فورمولا 1 (F1) السيارات هي أسرع سيارات السباق على الطرق المنظمة في العالم. على الرغم من أن هذه السيارات ذات العجلات المفتوحة تزيد سرعتها عن 20-30 كيلومترًا (أو 12-18 ميلًا) في الساعة عن أفضل السيارات الرياضية ، إلا أنها تستطيع الالتفاف بسرعة تصل إلى خمسة أضعاف السرعة بسبب الديناميكية الهوائية القوية downforce التي يخلقونها. السفلية هي القوة الرأسية الناتجة عن الأسطح الديناميكية الهوائية التي تضغط على السيارة باتجاه الطريق ، مما يزيد من تماسك الإطارات. يجب أن يراقب علماء الديناميكا الهوائية F1 أيضًا مقاومة الهواء أو السحب ، مما يحد من سرعة الخط المستقيم.
يتولى الفريق الهندسي للفورمولا 1 مسؤولية تصميم الجيل القادم من سيارات الفورمولا 1 وتجميع اللوائح الفنية لهذه الرياضة. على مدى السنوات الثلاث الماضية ، تم تكليفهم بتصميم سيارة تحافظ على المستويات العالية الحالية للقوة الضاغطة والسرعات القصوى ، ولكنها أيضًا لا تتأثر سلبًا بالقيادة خلف سيارة أخرى. هذا أمر مهم لأن الجيل السابق من السيارات يمكن أن يفقد ما يصل إلى 3٪ من قوته السفلية عند السباق خلف سيارة أخرى بسبب الاستيقاظ المضطرب الناتج عن الأجنحة وأعمال الهيكل.
بدلاً من الاعتماد على اختبارات المسار أو نفق الرياح التي تستغرق وقتًا طويلاً والمكلفة ، تستخدم F1 ديناميكيات السوائل الحسابية (CFD) ، والتي توفر بيئة افتراضية لدراسة تدفق السوائل (في هذه الحالة الهواء حول سيارة F1) دون الحاجة إلى ذلك. تصنيع قطعة واحدة. باستخدام CFD ، يختبر أخصائيو الديناميكا الهوائية في F1 مفاهيم هندسية مختلفة ، ويقيمون تأثيرها الديناميكي الهوائي ، ويحسّنون تصميماتهم بشكل متكرر. على مدار السنوات الثلاث الماضية ، تعاون فريق هندسة F3 مع AWS لإعداد ملف سير عمل CFD قابل للتطوير وفعال من حيث التكلفة ضاعف ذلك من إنتاجية عقود الفروقات ثلاث مرات وقلل وقت الاستجابة لكل شوط بمقدار النصف.
F1 بصدد البحث في خدمات التعلم الآلي (ML) من AWS مثل الأمازون SageMaker للمساعدة في تحسين تصميم وأداء السيارة باستخدام بيانات محاكاة CFD لبناء نماذج برؤى إضافية. الهدف هو الكشف عن اتجاهات التصميم الواعدة وتقليل عدد عمليات محاكاة CFD ، وبالتالي تقليل الوقت الذي يستغرقه التقارب مع التصميمات المثلى.
في هذا المنشور ، نشرح كيف تعاون F1 مع الخدمات المهنية AWS فريق لتطوير سير عمل مخصص لتصميم التجارب (DoE) مدعوم من ML لتقديم المشورة لعلماء الديناميكا الهوائية في F1 بشأن مفاهيم التصميم التي يجب اختبارها في CFD لزيادة التعلم والأداء.
بيان المشكلة
عند استكشاف مفاهيم الديناميكا الهوائية الجديدة ، يستخدم علماء الديناميكا الهوائية في الفورمولا واحد أحيانًا عملية تسمى تصميم التجارب (DoE). تدرس هذه العملية بشكل منهجي العلاقة بين عوامل متعددة. في حالة الجناح الخلفي ، قد يكون هذا هو وتر الجناح أو الامتداد أو الحدبة ، فيما يتعلق بالمقاييس الديناميكية الهوائية مثل القوة السفلية أو السحب. الهدف من عملية DoE هو أخذ عينات من مساحة التصميم بكفاءة وتقليل عدد المرشحين الذين تم اختبارهم قبل التقارب إلى النتيجة المثلى. يتم تحقيق ذلك من خلال التغيير المتكرر لعوامل التصميم المتعددة ، وقياس الاستجابة الديناميكية الهوائية ، ودراسة التأثير والعلاقة بين العوامل ، ثم مواصلة الاختبار في الاتجاه الأمثل أو الأكثر إفادة. في الشكل التالي ، نقدم مثالاً لهندسة الجناح الخلفي شاركه F1 معنا من خط الأساس UNIFORM. تم تصنيف أربعة معلمات تصميم يمكن لعلماء الديناميكا الهوائية في F1 التحقيق فيها في روتين DoE.
