সূত্র 1 (F1) গাড়ি হল বিশ্বের দ্রুততম নিয়ন্ত্রিত রোড-কোর্স রেসিং যানবাহন। যদিও এই ওপেন-হুইল অটোমোবাইলগুলি টপ-অফ-দ্য-লাইন স্পোর্টস কারগুলির তুলনায় প্রতি ঘন্টায় মাত্র 20-30 কিলোমিটার (বা 12-18 মাইল) দ্রুত, তবে শক্তিশালী অ্যারোডাইনামিকের কারণে তারা কোণে পাঁচগুণ পর্যন্ত দ্রুত গতিতে পারে। তারা তৈরি করে downforce. Downforce এরোডাইনামিক সারফেস দ্বারা তৈরি উল্লম্ব বল যা গাড়িকে রাস্তার দিকে চাপ দেয়, টায়ার থেকে গ্রিপ বাড়ায়। F1 এরোডাইনামিসিস্টদের অবশ্যই বায়ু প্রতিরোধ বা টেনে নিরীক্ষণ করতে হবে, যা সরল-রেখার গতি সীমিত করে।
F1 ইঞ্জিনিয়ারিং টিম F1 গাড়ির পরবর্তী প্রজন্মের ডিজাইন করার এবং খেলাধুলার জন্য প্রযুক্তিগত নিয়ন্ত্রণ একত্রিত করার দায়িত্বে রয়েছে। গত 3 বছরে, তাদের এমন একটি গাড়ি ডিজাইন করার দায়িত্ব দেওয়া হয়েছে যা বর্তমান উচ্চ মাত্রার ডাউনফোর্স এবং সর্বোচ্চ গতি বজায় রাখে, তবে অন্য গাড়ির পিছনে গাড়ি চালানোর দ্বারাও বিরূপ প্রভাব পড়ে না। এটি গুরুত্বপূর্ণ কারণ পূর্ববর্তী প্রজন্মের গাড়িগুলি ডানা এবং বডিওয়ার্ক দ্বারা উত্পন্ন অশান্ত জেগে ওঠার কারণে অন্য গাড়ির পিছনে ঘনিষ্ঠভাবে দৌড়ানোর সময় তাদের নিম্নশক্তির 50% পর্যন্ত হারাতে পারে।
সময়সাপেক্ষ এবং ব্যয়বহুল ট্র্যাক বা উইন্ড টানেল পরীক্ষার উপর নির্ভর করার পরিবর্তে, F1 কম্পিউটেশনাল ফ্লুইড ডাইনামিক্স (CFD) ব্যবহার করে, যা তরল প্রবাহ অধ্যয়ন করার জন্য একটি ভার্চুয়াল পরিবেশ প্রদান করে (এই ক্ষেত্রে F1 গাড়ির চারপাশের বাতাস) কখনও প্রয়োজন ছাড়াই। একটি একক অংশ উত্পাদন। CFD এর সাথে, F1 এরোডাইনামিসিস্টরা বিভিন্ন জ্যামিতি ধারণা পরীক্ষা করে, তাদের অ্যারোডাইনামিক প্রভাবের মূল্যায়ন করে, এবং পুনরাবৃত্তিমূলকভাবে তাদের ডিজাইনগুলিকে অপ্টিমাইজ করে। বিগত 3 বছরে, F1 ইঞ্জিনিয়ারিং দল AWS-এর সাথে একটি সেট আপ করতে সহযোগিতা করেছে পরিমাপযোগ্য এবং খরচ-দক্ষ CFD কর্মপ্রবাহ যা CFD রানের থ্রুপুট তিনগুণ বাড়িয়েছে এবং প্রতি রানে টার্নঅ্যারাউন্ড টাইম অর্ধেক কমিয়েছে।
F1 এডব্লিউএস মেশিন লার্নিং (এমএল) পরিষেবাগুলি যেমন অনুসন্ধান করার প্রক্রিয়াধীন রয়েছে আমাজন সেজমেকার অতিরিক্ত অন্তর্দৃষ্টি সহ মডেলগুলি তৈরি করতে CFD সিমুলেশন ডেটা ব্যবহার করে গাড়ির নকশা এবং কর্মক্ষমতা অপ্টিমাইজ করতে সহায়তা করতে। উদ্দেশ্য হল প্রতিশ্রুতিশীল ডিজাইনের দিকনির্দেশগুলি উন্মোচন করা এবং CFD সিমুলেশনের সংখ্যা হ্রাস করা, যার ফলে সর্বোত্তম ডিজাইনে একত্রিত হতে সময় কমানো।
এই পোস্টে, আমরা ব্যাখ্যা করি কিভাবে F1 এর সাথে সহযোগিতা করেছে AWS প্রফেশনাল সার্ভিসেস ML দ্বারা চালিত একটি বেসপোক ডিজাইন অফ এক্সপেরিমেন্টস (DoE) ওয়ার্কফ্লো তৈরি করার জন্য দল F1 এরোডাইনামিসস্টদের পরামর্শ দেওয়ার জন্য সিএফডি-তে কোন ডিজাইনের ধারণাগুলি শিখতে এবং পারফরম্যান্সকে সর্বাধিক করে তুলতে হবে।
