비정상 로터-블레이드 압력 및 공기탄성 하중 예측을 위한 주기적 신경 매핑
Periodic Neural Mapping for Unsteady Rotor-Blade Pressure and Aeroelastic Load Prediction
비정상 공력 하중의 정확한 예측은 터보머신 설계에서 여전히 중요한 난제이다. 고충실도 계산유체역학(CFD) 시뮬레이션은 비용이 크고, 공기탄성 관심량(QoI)은 압력장의 시간적 진화에 민감하게 의존한다. 본 연구는 chorochronic 수치 가설 하에서 시뮬레이션된 터빈 로터 블레이드上的 비정상 압력 분포를 예측하기 위한 신경 연산자(neural-operator) 프레임워크인 주기적 푸리에 신경 매핑(p-FNM)을 제안한다. 이 구조는 시간 주기성을 모델에 내재화하고, 운전 조건과 시간으로부터 압력장까지의 연속 매핑을 학습한다. 순차적 잠재 공간(latent-space) 접근과 달리 p-FNM은 임의의 시각에서 압력장을 독립적으로 예측하여 오차 누적을 피하면서 시간적 연속성을 유지한다. 모델은 비정상 로터-블레이드 시뮬레이션 데이터베이스에서 평가되며, 변이형 오토인코더와 순환 신경망에 기반한 차수 축소 기준선인 Temporal Prediction Model(TPM)과 비교된다. 성능은 압력장과 주요 공기탄성 QoI인 일반화 공력(GAF)에 대해 평가된다. 모든 학습 데이터셋에서 p-FNM은 TPM을 일관되게 능가한다. 가장 큰 데이터셋에서 p-FNM은 압력장 평균 절대 백분율 오차 0.46%, GAF 크기 예측 오차 4.42%를 달성하여 각각 60.7%, 77.6% 개선에 해당한다. 최소 가중 위상 오차는 0.060 rad에 이르며, 공력 응답의 시간적 특성을 정확히 보존함을 보여준다. 결과는 GAF 예측이 압력장 예측보다 더 어렵고, 스펙트럼 공력량을 정확히 예측하려면 시간적 일관성(coherence)이 핵심임을 나타낸다. 이러한 결과는 터보머신에서 차수 축소 모델링과 공기탄성 해석을 위한 주기적 신경 연산자의 잠재력을 보여준다.