في هذا المشروع ، عملت F1 مع AWS Professional Services للتحقيق في استخدام ML لتحسين إجراءات DoE. تتطلب أساليب DoE التقليدية مساحة تصميم مليئة بالسكان لفهم العلاقة بين معلمات التصميم وبالتالي الاعتماد على عدد كبير من عمليات محاكاة CFD المسبقة. يمكن أن تستخدم نماذج الانحدار ML النتائج من محاكاة CFD السابقة للتنبؤ بالاستجابة الديناميكية الهوائية في ضوء مجموعة معلمات التصميم ، بالإضافة إلى إعطائك إشارة إلى الأهمية النسبية لكل متغير تصميم. يمكنك استخدام هذه الأفكار للتنبؤ بالتصاميم المثلى ومساعدة المصممين على الوصول إلى الحلول المثلى مع عدد أقل من عمليات محاكاة CFD المقدمة. ثانيًا ، يمكنك استخدام تقنيات علم البيانات لفهم المناطق الموجودة في مساحة التصميم التي لم يتم استكشافها ويمكن أن تخفي التصاميم المثلى.
لتوضيح سير عمل DoE المُفصل حسب الطلب والمدعوم من ML ، نسير عبر مثال حقيقي لتصميم الجناح الأمامي.
تصميم جناح أمامي
تعتمد سيارات F1 على الأجنحة مثل الأجنحة الأمامية والخلفية لتوليد معظم قوتها السفلية ، والتي نشير إليها في هذا المثال من خلال المعامل تشيكوسلوفاكيا. خلال هذا المثال ، تم تسوية قيم القوة السفلية. في هذا المثال ، استخدم أخصائيو الديناميكا الهوائية في F1 خبراتهم في المجال لتحديد معالم هندسة الجناح على النحو التالي (راجع الشكل التالي للحصول على تمثيل مرئي):
- ارتفاع جنيه - ارتفاع الحافة الأمامية
- مين- Z - أدنى خلوص أرضي
- منتصف LE- زاوية - زاوية الحافة الأمامية للعنصر الثالث
- زاوية TE - زاوية الحافة الخلفية
- ارتفاع TE - ارتفاع الحافة الخلفية
تمت مشاركة هندسة الجناح الأمامي هذه بواسطة F1 وهي جزء من خط أساس UNIFORM.
تم اختيار هذه المعلمات لأنها كافية لوصف الجوانب الرئيسية للهندسة بكفاءة ولأن الأداء الديناميكي الهوائي أظهر في الماضي حساسية ملحوظة فيما يتعلق بهذه المعلمات. كان الهدف من روتين DoE هذا هو العثور على مجموعة من معلمات التصميم الخمسة التي من شأنها زيادة القوة السفلية للديناميكية الهوائية (Cz). حرية التصميم محدودة أيضًا من خلال تعيين القيم القصوى والدنيا لمعلمات التصميم ، كما هو موضح في الجدول التالي.
. | الحد الأدنى | أقصى |
ارتفاع TE | 250.0 | 300.0 |
زاوية TE | 145.0 | 165.0 |
منتصف LE- زاوية | 160.0 | 170.0 |
مين- Z | 5.0 | 50.0 |
ارتفاع جنيه | 100.0 | 150.0 |
بعد تحديد معلمات التصميم ، ومقياس الإخراج المستهدف ، وحدود مساحة التصميم لدينا ، لدينا كل ما نحتاجه للبدء في روتين DoE. يتم تقديم مخطط سير العمل الخاص بحلنا في الصورة التالية. في القسم التالي ، نتعمق في المراحل المختلفة.
