AI-Accelerated Predictions of Aerodynamic Coefficients for Helicopter Blades

Les simulateurs de vol s'appuient fréquemment sur des méthodes de simulation de giravions de fidélité moyenne qui nécessitent un couplage non linéaire avec des tables de recherche. La génération de ces tables contenant les coefficients aérodynamiques de portance (CL), de traînée (CD) et de moment (CM) est souvent d'un coût prohibitif, nécessitant des simulations coûteuses en termes de calcul et plusieurs processus de travail complexes. Ce coût est contourné fréquemment en interpolant entre des points de données, au détriment d'une erreur d'interpolation. Cette recherche présente le développement d'un modèle de substitution basé sur des réseaux neuronaux capables de prédictions discrètes, précises et rapides des coefficients aérodynamiques, éliminant effectivement cette erreur. Ce modèle est conçu pour se généraliser à l’ensemble des géométries et des conditions d’écoulement environnantes qu’un rotor pourrait rencontrer, y compris les régimes standard, inversé, de décrochage et transsonique. Premièrement, ce travail décrit le processus de génération d'une base de données de Mécanique des Fluides Numérique (CFD) à haute-fidélité. Les plages de variables sont définies pour couvrir l’intégralité de l’espace de l’écoulement : angle d’attaque de -180° à 180°, Mach de 0.2 à 0.9, et Reynolds de 2.5×106 à 20.0×106. De plus, l’espace des profils de rotor est exploré à l’aide de profils générés par des B-Splines rationnelles non uniformes. La base de données CFD est générée grâce à un cadre de simulation robuste utilisant le solveur CFD de volumes finis CHAMPS. Deuxièmement, le processus d'entraînement du modèle IA est décrit en détail. L’architecture du modèle repose sur un perceptron multicouche, avec une stratégie complète de prétraitement des données incluant une réduction de dimensionnalité via l’Analyse en Composantes Principales. En outre, l’algorithme "Tree-structured Parzen Estimator" est utilisé pour naviguer l’espace des hyperparamètres architecturaux, aboutissant à des modèles à la fois précis en termes de prédiction et efficaces en termes de calcul. Enfin, les modèles obtenus sont évalués sur des bases de données \textit{test} dédiées. Sur un jeu de test comprenant 10% de points échantillonnés aléatoirement à partir du domaine d’entraînement, mais exclus pendant l’apprentissage, le meilleur modèle atteint un coefficient de détermination (R2) de 0.9962 et une erreur absolue moyenne (MAE) de 0.0302 pour CL, R2 = 0.9987 et MAE = 0.0115 pour CD, et R2 = 0.9958 avec MAE = 0.0128 pour CM. Ces résultats montrent que le modèle se généralise bien à la fois à des géométries et à des conditions d’écoulement inédites. Le modèle le plus performant est également testé sur des cas plus complexes afin de tenir compte de ces limites. Enfin, l'accélération produite par ce modèle par rapport à la CFD conventionnelles est mesurée, où les prédictions du meilleur modèle nécessitent environ 0.54×109 fois moins de ressources de calcul.

Abstract

Flight simulators and aerodynamic design optimization frequently rely on medium-fidelity rotorcraft simulation methods, which often necessitate nonlinear coupling with lookup table databases. The generation of these lookup tables containing lift (CL), drag (CD), and moment (CM) aerodynamic coefficients is often prohibitively expensive, requiring expensive high-fidelity simulations and several complex workflows. This cost is often circumvented by interpolating between lookup table data points at the expense of an incurred interpolation error. This work presents the development of a surrogate model based on neural networks capable of discrete, accurate, and rapid predictions of aerodynamic coefficients, effectively eliminating the interpolation error typically associated with lookup tables. This model is designed to generalize across the full state space of possible geometries and surrounding flow conditions a rotor might experience, including standard, reversed, stall, and transonic. Firstly, this work outlines the process of generating a high-fidelity Computational Fluid Dynamics (CFD) database. Relevant variable ranges are defined to cover the full state space of flow conditions: angle of attack from -180° to 180°, Mach number from 0.2 to 0.9, and Reynolds number from 2.5×106 to 20.0×106. In addition, the design space of rotor blade-section profiles is explored using complex airfoils generated via Non-Uniform Rational B-Splines. The dataset of high-fidelity CFD data points is generated with a robust simulation framework using the CHAMPS finite volume CFD solver. Secondly, the development and training process of the AI-based surrogate model is described in detail. The Multi-Layer Perceptron architecture forms the basis of the model, with a comprehensive data pre-processing strategy that includes dimensionality reduction using Principal Component Analysis. Furthermore, the Tree-structured Parzen Estimator algorithm is employed to efficiently navigate the architectural hyperparameter space, leading to models that are both accurate in prediction and computationally efficient. Finally, resulting models are evaluated on dedicated testing datasets. On a dataset consisting of 10% randomly sampled points from the training domain, held out during training, the best-performing model achieves a coefficient of determination (R2) of 0.9962 and a Mean Absolute Error (MAE) of 0.0302 for CL predictions, R2 = 0.9987 and MAE = 0.0115 for CD, and R2 = 0.9958 with MAE = 0.0128 for CM. This demonstrates that the model generalizes well to both unseen geometries and flow conditions. The best-performing model is also tested on more complex cases to address this framework's limitations. Lastly, the acceleration produced by this model with respect to conventional CFD simulations is measured, where the surrogate predictions of the best model require an estimated 0.54×109 times fewer computational resources.