풍동 시험은 항공기 성능 평가와 공력 데이터 생산 등 항공기 개발에 있어 중요한 역할을 담당하고 있다. 그러나 풍동 시험은 자유 비행 상태가 아닌 벽면이 존재하는 상태에서의 비행을 모사하기 때문에 시험부 벽면 효과의 영향을 받으며, 시험부 벽면 효과는 자유 비행 데이터와 풍동 데이터 간의 차이를 유발시킨다. 특히나 이러한 벽면 효과는 고받음각에서 주요하게 나타난다. 그렇기에 풍동에서 발생하는 벽면 효과를 보정하기 위하여 고전적 기법, 벽면 압력 측정법 및 수치 보정 기법 등이 제안되고 이용되어 왔다. 그러나 선행 보정 기법들의 경우 시험부 점유율이 상대적으로 작은 경우에만 사용할 수 있거나, 추가적인 측정이 필요하며, 다양한 모델의 형태나 시험부 유형 등 수많은 변수들이 복합적으로 작용하는 것을 고려하기 어렵다는 결점을 지니고 있다. 따라서 본 논문에서는 데이터 마이닝과 다층 퍼셉트론(MLP) 기반의 실시간으로 적용 가능하며 다양한 파라미터를 고려할 수 있는 아음속 영역에서의 벽면 효과 보정 프로세스를 제안하고자 한다.
데이터 기반 벽면 효과 보정을 수행하기 위한 데이터 베이스는 단기간에 대량의 데이터를 생산할 수 있는 저충실도 해석 기법인 패널 기법으로 구축하였다. 패널 기법은 먼저 baseline을 선정한 후, latin hypercube sampling(LHS) 기법으로 계산된 형상 변수들에 대한 변화량을 더하여 구축되는 모델들을 사용하여 수행한다. 데이터 베이스는 학습용 데이터 60만 개와 테스트 데이터 1,200 개로 구성된다. 패널 기법으로 데이터 베이스를 구축하였기에 보정 대상은 선형 구간의 양력 계수로 한정하였으며, 고전적 보정 기법에 사용되던 보정 인자를 간소화한 새로운 보정 기법인 Hybrid method와 Direct method를 제안하였다. Hybrid method는 벽면이 있는 상태에서의 비행을 예측하는 것을 목적으로 하며, Direct method는 자유 비행 상태를 예측하는 것을 목적으로 한다. 벽면 효과 보정 프로세스는 데이터 베이스를 구축한 후, 각 보정 기법 인자에 대해 높은 영향을 미치는 형상 파라미터를 데이터 마이닝으로 선별하고 이를 MLP의 입력 파라미터로 구성하여 보정을 수행하는 방식으로 구성된다.
벽면 효과는 시험부 유형, 받음각 및 형상 파라미터에 매우 민감하게 반응한다. 따라서 항공기 형상 파라미터의 영향만 고려하기 위하여 받음각과 풍동 크기를 고정한 데이터에 대하여 파라미터 민감도 분석을 실시하였다. 민감도 분석에는 정량적 기법인 피어슨 상관 계수(Pearson correlation coefficient, PCC), 정성적 기법인 자기조직화 지도(self-organizing map, SOM)와 두 기법의 성질을 모두 지니는 평행 좌표 그림(parallel coordinate plot, PCP)를 사용하였다. 민감도 분석 결과, Hybrid method에 대해서는 13가지 형상 파라미터가, Direct method에 대해서는 11가지 형상 파라미터가 높은 관련성을 지니는 것으로 확인되었다. 벽면 효과 보정 모델로 사용된 MLP에는 활성화 함수로 Swish를, 최적화 기법으로 adaptive moment estimation(ADAM)을 사용하였으며, 학습 시간을 단축시키고 정확도를 높이고자 추가적으로 배치 정규화, 배치 스케줄러, 그래디언트 클리핑 기법을 적용하였다. MLP 기반의 보정 결과, 데이터 마이닝으로 선별한 파라미터를 입력 변수로 사용하였을 때의 결과가 전체 형상 파라미터를 사용하였을 때의 결과에 근접하였으며, 고전적 기법 대비 자유 비행 상태와 C_(L_c )의 참 값에 가깝게 보정한 것을 확인하였다. 본 논문에서 제시한 벽면 효과 보정 프로세스를 사용할 경우 고전적 기법 대비 높은 정확도를 획득할 수 있으며, 한 번 학습 후에는 on-board한 보정을 실시할 수 있다. 또한 파라미터 민감도 분석을 통해 보정을 위해 측정해야 하는 형상 파라미터의 수를 줄일 수 있다. 이는 데이터 베이스 구축에 사용되는 파라미터 중 일부가 벽면 효과와 관련이 낮은 것으로 판단된다면 MLP 학습에 사용되는 데이터 수 자체를 감소시킬 수 있음을 의미한다.