أخذ عينات أولية من مساحة التصميم
تتمثل الخطوة الأولى في سير عمل DoE في تشغيل مجموعة أولية من المرشحين في CFD الذين يقومون بأخذ عينات من مساحة التصميم بكفاءة والسماح لنا ببناء المجموعة الأولى من نماذج الانحدار ML لدراسة تأثير كل ميزة. أولاً ، نقوم بتوليد مجموعة من N عينات استخدام أخذ عينات المكعب اللاتيني (LHS) أو طريقة الشبكة العادية. ثم نختار k المرشحين للاختبار في CFD عن طريق خوارزمية المدخلات الجشعة ، والتي تهدف إلى تعظيم استكشاف مساحة التصميم. بدءًا من المرشح الأساسي (التصميم الحالي) ، نختار بشكل متكرر المرشحين الأبعد عن جميع المرشحين الذين تم اختبارهم مسبقًا. افترض أننا اختبرنا بالفعل k تصميمات؛ بالنسبة لمرشحي التصميم المتبقين ، نجد الحد الأدنى للمسافة d فيما يتعلق بالاختبار k تصاميم:
تختار خوارزمية المدخلات الجشعة المرشح الذي يزيد المسافة في مساحة الميزة إلى المرشحين الذين تم اختبارهم مسبقًا:
في دائرة الطاقة هذه ، اخترنا ثلاثة مرشحين للمدخلات الجشعة وقمنا بتشغيل تلك الموجودة في CFD لتقييم قوتهم الضاغطة الهوائية (Cz). يستكشف مرشحو المدخلات الجشع حدود مساحة التصميم وفي هذه المرحلة ، لم يثبت أي منهم أنه متفوق على المرشح الأساسي من حيث القوة السفلية الديناميكية الهوائية (Cz). يتم عرض نتائج هذه الجولة الأولية من اختبار CFD مع معلمات التصميم في الجدول التالي.
. | ارتفاع TE | زاوية TE | منتصف LE- زاوية | مين- Z | ارتفاع جنيه | تطبيع تشيكوسلوفاكيا |
خط الأساس | 292.25 | 154.86 | 166 | 5 | 130 | 0.975 |
GI 0 | 250 | 165 | 160 | 50 | 100 | 0.795 |
GI 1 | 300 | 145 | 170 | 50 | 100 | 0.909 |
GI 2 | 250 | 145 | 170 | 5 | 100 | 0.847 |
نماذج الانحدار الأولي لـ ML
الهدف من نموذج الانحدار هو التنبؤ Cz لأي مجموعة من معلمات التصميم الخمسة. باستخدام مجموعة البيانات الصغيرة هذه ، أعطينا الأولوية للنماذج البسيطة ، وطبقنا تنظيم النموذج لتجنب الإفراط في التجهيز ، ودمجنا تنبؤات النماذج المختلفة حيثما أمكن ذلك. تم إنشاء نماذج ML التالية:
- المربعات الصغرى العادية (OLS)
- دعم الانحدار المتجه (SVM) باستخدام نواة RBF
- انحدار عملية غاوسي (GP) بنواة ماترين
- XGBoost
بالإضافة إلى ذلك ، تم بناء نموذج مكدس من مستويين ، حيث يتم استيعاب تنبؤات نماذج GP و SVM و XGBoost بواسطة خوارزمية Lasso لإنتاج الاستجابة النهائية. يشار إلى هذا النموذج في جميع أنحاء هذا المنشور باسم نموذج مكدس. لترتيب القدرات التنبؤية للنماذج الخمسة التي وصفناها ، تم تنفيذ روتين متكرر للتحقق من صحة k-fold.