সমস্যা বিবৃতি
নতুন অ্যারোডাইনামিক ধারণাগুলি অন্বেষণ করার সময়, F1 এরোডাইনামিকরা কখনও কখনও ডিজাইন অফ এক্সপেরিমেন্টস (DoE) নামে একটি প্রক্রিয়া নিযুক্ত করে। এই প্রক্রিয়াটি পদ্ধতিগতভাবে একাধিক কারণের মধ্যে সম্পর্ক অধ্যয়ন করে। পিছনের ডানার ক্ষেত্রে, এটি ডাউনফোর্স বা টেনে আনার মতো অ্যারোডাইনামিক মেট্রিক্সের ক্ষেত্রে উইং কর্ড, স্প্যান বা ক্যাম্বার হতে পারে। একটি DoE প্রক্রিয়ার লক্ষ্য হ'ল নকশার স্থানের দক্ষতার সাথে নমুনা করা এবং সর্বোত্তম ফলাফলে রূপান্তরিত হওয়ার আগে পরীক্ষার্থীদের সংখ্যা কমিয়ে আনা। এটি পুনরাবৃত্তভাবে একাধিক ডিজাইনের ফ্যাক্টর পরিবর্তন করে, এরোডাইনামিক প্রতিক্রিয়া পরিমাপ করে, প্রভাব এবং কারণগুলির মধ্যে সম্পর্ক অধ্যয়ন করে এবং তারপর সবচেয়ে সর্বোত্তম বা তথ্যপূর্ণ দিক দিয়ে পরীক্ষা চালিয়ে যাওয়ার মাধ্যমে অর্জন করা হয়। নিচের চিত্রে, আমরা পিছনের ডানা জ্যামিতির একটি উদাহরণ উপস্থাপন করছি যা F1 তাদের ইউনিফর্ম বেসলাইন থেকে আমাদের সাথে শেয়ার করেছে। চারটি ডিজাইনের পরামিতি যা F1 এরোডাইনামিসস্টরা একটি DoE রুটিনে তদন্ত করতে পারে।
এই প্রকল্পে, F1 AWS প্রফেশনাল সার্ভিসের সাথে কাজ করেছে ML ব্যবহার করে DoE রুটিন উন্নত করার জন্য। প্রথাগত DoE পদ্ধতিতে ডিজাইনের প্যারামিটারের মধ্যে সম্পর্ক বোঝার জন্য একটি সু-জনবহুল নকশা স্থান প্রয়োজন এবং সেইজন্য প্রচুর সংখ্যক আপফ্রন্ট CFD সিমুলেশনের উপর নির্ভর করে। এমএল রিগ্রেশন মডেলগুলি পূর্ববর্তী CFD সিমুলেশনের ফলাফলগুলি ব্যবহার করে ডিজাইনের প্যারামিটারের সেট দেওয়া অ্যারোডাইনামিক প্রতিক্রিয়ার পূর্বাভাস দিতে পারে, সেইসাথে আপনাকে প্রতিটি ডিজাইনের পরিবর্তনশীলের আপেক্ষিক গুরুত্বের একটি ইঙ্গিত দিতে পারে। আপনি সর্বোত্তম ডিজাইনের ভবিষ্যদ্বাণী করতে এই অন্তর্দৃষ্টিগুলি ব্যবহার করতে পারেন এবং ডিজাইনারদের কম অগ্রিম CFD সিমুলেশনের সাথে সর্বোত্তম সমাধানগুলিতে একত্রিত হতে সহায়তা করতে পারেন। দ্বিতীয়ত, ডিজাইন স্পেসের কোন অঞ্চলগুলি অন্বেষণ করা হয়নি তা বোঝার জন্য আপনি ডেটা সায়েন্স কৌশলগুলি ব্যবহার করতে পারেন এবং সম্ভাব্যভাবে সর্বোত্তম ডিজাইনগুলি লুকিয়ে রাখতে পারেন।
বেসপোক ML-চালিত DoE ওয়ার্কফ্লোকে চিত্রিত করার জন্য, আমরা সামনের উইং ডিজাইন করার একটি বাস্তব উদাহরণ দিয়ে চলেছি।
সামনের ডানা ডিজাইন করা
F1 গাড়িগুলি তাদের বেশিরভাগ ডাউনফোর্স তৈরি করতে সামনে এবং পিছনের উইংসের মতো উইংসের উপর নির্ভর করে, যা আমরা এই উদাহরণ জুড়ে সহগ দ্বারা উল্লেখ করেছি Cz. এই উদাহরণ জুড়ে, ডাউনফোর্স মান স্বাভাবিক করা হয়েছে। এই উদাহরণে, F1 এরোডাইনামিসিস্টরা উইং জ্যামিতিকে নিম্নরূপ প্যারামিটারাইজ করার জন্য তাদের ডোমেন দক্ষতা ব্যবহার করেছেন (একটি দৃশ্য উপস্থাপনের জন্য নিম্নলিখিত চিত্রটি পড়ুন):
