A Hybrid Approach to Enhance Internal Drag Prediction for High-Speed Air-Breathing Vehicles using Experimental Data, Numerical Analysis, and Artificial Neural Networks = 고속 공기흡입 비행체의 내부 항력 예측 향상을 위한 실험, 수치해석 및 인공신경망을 이용한 통합 연구

다국어 초록 (Multilingual Abstract)

A hybrid approach has been developed to enhance internal drag predictions because a precise accounting of aerodynamic forces is required for predicting mission performance in highly integrated systems. This approach is composed of wind tunnel experiments, numerical analysis, and Artificial Neural Networks (ANN). Through this framework, predicted exit flow properties were applied in a rigorous "thrust-drag bookkeeping" process. The ANN model is trained using a “reduced” dataset derived from the flow physics at the exit plane. The flow structure was obtained from numerical analysis which was validated against wind tunnel test results from the SNU RFL Direct-Connected Wind Tunnel facility.
The numerical model effectively captures key flow physics within a 13% error margin for total pressure recovery. To efficiently handle this high-dimensional data, Proper Orthogonal Decomposition (POD) was applied. With this method, the flow characteristics were extracted into dominant flow modes, reducing the dimensionality of the system while retaining over 99.9% of the flow energy. The final surrogate model reconstructed full-field exit profiles with high fidelity. Most notably, it predicted the integrated exit momentum for unseen validation cases with an error of less than 1.5% compared to the high-fidelity CFD results.
In conclusion, this hybrid approach allows for the decoupling of computational cost from query frequency, enabling rapid design space exploration. This hybrid framework offers a practical and powerful solution to the bottleneck of propulsion-airframe integration, representing a new paradigm for aerodynamic analysis and design.

국문 초록 (Abstract)

고도로 통합된 시스템에서 임무 성능을 예측하기 위해서는 공력을 정확하게 이해하는 것이 필수적이므로, 본 연구에서는 내부 항력 예측을 향상하기 위한 통합적 접근법을 개발하였다. 이 접근법은 풍동실험, 수치해석, 그리고 인공신경망으로 구성된다. 이 프레임워크에서 예측한 출구 유동 특성은 "추력-항력 분리(Thrust-Drag Bookkeeping)" 과정에 적용되었다. 인공신경망 모델은 출구면의 유동 특성을 이용하여 도출된 “축소 데이터셋(reduced dataset)”을 사용하여 훈련되었다. 수치해석을 이용하여 출구면의 유동 분포를 획득하였으며, 이를 서울대학교 반응성 유동 실험실의 직결형 풍동시설에서 수행된 풍동실험 결과와 비교하여 검증하였다.
수치해석 모델은 출구 전압력 회복률을 기준으로 13%의 오차 범위 내에서 핵심적인 유동 현상을 모사하는 것으로 확인하였다. 고차원 데이터를 효율적으로 처리하기 위해서 적합직교분해 기법을 적용하여 유동 에너지의 99.9% 이상을 보존하면서 시스템의 차원을 획기적으로 축소하였다. 최종적으로 개발한 대리 모델은 전체 출구 프로파일을 높은 충실도로 재구성하며 탁월한 성능을 입증하였다. 특히, 학습에 사용되지 않은 검증 케이스에 대하여 출구 모멘텀을 산출한 결과, 고충실도 CFD 결과 대비 1.5% 미만의 오차를 나타내는 것을 확인하였다.
결과적으로 본 연구에서 제안하는 통합적 접근법은 신속한 설계 공간 탐색을 가능하게 하였다. 본 연구에서 제안한 “하이브리드 프레임워크”는 비행체 통합 설계의 병목 현상을 해결하고자 하였으며, 공력 해석과 공력 설계를 위한 새로운 방법을 제시하고자 하였다.

목차 (Table of Contents)

• Chapter 1. Introduction 17
• 1.1. Background 17
• 1.2. Problem Description 22
• 1.3. Research Objectives 23
• 1.4. Dissertation Outline 25
• Chapter 2. Methodology 32
• 2.1. Internal Drag Calculation 32
• 2.2. Proposed Hybrid Framework 35
• Chapter 3. Numerical Analysis and Experiments 39
• 3.1. Experimental Setup 39
• 3.2. Numerical Analysis Setup 43
• 3.3. Flow Characteristics 50
• 3.4. Numerical Model Validation 52
• 3.5. Chapter Summary 56
• Chapter 4. Data Processing and Artificial Neural Network Model 90
• 4.1. Data Processing 90
• 4.1.1. Data Remapping 90
• 4.1.2. Dimensionality Reduction 91
• 4.2. Artificial Neural Network (ANN) Model Setup 94
• 4.3. Training Dataset Analysis 97
• 4.4. Chapter Summary 100
• Chapter 5. Results and Discussion 110
• 5.1. Performance Validation 110
• 5.2. Flow Field Reconstruction 111
• 5.3. Momentum Calculation 112
• 5.4. Discussion 113
• Chapter 6. Conclusions and Future Work 118
• 6.1. Conclusion 118
• 6.2. Future Work 120
• Bibliography 122
• Appendix A 131
• A.1 Facility Operation and Test Procedure 131
• A.2 Experimental Uncertainty Quantification 132
• A.2.1 Methodology 132
• A.2.2 Uncertainty of Derived Results (Pressure Ratio) 134
• A.2.3 Uncertainty Summary 135
• Appendix B 142
• B.1 Assessment of Numerical Fidelity 142
• Appendix C 150
• C.1 Effect of Cavity Size on Performance 150
• Appendix D 154
• D.1 Sensitivity to Training Data and Methodology 154
• D.2 Interpolation and Extrapolation 155
• 국문 초록 161