إنشاء مرشح التصميم التالي للاختبار في CFD
يتطلب اختيار المرشح الذي سيتم اختباره بعد ذلك دراسة متأنية. يجب أن يوازن عالم الديناميكا الهوائية F1 بين مزايا استغلال الخيارات التي تنبأ بها نموذج ML لتوفير قوة سفلية عالية مع تكلفة الفشل في استكشاف مناطق مجهولة من مساحة التصميم ، والتي قد توفر قوة سفلية أعلى. لهذا السبب ، في روتين إدارة الطاقة هذا ، نقترح ثلاثة مرشحين: واحد يعتمد على الأداء واثنان يحركهما الاستكشاف. الغرض من المرشحين المدفوعين بالاستكشاف هو أيضًا توفير نقاط بيانات إضافية لخوارزمية ML في مناطق مساحة التصميم حيث يكون عدم اليقين حول التنبؤ أعلى. وهذا بدوره يؤدي إلى تنبؤات أكثر دقة في الجولة التالية من تكرار التصميم.
تحسين الخوارزمية الجينية لزيادة القوة السفلية
للحصول على المرشح الذي يتمتع بأعلى قوة ديناميكية هوائية متوقعة ، يمكننا إجراء تنبؤ لجميع المرشحين المحتملين للتصميم. ومع ذلك ، هذا لن يكون فعالاً. بالنسبة لمشكلة التحسين هذه ، نستخدم الخوارزمية الجينية (GA). الهدف هو البحث بكفاءة من خلال مساحة حل ضخمة (تم الحصول عليها من خلال توقع ML لـ Cz) وإرجاع المرشح الأمثل. تعد GAs مفيدة عندما تكون مساحة الحل معقدة وغير محدبة ، لذا فإن طرق التحسين الكلاسيكية مثل نزول التدرج هي وسيلة غير فعالة لإيجاد حل عالمي. GA هي مجموعة فرعية من الخوارزميات التطورية ومستوحاة من مفاهيم من الانتقاء الطبيعي والتقاطع الجيني والطفرة لحل مشكلة البحث. على مدار سلسلة من التكرارات (المعروفة باسم الأجيال) ، يتم الجمع بين أفضل المرشحين لمجموعة مختارة عشوائيًا من المرشحين للتصميم (يشبه إلى حد كبير الاستنساخ). في النهاية ، تسمح لك هذه الآلية بالعثور على أفضل المرشحين بطريقة فعالة. لمزيد من المعلومات حول GAs ، يرجى الرجوع إلى استخدام الخوارزميات الجينية على AWS لحل مشكلات التحسين.
توليد مرشحين يحركهم الاستكشاف
عند إنشاء ما نطلق عليه المرشحين الذين يحركهم الاستكشاف ، يجب أن تكون استراتيجية أخذ العينات الجيدة قادرة على التكيف مع حالة تناثر التأثير، حيث تؤثر فقط مجموعة فرعية من المعلمات بشكل كبير على الحل. لذلك ، يجب أن تنشر استراتيجية أخذ العينات المرشحين عبر مساحة تصميم الإدخال ولكن أيضًا تتجنب عمليات CFD غير الضرورية ، وتغيير المتغيرات التي لها تأثير ضئيل على الأداء. يجب أن تأخذ استراتيجية أخذ العينات في الحسبان سطح الاستجابة الذي تنبأ به معامل الانحدار ML. تم استخدام استراتيجيتين لأخذ العينات للحصول على مرشحين يحركهم الاستكشاف.
في حالة Gaussian Process Regressors (GP) ، الانحراف المعياري يمكن استخدام سطح الاستجابة المتوقعة كمؤشر على عدم اليقين في النموذج. تتكون استراتيجية أخذ العينات من الاختيار من بين مجموعة N عينات ، المرشح الذي يعظم . من خلال القيام بذلك ، فإننا نأخذ عينات في منطقة مساحة التصميم حيث يكون الانحدار أقل ثقة بشأن تنبؤاته. من الناحية الرياضية ، نختار المرشح الذي يحقق المعادلة التالية:
بدلاً من ذلك ، نستخدم إستراتيجية أخذ عينات المدخلات والمخرجات الجشعة ، والتي تزيد من المسافات في مساحة الميزة وفي مساحة الاستجابة بين المرشح المقترح والتصاميم التي تم اختبارها بالفعل. هذا يعالج تناثر التأثير لأن المرشحين الذين يعدلون معلمة تصميم ذات صلة قليلة لديهم استجابة مماثلة ، وبالتالي فإن المسافات في سطح الاستجابة تكون ضئيلة. من الناحية الرياضية ، نختار المرشح الذي يلبي المعادلة التالية ، حيث الوظيفة f هو نموذج الانحدار ML:
اختيار المرشح واختبار العقود مقابل الفروقات وحلقة التحسين
في هذه المرحلة ، يتم تقديم المستخدم مع مرشحين يحركهم الأداء ويقوده الاستكشاف. تتكون الخطوة التالية من اختيار مجموعة فرعية من المرشحين المقترحين ، وتشغيل محاكاة CFD مع معلمات التصميم هذه ، وتسجيل استجابة القوة السفلية الديناميكية الهوائية.
