구가 활발하게 진행되고 있다. 본 절에서는 난류와 돌풍 모델링 분야의 최신 연구 동향을 학술적으로 분류하고 주요 연구 방향과 성과를 기술한다.

1. 자료 기반 모델링의 확장

자료 기반 모델링(data-driven modeling)은 대용량의 측정 자료와 시뮬레이션 자료를 활용해 외란의 통계적 특성과 시변 신호를 직접 학습하는 접근이다. 최근에는 심층 학습(deep learning) 기반 생성 모델, 트랜스포머(transformer) 기반 시계열 모델, 그래프 신경망(graph neural network, GNN) 기반 시공간 모델이 활발히 연구되고 있다.

생성 모델 분야에서는 변분 오토인코더(variational autoencoder, VAE), 생성적 적대 신경망(generative adversarial network, GAN), 확산 모델(diffusion model)이 난류 시계열과 풍속장의 합성에 활용되고 있다. 특히 확산 모델은 자연 영상 생성에서 검증된 우수한 표본 품질을 바탕으로, 격자형 풍속장 합성에 적용되어 통계적 특성과 공간 구조의 동시 보존이 가능함이 보고되고 있다. 트랜스포머 기반 모델은 장기적 시계열 의존성과 다중 변수 상호 작용을 효과적으로 학습하는 데 활용된다.

또한 화웨이 클라우드(Huawei Cloud)의 Pangu-Weather, 엔비디아(NVIDIA)의 FourCastNet, 구글 딥마인드(Google DeepMind)의 GraphCast, ECMWF의 AIFS(Artificial Intelligence Forecasting System) 등 대규모 인공지능 기반 기상 예측 모델은 전 지구 규모의 풍속·기압 예측 정확도를 결정론적 NWP 모델과 비교 가능한 수준 또는 일부 영역에서 그 이상으로 달성하고 있으며, 무인기 임무 계획에 활용 가능한 새로운 자료원으로 주목받고 있다.

2. 다중 규모 결합 모델링

다중 규모 결합 모델링(multiscale coupling)은 광역 규모의 NWP 모델과 미시 규모의 CFD 또는 LES(large eddy simulation) 모델을 결합해 광역 환경의 기상 조건과 국지 환경의 미세 난류 구조를 동시에 표현하는 접근이다. 도심 환경, 산악 지형, 해상 환경 등 복합 지형에서의 무인기 운용에 필수적인 모델링 기법으로 자리잡고 있다.

대표적인 결합 사례로는 WRF(Weather Research and Forecasting) 모델과 PALM(Parallelized Large-Eddy Simulation Model)의 결합, WRF-LES와 OpenFOAM의 결합, ECMWF IFS와 도시 규모 LES의 결합 등이 보고되어 있다. 결합 인터페이스에서는 측면 경계 조건의 일관성, 시간 동기화, 격자 좌표계 변환이 학술적 도전 과제로 다루어지고 있으며, 이를 해결하기 위한 일관성 보존 기법과 적응 격자(adaptive grid) 기법이 활발히 연구되고 있다.

3. 물리 정보 신경망의 적용 확대

물리 정보 신경망(physics-informed neural network, PINN)은 신경망의 손실 함수에 지배 방정식의 잔차 항을 추가하여 물리적 일관성을 보장하는 접근이다. 난류 모델링 분야에서는 나비에-스토크스 방정식, 연속방정식, 열역학 방정식의 잔차를 포함한 PINN이 풍속장 재구성, 결측 자료 보간, 외란 추정에 활용되고 있다.

최근에는 신경 연산자(neural operator) 기반 접근, 특히 푸리에 신경 연산자(Fourier neural operator, FNO)가 편미분 방정식의 해를 학습하는 데 활용되어, 전통적인 PINN의 한계를 보완하는 방향으로 연구가 진행되고 있다. 이러한 신경 연산자는 다중 격자 해상도에서 일관된 예측을 제공하며, 학습 후 매우 빠른 추론 속도로 실시간 적용이 가능하다.

4. 도심 항공 모빌리티 환경의 모델링

도심 항공 모빌리티(urban air mobility, UAM)와 도심 무인기 배달 서비스의 확산에 따라 도심 환경의 난류 모델링이 학술적·산업적 관심을 받고 있다. NASA의 Advanced Air Mobility(AAM) 프로그램, 유럽 SESAR(Single European Sky ATM Research)의 U-space 프로그램, 한국의 K-UAM 그랜드 챌린지가 대표적이며, 이러한 프로그램은 도심 풍속장 모델링과 비행 안전성 평가를 핵심 과제로 포함하고 있다.

도심 환경에서는 건물 후류, 빌딩 캐니언 효과, 옥상 가장자리 와동, 도심 열섬 효과 등 복합적 현상이 결합된 난류가 발생하며, 이를 정확히 모델링하기 위해 도심 형태(urban morphology) 자료와 결합된 고분해능 CFD 모사가 활용되고 있다. 또한 실시간 운용을 위한 대리 모델(surrogate model)과 신경망 기반 풍속장 예측 모델의 개발이 활발하다.