Wind tunnel test plays an important role in aircraft development, such as evaluating aircraft performance and producing aerodynamic coefficients. Unlike free flight state, since the wind tunnel test simulates flight in narrow space limited by walls, it is affected by the wall interference. Therefore, wall interference causes the difference between free flight data and wind tunnel data. Especially, wall interference is prominent at high angle of attack. To correct wall interference in wind tunnel, classical method, wall measurement method and numerical method have been proposed and used. However, conventional correction methods can be used when the occupancy of the test section is relatively small, require additional measurements, or have limit in correcting wall interference in consideration of changes in multiple parameters such as the shape of aircraft or the type of test section. In this paper, a novel subsonic wall interference correction process based on data mining and multi-layer perceptron(MLP) is proposed. Proposed correction process can consider multiple parameters and be applied on-board.
Database used for data-driven based wall interference correction are built by using the panel method, a low-fidelity analysis method that can be produce a large data in short period. The panel method is performed using models built by selecting a baseline at first, and then adding changes to the model parameters calculated by the latin hypercube sampling(LHS) method to the baseline. The database consists of 600,000 training data and 1,200 test data. Since the database is built through the panel method, the target of correction is limited to the lift coefficient of the linear range. Also, Hybrid method and Direct method, new correction concepts, that simplify the correction factors used in the conventional correction methods, are proposed. Hybrid method aims to predict flight in the wind tunnel state and the Direct method aims to predict free flight state. The proposed wall interference correction process consists of building a wall interference database, selecting major model parameters which are highly correlated to the correction factors through data mining, and configuring major model parameters as input parameters of the MLP to perform correction.
The wall interference is very sensitive to type of test section, angle of attack and test model parameters. Therefore, in order to consider only the influence of the parameters of aircraft, parameter sensitivity analysis is performed on the data with fixed angle of attack and wind tunnel size. For parameter sensitivity analysis, Pearson correlation coefficient(PCC), which is a quantitative analysis, self-organizing map(SOM), which is a qualitative analysis, and parallel coordinate plot(PCP) with the properties of both analyses are used. As a result of parameter sensitivity analysis, it is confirmed that 13 model parameters for the Hybrid method and 11 model parameters for the Direct method have a high correlation. In the case of MLP used as a wall interference correction model, adaptive moment estimation(ADAM) is used as an optimization method, Swish as the activation function, and batch normalization, batch scheduler, and gradient clipping are additionally applied to reduce training time and increase prediction accuracy. As a result of MLP-based wall interference correction, it is confirmed that the results when the parameters selected by data mining are used as input parameters of MLP are close to the results when all test model parameters are used. Also, Correction results are much closer to the free flight state and true value of C_(L_c ) compared to the classical method. Proposed wall interference correction process can achieve higher accuracy compared to classical methods and on-board correction can be performed once MLP are trained. In addition, the number of test model parameters that need to be measured for correction can be reduced through parameter sensitivity analysis. It means that some of the parameters used for building database are analyzed to have low correlation to the wall interference, the number of data themselves used for MLP training can be reduced.