بعد ذلك ، يقوم سير عمل DoE بإعادة تدريب نماذج الانحدار ML ، وتشغيل تحسين الخوارزمية الجينية ، ويقترح مجموعة جديدة من المرشحين المدفوعين بالأداء والاستكشاف. يدير المستخدم مجموعة فرعية من المرشحين المقترحين ويستمر في التكرار بهذه الطريقة حتى يتم استيفاء معايير الإيقاف. يتم استيفاء معايير التوقف بشكل عام عند الحصول على مرشح يعتبر الأفضل.
النتائج
في الشكل التالي ، نسجل القوة السفلية الديناميكية الهوائية الطبيعية (Cz) من محاكاة CFD (باللون الأزرق) والتي تم توقعها مسبقًا باستخدام نموذج الانحدار ML المختار (وردي) لكل تكرار لسير عمل DoE. كان الهدف هو زيادة القوة السفلية الديناميكية الهوائية (Cz). كانت الأشواط الأربعة الأولى (على يسار الخط الأحمر) هي خط الأساس والمدخلات الجشعة الثلاثة التي تم تحديدها مسبقًا. من هناك ، تم اختبار مجموعة من المرشحين المدفوعين بالأداء والاستكشاف. على وجه الخصوص ، كان المرشحون في التكرارات 6 و 8 مرشحين استكشفيين ، وكلاهما يظهر مستويات أقل من القوة السفلية من المرشح الأساسي (التكرار 1). كما هو متوقع ، نظرًا لأننا سجلنا المزيد من المرشحين ، أصبح تنبؤ ML دقيقًا بشكل متزايد ، كما هو مشار إليه في المسافة المتناقصة بين المتوقع والفعلي تشيكوسلوفاكيا. في التكرار 9 ، تمكن سير عمل DoE من العثور على مرشح يتمتع بأداء مشابه لخط الأساس ، وفي التكرار 12 ، تم الانتهاء من سير عمل DoE عندما تجاوز المرشح المستند إلى الأداء خط الأساس.
يتم عرض معلمات التصميم النهائية مع القيمة السفلية الموحدة الناتجة في الجدول التالي. كان مستوى القوة الضاغطة المعيارية للمرشح الأساسي 0.975 ، في حين أن المرشح الأمثل لسير عمل DoE سجل مستوى قوى لأسفل طبيعي يبلغ 1.000. هذه زيادة نسبية هامة 2.5٪.
بالنسبة للسياق ، يتطلب نهج DoE التقليدي مع خمسة متغيرات 25 محاكاة CFD مقدمًا قبل تحقيق ملاءمة جيدة بما يكفي للتنبؤ بالمثالية. من ناحية أخرى ، تقارب نهج التعلم النشط هذا إلى المستوى الأمثل في 12 تكرارًا.
. | ارتفاع TE | زاوية TE | منتصف LE- زاوية | مين- Z | ارتفاع جنيه | تطبيع تشيكوسلوفاكيا |
خط الأساس | 292.25 | 154.86 | 166 | 5 | 130 | 0.975 |
الأمثل | 299.97 | 156.79 | 166.27 | 5.01 | 135.26 | 1.000 |
أهمية الميزة
يمكن أن يوفر فهم أهمية الميزة النسبية للنموذج التنبئي رؤية مفيدة للبيانات. يمكن أن يساعد في اختيار الميزة مع إزالة المتغيرات الأقل أهمية ، وبالتالي تقليل أبعاد المشكلة وتحسين القدرة التنبؤية لنموذج الانحدار ، لا سيما في نظام البيانات الصغيرة. في مشكلة التصميم هذه ، فإنه يوفر لعلماء الديناميكا الهوائية في الفورمولا واحد نظرة ثاقبة حول المتغيرات الأكثر حساسية وبالتالي تتطلب ضبطًا أكثر دقة.