5. 운용 자료 기반 외란 학습

무인기 운용에서 누적되는 비행 자료를 활용해 외란을 학습하는 운용 자료 기반 외란 학습(operational data-driven disturbance learning)이 새로운 연구 방향으로 부상하고 있다. 대규모 무인기 운용 사업자가 보유한 비행 로그(flight log)에서 풍속과 비행체 응답의 시계열을 추출하여, 운용 영역의 통계적 외란 모델을 자동 학습하는 접근이다.

이러한 접근은 운용 영역에 특화된 외란 모델을 산출할 수 있어, 표준화된 일반 모델 대비 더 높은 정확도를 제공할 수 있다. 또한 자료가 누적될수록 모델이 지속적으로 개선되는 평생 학습(lifelong learning) 또는 연속 학습(continual learning)의 형태로 운용 가능하다는 장점이 있다. 다만 자료의 편향, 측정 잡음, 비공개 자료의 활용 윤리 등 학술적·실무적 도전 과제가 존재한다.

6. 군집 기반 협동 외란 추정

군집 형태로 운용되는 다수의 무인기가 자체 측정 자료를 공유해 풍속장과 외란을 협동적으로 추정하는 군집 기반 협동 외란 추정(swarm-based cooperative disturbance estimation)이 활발히 연구되고 있다. 이 접근은 단일 무인기의 측정 한계를 극복하고, 운용 영역의 시공간 분해능을 향상시키는 데 기여한다.

협동 추정의 학술적 기반으로는 분산 칼만 필터(distributed Kalman filter), 합의 알고리즘(consensus algorithm), 그래프 기반 융합(graph-based fusion), 가우시안 과정(Gaussian process) 회귀가 활용된다. 통신 지연, 측정 잡음, 부분 관측, 이종 센서 자료의 통합이 학술적 도전 과제이다.

7. 강건 제어와 학습 제어의 결합

난류 환경에서의 비행 제어 분야에서는 강건 제어(robust control), 적응 제어(adaptive control), 학습 제어(learning-based control)의 결합이 활발히 연구되고 있다. 강건 제어는 모델 불확실성에 대한 안정성 보장을 제공하지만 보수적인 성능을 보일 수 있으며, 학습 제어는 환경 적응성이 우수하지만 안정성 보장에 한계가 있다. 두 접근의 상호 보완은 안전성과 성능을 동시에 달성하는 방향으로 연구되고 있다.

대표적인 결합 기법으로는 안전 학습 제어(safe learning-based control), 제어 장벽 함수(control barrier function, CBF) 기반 학습 정책, 강건 강화 학습(robust reinforcement learning), 메타 학습 기반 적응 제어 등이 있다. 또한 형식적 검증(formal verification) 기법을 학습 정책에 적용해 안전 조건을 사후적으로 보증하는 절차도 연구되고 있다.

8. 디지털 트윈 기반 통합 모델링

디지털 트윈(digital twin) 기반 통합 모델링은 실제 무인기 시스템과 운용 환경의 디지털 표현을 실시간으로 동기화해, 운용 중 외란과 시스템 응답을 통합적으로 분석하는 접근이다. 디지털 트윈은 시뮬레이션 환경, 실시간 측정 자료, 학습 모델, 예측 모델을 통합하며, 운용 전 시나리오 평가, 운용 중 의사 결정 지원, 운용 후 사고 분석에 활용된다.

항공 분야에서는 보잉(Boeing), 에어버스(Airbus), 록히드 마틴(Lockheed Martin) 등 주요 기업이 자사 제품의 디지털 트윈을 개발하고 있으며, 무인기 분야에서도 디지털 트윈 기반의 통합 검증 환경 구축이 진행되고 있다. NASA의 Digital Aviation 프로그램, 유럽의 Industry 4.0 관련 프로젝트가 학술적·산업적 추진 동력으로 작용하고 있다.

9. 기상 변화와 극한 난류의 연구

기후 변화에 따른 대기 순환 패턴의 변화는 청천 난류(clear-air turbulence, CAT)와 극한 돌풍의 발생 빈도와 강도에 영향을 미치고 있으며, 이는 항공 안전성 평가에 새로운 도전 과제를 제기하고 있다. 연구에 따르면 북대서양 항공 회랑(North Atlantic Flight Corridor)에서의 CAT 발생 빈도가 최근 수십 년에 걸쳐 증가하는 추세를 보이고 있으며, 이는 제트 기류(jet stream)의 강화와 관련된 것으로 분석되고 있다.

이러한 기상 변화 추세는 무인기 운용 환경에도 영향을 미칠 것으로 예상되며, 기상 변화 시나리오를 반영한 장기 운용 위험 평가, 운용 영역의 동적 갱신, 극한 사건에 대비한 안전 마진 확장이 학술적 연구 주제로 부상하고 있다.