- LE-উচ্চতা - অগ্রণী প্রান্ত উচ্চতা
- মিন-জেড - ন্যূনতম গ্রাউন্ড ক্লিয়ারেন্স
- মধ্য-লে-কোণ - তৃতীয় উপাদানের অগ্রণী প্রান্ত কোণ
- TE-কোণ - ট্রেলিং প্রান্ত কোণ
- TE- উচ্চতা - ট্রেলিং প্রান্তের উচ্চতা
এই ফ্রন্ট উইং জ্যামিতি F1 দ্বারা শেয়ার করা হয়েছে এবং এটি ইউনিফর্ম বেসলাইনের অংশ।
এই পরামিতিগুলি নির্বাচন করা হয়েছিল কারণ এগুলি জ্যামিতির প্রধান দিকগুলি দক্ষতার সাথে বর্ণনা করার জন্য যথেষ্ট এবং কারণ অতীতে, এরোডাইনামিক কর্মক্ষমতা এই পরামিতিগুলির ক্ষেত্রে উল্লেখযোগ্য সংবেদনশীলতা দেখিয়েছে। এই DoE রুটিনের লক্ষ্য ছিল পাঁচটি ডিজাইন প্যারামিটারের সমন্বয় খুঁজে বের করা যা অ্যারোডাইনামিক ডাউনফোর্সকে সর্বাধিক করবে (Cz) ডিজাইনের স্বাধীনতাও ডিজাইনের প্যারামিটারগুলিতে সর্বাধিক এবং সর্বনিম্ন মান নির্ধারণ করে সীমিত করা হয়েছে, যেমনটি নিম্নলিখিত সারণীতে দেখানো হয়েছে।
. | নূন্যতম | সর্বাধিক |
TE- উচ্চতা | 250.0 | 300.0 |
TE-কোণ | 145.0 | 165.0 |
মধ্য-লে-কোণ | 160.0 | 170.0 |
মিন-জেড | 5.0 | 50.0 |
LE-উচ্চতা | 100.0 | 150.0 |
ডিজাইনের প্যারামিটার, টার্গেট আউটপুট মেট্রিক এবং আমাদের ডিজাইন স্পেসের সীমানা স্থাপন করার পর, DoE রুটিন শুরু করার জন্য আমাদের যা দরকার তা আছে। আমাদের সমাধানের একটি ওয়ার্কফ্লো ডায়াগ্রাম নিম্নলিখিত ছবিতে উপস্থাপন করা হয়েছে। নিম্নলিখিত বিভাগে, আমরা বিভিন্ন পর্যায়ে গভীরভাবে ডুব দিই।
নকশা স্থান প্রাথমিক নমুনা
DoE কর্মপ্রবাহের প্রথম ধাপ হল CFD-তে প্রার্থীদের একটি প্রাথমিক সেট চালানো যা দক্ষতার সাথে নকশার জায়গার নমুনা দেয় এবং প্রতিটি বৈশিষ্ট্যের প্রভাব অধ্যয়ন করার জন্য আমাদের ML রিগ্রেশন মডেলের প্রথম সেট তৈরি করতে দেয়। প্রথমত, আমরা এর একটি পুল তৈরি করি N নমুনা ব্যবহার ল্যাটিন হাইপারকিউব স্যাম্পলিং (LHS) বা একটি নিয়মিত গ্রিড পদ্ধতি। তারপর, আমরা নির্বাচন করি k প্রার্থীরা একটি লোভী ইনপুট অ্যালগরিদমের মাধ্যমে CFD-তে পরীক্ষা করবেন, যার লক্ষ্য ডিজাইনের স্থানের অন্বেষণকে সর্বাধিক করা। একটি বেসলাইন প্রার্থী (বর্তমান নকশা) দিয়ে শুরু করে, আমরা পুনরাবৃত্তভাবে পূর্বে পরীক্ষা করা সমস্ত প্রার্থীদের থেকে অনেক দূরে প্রার্থী নির্বাচন করি। ধরুন আমরা ইতিমধ্যে পরীক্ষা করেছি k নকশা; অবশিষ্ট ডিজাইন প্রার্থীদের জন্য, আমরা সর্বনিম্ন দূরত্ব খুঁজে পাই d পরীক্ষিত সাপেক্ষে k ডিজাইন:
লোভী ইনপুট অ্যালগরিদম সেই প্রার্থীকে নির্বাচন করে যা পূর্বে পরীক্ষিত প্রার্থীদের থেকে বৈশিষ্ট্যের স্থানের দূরত্ব সর্বাধিক করে:
এই DoE-তে, আমরা তিনজন লোভী ইনপুট প্রার্থীকে বেছে নিয়েছি এবং CFD-তে দৌড়িয়েছি তাদের অ্যারোডাইনামিক ডাউনফোর্স মূল্যায়ন করার জন্য (Cz) লোভী ইনপুট প্রার্থীরা ডিজাইন স্পেসের সীমানাগুলি অন্বেষণ করে এবং এই পর্যায়ে, তাদের কেউই এরোডাইনামিক ডাউনফোর্সের ক্ষেত্রে বেসলাইন প্রার্থীর চেয়ে উচ্চতর প্রমাণিত হয়নি (Cz) ডিজাইন প্যারামিটার সহ এই প্রাথমিক রাউন্ডের CFD পরীক্ষার ফলাফলগুলি নিম্নলিখিত টেবিলে প্রদর্শিত হয়েছে।
. | TE- উচ্চতা | TE-কোণ | মধ্য-লে-কোণ | মিন-জেড | LE-উচ্চতা | সাধারণীকৃত Cz |
বেসলাইন | 292.25 | 154.86 | 166 | 5 | 130 | 0.975 |
জিআই 0 | 250 | 165 | 160 | 50 | 100 | 0.795 |
জিআই 1 | 300 | 145 | 170 | 50 | 100 | 0.909 |
জিআই 2 | 250 | 145 | 170 | 5 | 100 | 0.847 |
প্রাথমিক এমএল রিগ্রেশন মডেল
রিগ্রেশন মডেলের লক্ষ্য হল ভবিষ্যদ্বাণী করা Cz পাঁচটি ডিজাইন প্যারামিটারের যে কোনো সমন্বয়ের জন্য। এইরকম একটি ছোট ডেটাসেটের মাধ্যমে, আমরা সাধারণ মডেলগুলিকে অগ্রাধিকার দিয়েছি, অতিরিক্ত ফিটিং এড়াতে মডেল নিয়মিতকরণ প্রয়োগ করেছি এবং যেখানে সম্ভব বিভিন্ন মডেলের ভবিষ্যদ্বাণীগুলিকে একত্রিত করেছি৷ নিম্নলিখিত ML মডেলগুলি তৈরি করা হয়েছিল:
- সাধারণ ন্যূনতম বর্গক্ষেত্র (OLS)
- একটি RBF কার্নেল সহ ভেক্টর রিগ্রেশন (SVM) সমর্থন করুন
- একটি Matérn কার্নেল সহ গাউসিয়ান প্রসেস রিগ্রেশন (GP)
- এক্সজিবিস্ট
এছাড়াও, একটি দুই-স্তরের স্ট্যাকড মডেল তৈরি করা হয়েছিল, যেখানে GP, SVM, এবং XGBoost মডেলগুলির ভবিষ্যদ্বাণীগুলি চূড়ান্ত প্রতিক্রিয়া তৈরি করতে একটি Lasso অ্যালগরিদম দ্বারা একীভূত হয়। এই মডেল হিসাবে এই পোস্ট জুড়ে উল্লেখ করা হয় স্ট্যাক করা মডেল. আমরা বর্ণিত পাঁচটি মডেলের ভবিষ্যদ্বাণীমূলক ক্ষমতাকে র্যাঙ্ক করতে, একটি পুনরাবৃত্ত কে-ফোল্ড ক্রস বৈধতা রুটিন প্রয়োগ করা হয়েছিল।
CFD-তে পরীক্ষার জন্য পরবর্তী ডিজাইন প্রার্থী তৈরি করা হচ্ছে
পরবর্তী পরীক্ষা কোন প্রার্থী নির্বাচন করতে সতর্ক বিবেচনা প্রয়োজন. F1 এরোডাইনামিসিস্টকে অবশ্যই এমএল মডেলের দ্বারা ভবিষ্যদ্বাণী করা বিকল্পগুলিকে কাজে লাগানোর সুবিধার সাথে ভারসাম্য বজায় রাখতে হবে যাতে নকশার স্থানের অজানা অঞ্চলগুলি অন্বেষণ করতে ব্যর্থ হওয়ার খরচের সাথে উচ্চ ডাউনফোর্স প্রদান করা হয়, যা আরও বেশি ডাউনফোর্স প্রদান করতে পারে। সেই কারণে, এই DoE রুটিনে, আমরা তিনটি প্রার্থীর প্রস্তাব দিই: একজন কর্মক্ষমতা-চালিত এবং দুটি অনুসন্ধান-চালিত৷ অন্বেষণ-চালিত প্রার্থীদের উদ্দেশ্য হল ডিজাইন স্পেসের অঞ্চলগুলিতে এমএল অ্যালগরিদমে অতিরিক্ত ডেটা পয়েন্ট সরবরাহ করা যেখানে পূর্বাভাসের চারপাশে অনিশ্চয়তা সবচেয়ে বেশি। এর ফলে পরবর্তী রাউন্ড ডিজাইনের পুনরাবৃত্তিতে আরও সঠিক ভবিষ্যদ্বাণী করা যায়।
জেনেটিক অ্যালগরিদম অপ্টিমাইজেশান ডাউনফোর্স সর্বাধিক করার জন্য