في هذا الروتين ، طبقنا تقنية لاأدرية نموذجية تسمى أهمية التقليب. يتم قياس الأهمية النسبية لكل متغير عن طريق حساب الزيادة في خطأ التنبؤ بالنموذج بعد خلط القيم عشوائيًا لهذا المتغير وحده. إذا كانت الميزة مهمة للنموذج ، فإن خطأ التنبؤ يزداد بشكل كبير ، والعكس صحيح بالنسبة للميزات الأقل أهمية. في الشكل التالي ، نقدم أهمية التقليب لمنظم عملية Gaussian (GP) الذي يتنبأ بالقوة السفلية الديناميكية الهوائية (Cz). يعتبر ارتفاع الحافة الخلفية (TE-Height) هو الأكثر أهمية.
وفي الختام
في هذا المنشور ، أوضحنا كيف يستخدم علماء الديناميكا الهوائية في F1 نماذج الانحدار ML في تدفقات عمل DoE عند تصميم أشكال هندسية هوائية جديدة. يوفر سير عمل DoE المدعوم من ML والذي طورته AWS Professional Services رؤى حول معلمات التصميم التي ستزيد من الأداء أو تستكشف مناطق مجهولة في مساحة التصميم. على عكس الاختبار المتكرر للمرشحين في CFD بأسلوب بحث شبكي ، فإن سير عمل DoE المدعوم من ML قادر على التقارب مع معلمات التصميم المثلى في عدد أقل من التكرارات. هذا يوفر الوقت والموارد لأنه يتطلب عدد أقل من عمليات محاكاة CFD.
سواء كنت شركة أدوية تتطلع إلى تسريع تحسين التركيب الكيميائي أو شركة تصنيع تتطلع إلى العثور على أبعاد التصميم للتصميمات الأكثر قوة ، يمكن أن تساعد تدفقات عمل DoE في الوصول إلى المرشحين الأمثل بشكل أكثر كفاءة. AWS Professional Services جاهزة لتكملة فريقك بمهارات وخبرات تعلم الآلة المتخصصة لتطوير الأدوات لتبسيط سير عمل DoE ومساعدتك على تحقيق نتائج أعمال أفضل. لمزيد من المعلومات، راجع الخدمات المهنية AWSأو تواصل عبر مدير حسابك للتواصل.
حول المؤلف
بابلو هيرموسو مورينو هو عالم بيانات في فريق خدمات AWS الاحترافية. إنه يعمل مع العملاء عبر الصناعات باستخدام التعلم الآلي لإخبار القصص بالبيانات والوصول إلى قرارات هندسية أكثر استنارة بشكل أسرع. خلفية بابلو في هندسة الطيران والفضاء ، وبعد أن عمل في صناعة رياضة السيارات ، كان لديه مصلحة في ربط الفيزياء وخبرة المجال مع ML. في أوقات فراغه ، يستمتع بالتجديف ولعب الجيتار.
- كوينسمارت. أفضل بورصة للبيتكوين والعملات المشفرة في أوروبا.
- بلاتوبلوكشين. Web3 Metaverse Intelligence. تضخيم المعرفة. دخول مجاني.
- كريبتوهوك. الرادار. تجربة مجانية.