10. 표준화와 인증 절차의 진화

난류와 돌풍 모델의 표준화 및 인증 분야에서도 활발한 진화가 진행되고 있다. 항공 분야의 전통적 표준인 MIL-F-8785C와 MIL-HDBK-1797은 유인 항공기를 대상으로 정립된 반면, 무인기와 도심 항공 모빌리티 분야의 외란 모델 표준은 아직 정립 단계에 있다. EASA, FAA, ICAO 등의 국제 항공 당국과 ASTM, RTCA, EUROCAE 등의 표준화 기구가 무인기 외란 모델과 시뮬레이션 표준을 제정하고 있으며, 학술 분야에서는 새로운 표준의 학술적 근거를 제공하는 연구가 활발하다.

또한 인공지능 기반 시스템의 항공 인증을 위한 표준 제정도 진행되고 있다. EUROCAE WG-114와 SAE G-34의 ED-324/ARP6983, EASA의 Concept Paper on AI 등이 대표적이며, 학습 기반 외란 추정 및 보상 시스템의 인증 절차에 직접적인 영향을 미친다.

11. 학술적 의의와 향후 전망

난류와 돌풍 모델링의 최신 연구 동향은 자료 기반 모델의 확장, 다중 규모 결합, 물리 정보 신경망, 도심 환경 모델링, 운용 자료 활용, 군집 협동 추정, 강건·학습 제어 결합, 디지털 트윈, 기상 변화 대응, 표준화·인증의 진화로 요약된다. 이러한 동향은 무인기의 자율성 수준 향상, 운용 환경의 다양화, 산업 활용의 확대에 대응한 학술적·기술적 발전 방향과 밀접하게 연관되어 있다.

향후에는 다양한 운용 영역과 무인기 종류를 포괄하는 통합적 외란 모델링 체계의 정립, 안전성과 성능을 동시에 보장하는 검증 가능한 학습 기반 시스템의 개발, 디지털 트윈을 활용한 운용 전 단계 위험 평가의 표준화, 그리고 기상 변화에 따른 장기 운용 위험 평가 체계의 구축이 주요 학술적 과제로 자리잡을 것으로 전망된다. 이러한 연구는 후속 장에서 다루는 대기 모델과 환경 영향, 그리고 보다 광범위한 로봇 공학 분야와의 통합으로 확장될 것이다.

12. 출처

  • Bi, K., Xie, L., Zhang, H., Chen, X., Gu, X., and Tian, Q., “Accurate medium-range global weather forecasting with 3D neural networks”, Nature, Vol. 619, pp. 533–538, 2023.
  • Lam, R., Sanchez-Gonzalez, A., Willson, M., Wirnsberger, P., Fortunato, M., Alet, F., Ravuri, S., Ewalds, T., Eaton-Rosen, Z., Hu, W., Merose, A., Hoyer, S., Holland, G., Vinyals, O., Stott, J., Pritzel, A., Mohamed, S., and Battaglia, P., “Learning skillful medium-range global weather forecasting”, Science, Vol. 382, No. 6677, pp. 1416–1421, 2023.
  • Pathak, J., Subramanian, S., Harrington, P., Raja, S., Chattopadhyay, A., Mardani, M., Kurth, T., Hall, D., Li, Z., Azizzadenesheli, K., Hassanzadeh, P., Kashinath, K., and Anandkumar, A., “FourCastNet: A Global Data-driven High-resolution Weather Model using Adaptive Fourier Neural Operators”, arXiv preprint, arXiv:2202.11214, 2022.
  • Raissi, M., Perdikaris, P., and Karniadakis, G. E., “Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations”, Journal of Computational Physics, Vol. 378, pp. 686–707, 2019.
  • Li, Z., Kovachki, N., Azizzadenesheli, K., Liu, B., Bhattacharya, K., Stuart, A., and Anandkumar, A., “Fourier neural operator for parametric partial differential equations”, Proceedings of the International Conference on Learning Representations (ICLR), 2021.
  • Maronga, B., Banzhaf, S., Burmeister, C., Esch, T., Forkel, R., Fröhlich, D., Fuka, V., Gehrke, K. F., Geletič, J., Giersch, S., et al., “Overview of the PALM model system 6.0”, Geoscientific Model Development, Vol. 13, No. 3, pp. 1335–1372, 2020.
  • Williams, P. D., “Increased light, moderate, and severe clear-air turbulence in response to climate change”, Advances in Atmospheric Sciences, Vol. 34, No. 5, pp. 576–586, 2017.
  • Brunton, S. L., Noack, B. R., and Koumoutsakos, P., “Machine learning for fluid mechanics”, Annual Review of Fluid Mechanics, Vol. 52, pp. 477–508, 2020.
  • Ames, A. D., Coogan, S., Egerstedt, M., Notomista, G., Sreenath, K., and Tabuada, P., “Control barrier functions: Theory and applications”, Proceedings of the European Control Conference (ECC), pp. 3420–3431, 2019.
  • EUROCAE WG-114 / SAE G-34, ED-324/ARP6983, Process Standard for Development and Certification/Approval of Aeronautical Safety-Related Products Implementing AI, 2024.
  • European Union Aviation Safety Agency (EASA), Artificial Intelligence Roadmap 2.0: Human-centric approach to AI in aviation, 2023.

13. 버전

  • 문서 버전: 1.0
  • 작성일: 2026-04-18