설계 기반의 빠른 성능: 전문가 검증된 CFD 데이터를 기반으로 훈련된 신경망 서브 모델을 활용한 인터랙티브 공력 해석

Faster by Design: Interactive Aerodynamics via Neural Surrogates Trained on Expert-Validated CFD

전산 유체 역학(CFD)은 레이싱카의 공력 성능 개발에 핵심적인 역할을 하지만, 고정밀 평가에 필요한 막대한 계산 비용(수만 시간의 코어 시간)은 현실적인 예산 범위 내에서 탐색 가능한 설계 공간을 크게 제한합니다. AI 기반의 서브 모델은 이러한 병목 현상을 완화할 수 있는 잠재력을 가지고 있지만, 공개 데이터셋의 제한적인 복잡성으로 인해 발전이 더뎌졌습니다. 기존 데이터셋은 주로 일반 승용차의 부드러운 형태를 포함하고 있어, 모터스포츠 성능에 중요한 역할을 하는 얇고 복잡하며 고하중을 받는 부품에 대한 서브 모델의 성능을 제대로 검증하기 어렵습니다. 본 연구에서는 세 가지 주요 기여를 제시합니다. 첫째, Dallara의 공력 전문가들이 생성하고 검증한, 고정밀 RANS 데이터셋을 소개합니다. 이 데이터셋은 LMP2 클래스 CAD 모델을 기반으로 하며, 직선 주행 및 코너링 조건을 포함한 여섯 가지 운영 조건(맵 포인트)을 포함합니다. 둘째, 그래프 기반의 신경망 연산자인 Gauge-Invariant Spectral Transformer (GIST)를 제시합니다. GIST는 스펙트럴 임베딩을 사용하여 메시 연결 정보를 인코딩하여 복잡한 기하학적 구조에 대한 예측 성능을 향상시킵니다. GIST는 이산화 불변성을 보장하며 메시 크기에 대해 선형적으로 확장되므로, 공개 벤치마크 및 제안된 레이싱카 데이터셋 모두에서 최첨단 정확도를 달성합니다. 셋째, GIST가 초기 단계의 공력 설계에 적합한 수준의 예측 정확도를 달성한다는 것을 입증했습니다. 이는 산업용 모터스포츠 워크플로우에서 CFD 솔버 대신 서브 모델을 활용하는 인터랙티브 설계 공간 탐색이라는 개념의 첫 번째 검증입니다.

Computational Fluid Dynamics (CFD) is central to race-car aerodynamic development, yet its cost -- tens of thousands of core-hours per high-fidelity evaluation -- severely limits the design space exploration feasible within realistic budgets. AI-based surrogate models promise to alleviate this bottleneck, but progress has been constrained by the limited complexity of public datasets, which are dominated by smoothed passenger-car shapes that fail to exercise surrogates on the thin, complex, highly loaded components governing motorsport performance. This work presents three primary contributions. First, we introduce a high-fidelity RANS dataset built on a parametric LMP2-class CAD model and spanning six operating conditions (map points) covering straight-line and cornering regimes, generated and validated by aerodynamics experts at Dallara to preserve features relevant to industrial motorsport. Second, we present the Gauge-Invariant Spectral Transformer (GIST), a graph-based neural operator whose spectral embeddings encode mesh connectivity to enhance predictions on tightly packed, complex geometries. GIST guarantees discretization invariance and scales linearly with mesh size, achieving state-of-the-art accuracy on both public benchmarks and the proposed race-car dataset. Third, we demonstrate that GIST achieves a level of predictive accuracy suitable for early-stage aerodynamic design, providing a first validation of the concept of interactive design-space exploration -- where engineers query a surrogate in place of the CFD solver -- within industrial motorsport workflows.