সর্বোচ্চ প্রত্যাশিত অ্যারোডাইনামিক ডাউনফোর্স সহ প্রার্থী পেতে, আমরা সমস্ত সম্ভাব্য ডিজাইন প্রার্থীদের উপর একটি ভবিষ্যদ্বাণী চালাতে পারি। যাইহোক, এটি কার্যকর হবে না। এই অপ্টিমাইজেশান সমস্যার জন্য, আমরা একটি জেনেটিক অ্যালগরিদম (GA) ব্যবহার করি। লক্ষ্য হল একটি বিশাল সমাধান স্থানের মাধ্যমে দক্ষতার সাথে অনুসন্ধান করা (এর এমএল পূর্বাভাসের মাধ্যমে প্রাপ্ত Cz) এবং সবচেয়ে অনুকূল প্রার্থী ফেরত দিন। GAs সুবিধাজনক যখন সমাধান স্থান জটিল এবং অ-উত্তল হয়, যাতে ক্লাসিক্যাল অপ্টিমাইজেশন পদ্ধতি যেমন গ্রেডিয়েন্ট ডিসেন্ট একটি বিশ্বব্যাপী সমাধান খুঁজে বের করার জন্য একটি অকার্যকর উপায়। GA হল বিবর্তনীয় অ্যালগরিদমের একটি উপসেট এবং অনুসন্ধান সমস্যা সমাধানের জন্য প্রাকৃতিক নির্বাচন, জেনেটিক ক্রসওভার এবং মিউটেশনের ধারণাগুলি দ্বারা অনুপ্রাণিত। একটি ধারাবাহিক পুনরাবৃত্তি (প্রজন্ম হিসাবে পরিচিত), ডিজাইন প্রার্থীদের প্রাথমিকভাবে এলোমেলোভাবে নির্বাচিত সেটের সেরা প্রার্থীদের একত্রিত করা হয় (অনেকটা প্রজননের মতো)। অবশেষে, এই প্রক্রিয়াটি আপনাকে একটি দক্ষ পদ্ধতিতে সর্বাধিক সর্বোত্তম প্রার্থীদের সন্ধান করতে দেয়। GA সম্পর্কে আরও তথ্যের জন্য, পড়ুন অপ্টিমাইজেশান সমস্যার জন্য AWS-এ জেনেটিক অ্যালগরিদম ব্যবহার করা.
অন্বেষণ-চালিত প্রার্থী তৈরি করা
আমরা যাকে অন্বেষণ-চালিত প্রার্থী হিসাবে আখ্যায়িত করি তা তৈরি করতে, একটি ভাল নমুনা কৌশল অবশ্যই পরিস্থিতির সাথে খাপ খাইয়ে নিতে সক্ষম হতে হবে প্রভাব sparsity, যেখানে শুধুমাত্র পরামিতিগুলির একটি উপসেট উল্লেখযোগ্যভাবে সমাধানকে প্রভাবিত করে। তাই, নমুনা নেওয়ার কৌশলটি প্রার্থীদের ইনপুট ডিজাইনের জায়গা জুড়ে ছড়িয়ে দিতে হবে কিন্তু অপ্রয়োজনীয় CFD রান এড়াতে হবে, পরিবর্তনশীল পরিবর্তনগুলি যা কর্মক্ষমতার উপর সামান্য প্রভাব ফেলে। স্যাম্পলিং কৌশলটি অবশ্যই এমএল রিগ্রেসার দ্বারা পূর্বাভাসিত প্রতিক্রিয়া পৃষ্ঠকে বিবেচনায় নিতে হবে। অনুসন্ধান-চালিত প্রার্থীদের পেতে দুটি নমুনা কৌশল নিযুক্ত করা হয়েছিল।
Gaussian Process Regressors (GP) এর ক্ষেত্রে, আদর্শ বিচ্যুতি ভবিষ্যদ্বাণীকৃত প্রতিক্রিয়া পৃষ্ঠের মডেলের অনিশ্চয়তার ইঙ্গিত হিসাবে ব্যবহার করা যেতে পারে। স্যাম্পলিং কৌশল এর পুল থেকে নির্বাচন নিয়ে গঠিত N নমুনা , প্রার্থী যে সর্বোচ্চ . এটি করার মাধ্যমে, আমরা নকশা স্থানের অঞ্চলে নমুনা নিচ্ছি যেখানে রিগ্রেসর তার ভবিষ্যদ্বাণী সম্পর্কে সবচেয়ে কম আত্মবিশ্বাসী। গাণিতিক পদে, আমরা প্রার্থী নির্বাচন করি যেটি নিম্নলিখিত সমীকরণকে সন্তুষ্ট করে:
বিকল্পভাবে, আমরা একটি লোভী ইনপুট এবং আউটপুট স্যাম্পলিং কৌশল নিযুক্ত করি, যা ফিচার স্পেসে এবং প্রস্তাবিত প্রার্থী এবং ইতিমধ্যে পরীক্ষিত ডিজাইনের মধ্যে প্রতিক্রিয়া স্থান উভয়ের দূরত্বকে সর্বাধিক করে তোলে। এই tackles প্রভাব sparsity পরিস্থিতি কারণ যে প্রার্থীরা সামান্য প্রাসঙ্গিকতার একটি ডিজাইন প্যারামিটার পরিবর্তন করে তাদের একই রকম প্রতিক্রিয়া থাকে এবং সেইজন্য প্রতিক্রিয়া পৃষ্ঠের দূরত্ব ন্যূনতম। গাণিতিক পদে, আমরা প্রার্থী নির্বাচন করি যেটি নিম্নলিখিত সমীকরণটি সন্তুষ্ট করে, যেখানে ফাংশন f এমএল রিগ্রেশন মডেল:
প্রার্থী নির্বাচন, CFD পরীক্ষা, এবং অপ্টিমাইজেশান লুপ
এই পর্যায়ে, ব্যবহারকারীকে পারফরম্যান্স-চালিত এবং অন্বেষণ-চালিত উভয় প্রার্থীর সাথে উপস্থাপন করা হয়। পরবর্তী ধাপে প্রস্তাবিত প্রার্থীদের একটি উপসেট নির্বাচন করা, সেই ডিজাইনের পরামিতিগুলির সাথে CFD সিমুলেশন চালানো এবং এরোডাইনামিক ডাউনফোর্স প্রতিক্রিয়া রেকর্ড করা।
এর পরে, DoE ওয়ার্কফ্লো ML রিগ্রেশন মডেলগুলিকে পুনরায় প্রশিক্ষণ দেয়, জেনেটিক অ্যালগরিদম অপ্টিমাইজেশান চালায়, এবং কর্মক্ষমতা-চালিত এবং অন্বেষণ-চালিত প্রার্থীদের একটি নতুন সেট প্রস্তাব করে। ব্যবহারকারী প্রস্তাবিত প্রার্থীদের একটি উপসেট চালায় এবং থামার মানদণ্ড পূরণ না হওয়া পর্যন্ত এই পদ্ধতিতে পুনরাবৃত্তি করতে থাকে। স্টপিং মানদণ্ড সাধারণত পূরণ করা হয় যখন একজন প্রার্থীকে সর্বোত্তম বলে মনে করা হয়।
ফলাফল
নিম্নলিখিত চিত্রে, আমরা নর্মালাইজড এরোডাইনামিক ডাউনফোর্স রেকর্ড করি (Cz) CFD সিমুলেশন (নীল) থেকে এবং DoE কর্মপ্রবাহের প্রতিটি পুনরাবৃত্তির জন্য পছন্দের ML রিগ্রেশন মডেল (গোলাপী) ব্যবহার করে আগে থেকে ভবিষ্যদ্বাণী করা হয়েছে। লক্ষ্য ছিল অ্যারোডাইনামিক ডাউনফোর্স সর্বাধিক করা (Cz) প্রথম চারটি রান (লাল রেখার বাম দিকে) ছিল বেসলাইন এবং তিনটি লোভী ইনপুট প্রার্থীর পূর্বে রূপরেখা। সেখান থেকে, কর্মক্ষমতা-চালিত এবং অন্বেষণ-চালিত প্রার্থীদের সংমিশ্রণ পরীক্ষা করা হয়েছিল। বিশেষ করে, পুনরাবৃত্তি 6 এবং 8-এর প্রার্থীরা ছিল অনুসন্ধানী প্রার্থী, উভয়ই বেসলাইন প্রার্থীর (পুনরাবৃত্তি 1) তুলনায় নিম্ন স্তরের নিম্নশক্তি প্রদর্শন করে। প্রত্যাশিত হিসাবে, আমরা যত বেশি প্রার্থী রেকর্ড করেছি, এমএল ভবিষ্যদ্বাণী ক্রমবর্ধমান নির্ভুল হয়ে উঠেছে, যা পূর্বাভাসিত এবং বাস্তবের মধ্যে দূরত্ব হ্রাস দ্বারা চিহ্নিত করা হয়েছে। Cz. পুনরাবৃত্তি 9 এ, DoE ওয়ার্কফ্লো বেসলাইনের অনুরূপ পারফরম্যান্স সহ একজন প্রার্থীকে খুঁজে বের করতে সক্ষম হয়েছিল এবং পুনরাবৃত্তি 12-এ, যখন কর্মক্ষমতা-চালিত প্রার্থী বেসলাইন অতিক্রম করে তখন DoE ওয়ার্কফ্লো সমাপ্ত হয়।
চূড়ান্ত নকশার পরামিতিগুলি ফলাফলের স্বাভাবিক ডাউনফোর্স মান সহ নিম্নলিখিত সারণীতে উপস্থাপন করা হয়েছে। বেসলাইন প্রার্থীর জন্য স্বাভাবিককৃত ডাউনফোর্স স্তর ছিল 0.975, যেখানে DoE কর্মপ্রবাহের জন্য সর্বোত্তম প্রার্থী 1.000 এর একটি স্বাভাবিক ডাউনফোর্স স্তর রেকর্ড করেছে। এটি একটি গুরুত্বপূর্ণ 2.5% আপেক্ষিক বৃদ্ধি।