- المصدر: https://aws.amazon.com/blogs/machine-learning/optimize-f1-aerodynamic-geometries-via-design-of-experiments-and-machine-learning/
- "
- 000
- 100
- 28
- 9
- من نحن
- حسابي
- دقيق
- التأهيل
- تحقق
- في
- نشط
- إضافة
- إضافي
- فضاء
- خوارزمية
- خوارزميات
- الكل
- سابقا
- بالرغم ان
- أمازون
- آخر
- نهج
- حول
- AWS
- خلفية
- خط الأساس
- قبل
- يجري
- تستفيد
- أفضل
- نساعدك في بناء
- الأعمال
- مرشح
- المرشحين
- قدرات
- سيارة
- cars
- تهمة
- مادة كيميائية
- خيار
- عميل
- مجموعة
- الجمع بين
- حول الشركة
- مجمع
- واثق
- نظر
- تواصل
- CONVERGES
- استطاع
- خلق
- حالياًّ
- البيانات
- علم البيانات
- عالم البيانات
- القرارات
- وصف
- وصف
- تصميم
- تصميم
- تصاميم
- تطوير
- المتقدمة
- مختلف
- مسافة
- نطاق
- قيادة
- دينامية
- حافة
- تأثير
- فعال
- بكفاءة
- الهندسة
- البيئة
- أنشئ
- مثال
- متوقع
- الخبره في مجال الغطس
- خبرة
- استكشاف
- اكتشف
- العوامل
- الأزياء
- FAST
- أسرع
- الميزات
- المميزات
- الشكل
- الاسم الأول
- تناسب
- تدفق
- متابعيك
- متابعات
- حرية
- جبهة
- وظيفة
- GAS
- على العموم
- توليد
- توليد
- جيل
- أجيال
- العالمية
- هدف
- خير
- GP
- جدا
- شبكة
- وجود
- ارتفاع
- مساعدة
- إخفاء
- مرتفع
- أعلى
- كيفية
- لكن
- HTTPS
- ضخم
- صورة
- التأثير
- نفذت
- أهمية
- أهمية
- تحسين
- القيمة الاسمية
- في ازدياد
- على نحو متزايد
- العالمية
- تأثير
- معلومات
- بالمعلومات
- وأبلغ
- إدخال
- تبصر
- رؤى
- موحى
- مصلحة
- بحث
- IT
- معروف
- كبير
- قيادة
- يؤدي
- تعلم
- مستوى
- محدود
- خط
- القليل
- أبحث
- آلة
- آلة التعلم
- تمكن
- مدير
- أسلوب
- تصنيع
- رياضي
- يعني
- طرق
- المقاييس
- ربما
- الحد الأدنى
- ML
- نموذج
- عارضات ازياء
- مراقبة
- الأكثر من ذلك
- أكثر
- رياضة السيارات
- متعدد
- طبيعي
- عدد
- تم الحصول عليها
- التحسين
- الأمثل
- الأمثل
- مزيد من الخيارات
- طلب
- أخرى
- جزء
- خاص
- خاصة
- أداء
- الأدوية
- فيزياء
- لعب
- نقاط
- تجمع
- ممكن
- قوي
- تنبأ
- تنبؤ
- تنبؤات
- يقدم
- سابق
- المشكلة
- عملية المعالجة
- إنتاج
- محترف
- تنفيذ المشاريع
- واعد
- اقترح
- المقترح
- تزود
- ويوفر
- غرض
- سباق
- الوصول
- سجل
- تخفيض
- تقليص
- منتظم
- اللائحة
- صلة
- المتبقية
- التمثيل
- استنساخ
- تطلب
- مطلوب
- يتطلب
- الموارد
- استجابة
- النتائج
- عائد أعلى
- دائري
- يجري
- تشغيل
- علوم
- عالم
- بحث
- مختار
- مسلسلات
- خدماتنا
- طقم
- ضبط
- شاركت
- أظهرت
- مماثل
- الاشارات
- محاكاة
- مهارات
- صغير
- So
- حل
- الحلول
- حل
- الفضاء
- متخصص
- سرعة
- رياضة
- رياضة
- انتشار
- المسرح
- مراحل
- معيار
- بدأت
- قصص
- استراتيجيات
- الإستراتيجيات
- دراسات
- دراسة
- أعلى
- المساحة
- الهدف
- فريق
- تقني
- تقنيات
- تجربه بالعربي
- الاختبار
- اختبارات
- العالم
- وبالتالي
- عبر
- طوال
- الوقت
- استهلاك الوقت
- مرات
- الإطارات
- سويا
- أدوات
- تواصل
- نحو
- مسار
- تقليدي
- كشف
- فهم
- us
- تستخدم
- التحقق من صحة
- قيمنا
- السيارات
- افتراضي
- ابحث عن
- ويكيبيديا
- ريح
- بدون
- عمل
- أعمال
- العالم
- سوف
- سنوات