প্রেক্ষাপটের জন্য, পাঁচটি ভেরিয়েবল সহ একটি ঐতিহ্যগত DoE পদ্ধতির জন্য একটি সর্বোত্তম ভবিষ্যদ্বাণী করার জন্য যথেষ্ট ভাল ফিট অর্জন করার আগে 25টি আপফ্রন্ট CFD সিমুলেশনের প্রয়োজন হবে। অন্যদিকে, এই সক্রিয় শেখার পদ্ধতিটি 12টি পুনরাবৃত্তিতে সর্বোত্তম রূপান্তরিত হয়েছে।
. | TE- উচ্চতা | TE-কোণ | মধ্য-লে-কোণ | মিন-জেড | LE-উচ্চতা | সাধারণীকৃত Cz |
বেসলাইন | 292.25 | 154.86 | 166 | 5 | 130 | 0.975 |
সর্বাপেক্ষা কাম্য | 299.97 | 156.79 | 166.27 | 5.01 | 135.26 | 1.000 |
বৈশিষ্ট্যের গুরুত্ব
একটি ভবিষ্যদ্বাণীমূলক মডেলের জন্য আপেক্ষিক বৈশিষ্ট্যের গুরুত্ব বোঝা ডেটাতে একটি দরকারী অন্তর্দৃষ্টি প্রদান করতে পারে। এটি কম গুরুত্বপূর্ণ ভেরিয়েবলগুলি সরানোর সাথে বৈশিষ্ট্য নির্বাচন করতে সহায়তা করতে পারে, যার ফলে সমস্যার মাত্রা হ্রাস করে এবং রিগ্রেশন মডেলের ভবিষ্যদ্বাণীমূলক ক্ষমতাগুলিকে সম্ভাব্যভাবে উন্নত করে, বিশেষ করে ছোট ডেটা শাসনে। এই ডিজাইনের সমস্যায়, এটি F1 এরোডাইনামিসস্টদের একটি অন্তর্দৃষ্টি প্রদান করে যে কোন ভেরিয়েবলগুলি সবচেয়ে সংবেদনশীল এবং সেইজন্য আরও যত্নশীল টিউনিং প্রয়োজন।
এই রুটিনে, আমরা নামক একটি মডেল-অজ্ঞেয়বাদী কৌশল প্রয়োগ করেছি স্থানান্তর গুরুত্ব. প্রতিটি ভেরিয়েবলের আপেক্ষিক গুরুত্ব পরিমাপ করা হয় মডেলের ভবিষ্যদ্বাণী ত্রুটির বৃদ্ধি গণনা করে এলোমেলোভাবে শুধুমাত্র সেই ভেরিয়েবলের জন্য মান পরিবর্তন করে। মডেলের জন্য একটি বৈশিষ্ট্য গুরুত্বপূর্ণ হলে, ভবিষ্যদ্বাণী ত্রুটি ব্যাপকভাবে বৃদ্ধি পায় এবং এর বিপরীতে কম গুরুত্বপূর্ণ বৈশিষ্ট্যের জন্য। নিম্নলিখিত চিত্রে, আমরা একটি গাউসিয়ান প্রসেস রিগ্রেসার (GP)-এর জন্য স্থানচ্যুতি গুরুত্ব উপস্থাপন করি যা এরোডাইনামিক ডাউনফোর্স (Cz) ট্রেলিং প্রান্তের উচ্চতা (TE-উচ্চতা) সবচেয়ে গুরুত্বপূর্ণ বলে মনে করা হয়েছিল।
উপসংহার
এই পোস্টে, আমরা ব্যাখ্যা করেছি যে কীভাবে F1 এরোডাইনামিকবিদরা নতুন অ্যারোডাইনামিক জ্যামিতি ডিজাইন করার সময় DoE ওয়ার্কফ্লোতে এমএল রিগ্রেশন মডেল ব্যবহার করছেন। AWS প্রফেশনাল সার্ভিসেস দ্বারা বিকশিত ML-চালিত DoE ওয়ার্কফ্লো অন্তর্দৃষ্টি প্রদান করে কোন ডিজাইনের পরামিতিগুলি পারফরম্যান্সকে সর্বাধিক করবে বা ডিজাইনের জায়গায় অচর্চিত অঞ্চলগুলি অন্বেষণ করবে৷ একটি গ্রিড অনুসন্ধান ফ্যাশনে CFD-তে প্রার্থীদের পুনরাবৃত্তিমূলকভাবে পরীক্ষা করার বিপরীতে, ML-চালিত DoE ওয়ার্কফ্লো কম পুনরাবৃত্তিতে সর্বোত্তম ডিজাইনের পরামিতিগুলিতে একত্রিত হতে সক্ষম। এটি সময় এবং সংস্থান উভয়ই সাশ্রয় করে কারণ কম CFD সিমুলেশন প্রয়োজন।
আপনি রাসায়নিক সংমিশ্রণ অপ্টিমাইজেশানের গতি বাড়ানোর জন্য একটি ফার্মাসিউটিক্যাল কোম্পানী হন বা সবচেয়ে শক্তিশালী ডিজাইনের জন্য ডিজাইনের মাত্রা খুঁজে বের করার জন্য একটি উত্পাদনকারী সংস্থা, DoE ওয়ার্কফ্লোগুলি আরও দক্ষতার সাথে সর্বোত্তম প্রার্থীদের কাছে পৌঁছাতে সহায়তা করতে পারে৷ AWS Professional Services আপনার টিমকে বিশেষ ML দক্ষতা এবং অভিজ্ঞতার সাথে সম্পূরক করতে প্রস্তুত যাতে আপনি DoE কর্মপ্রবাহকে স্ট্রীমলাইন করতে এবং আপনাকে আরও ভাল ব্যবসায়িক ফলাফল অর্জনে সহায়তা করার জন্য সরঞ্জামগুলি বিকাশ করতে পারেন৷ আরও তথ্যের জন্য, দেখুন AWS প্রফেশনাল সার্ভিসেস, অথবা যোগাযোগ করতে আপনার অ্যাকাউন্ট ম্যানেজারের মাধ্যমে যোগাযোগ করুন।
লেখক সম্পর্কে
পাবলো হারমোসো মোরেনো AWS প্রফেশনাল সার্ভিসেস টিমের একজন ডেটা সায়েন্টিস্ট। তিনি মেশিন লার্নিং ব্যবহার করে সমস্ত ইন্ডাস্ট্রিতে ক্লায়েন্টদের সাথে কাজ করে ডেটা সহ গল্প বলার জন্য এবং আরও জ্ঞাত ইঞ্জিনিয়ারিং সিদ্ধান্তে দ্রুত পৌঁছান। পাবলোর ব্যাকগ্রাউন্ড অ্যারোস্পেস ইঞ্জিনিয়ারিং-এ এবং মোটরস্পোর্ট শিল্পে কাজ করার পরে তিনি এমএল-এর সাথে পদার্থবিদ্যা এবং ডোমেন দক্ষতার সেতুবন্ধনে আগ্রহী। অবসর সময়ে, তিনি রোয়িং এবং গিটার বাজানো উপভোগ করেন।
- Coinsmart. ইউরোপের সেরা বিটকয়েন এবং ক্রিপ্টো এক্সচেঞ্জ।
- প্লেটোব্লকচেন। Web3 মেটাভার্স ইন্টেলিজেন্স। জ্ঞান প্রসারিত. বিনামূল্যে এক্সেস.
- ক্রিপ্টোহক। Altcoin রাডার। বিনামূল্যে ট্রায়াল.
- সূত্র: https://aws.amazon.com/blogs/machine-learning/optimize-f1-aerodynamic-geometries-via-design-of-experiments-and-machine-learning/
- "
- 000
- 100
- 28
- 9
- সম্পর্কে
- হিসাব
- সঠিক
- অর্জন করা
- অর্জন
- দিয়ে
- সক্রিয়
- যোগ
- অতিরিক্ত
- মহাকাশ
- অ্যালগরিদম
- আলগোরিদিম
- সব
- ইতিমধ্যে
- যদিও
- মর্দানী স্ত্রীলোক
- অন্য
- অভিগমন
- কাছাকাছি
- ডেস্কটপ AWS
- পটভূমি
- বেসলাইন
- আগে
- হচ্ছে
- সুবিধা
- সর্বোত্তম
- নির্মাণ করা
- ব্যবসায়
- প্রার্থী
- প্রার্থী
- ক্ষমতা
- গাড়ী
- কার
- অভিযোগ
- রাসায়নিক
- পছন্দ
- ক্লায়েন্ট
- সমাহার
- মিলিত
- কোম্পানি
- জটিল
- সুনিশ্চিত
- বিবেচনা
- চলতে
- একত্রিত করা
- পারা
- সৃষ্টি
- বর্তমান
- উপাত্ত
- তথ্য বিজ্ঞান
- তথ্য বিজ্ঞানী
- সিদ্ধান্ত
- বর্ণনা করা
- বর্ণিত
- নকশা
- ফন্দিবাজ
- ডিজাইন
- বিকাশ
- উন্নত
- বিভিন্ন
- দূরত্ব
- ডোমেইন
- পরিচালনা
- গতিবিদ্যা
- প্রান্ত
- প্রভাব
- দক্ষ
- দক্ষতার
- প্রকৌশল
- পরিবেশ
- প্রতিষ্ঠিত
- উদাহরণ
- প্রত্যাশিত
- অভিজ্ঞতা
- ল্যাপারোস্কোপিক পদ্ধতি
- অন্বেষণ
- অন্বেষণ করুণ
- কারণের
- ফ্যাশন
- দ্রুত
- দ্রুত
- বৈশিষ্ট্য
- বৈশিষ্ট্য
- ব্যক্তিত্ব
- প্রথম
- ফিট
- প্রবাহ
- অনুসরণ
- অনুসরণ
- স্বাধীনতা
- সদর
- ক্রিয়া
- গ্যাস
- সাধারণত
- উত্পাদন করা
- উৎপাদিত
- প্রজন্ম
- প্রজন্ম
- বিশ্বব্যাপী
- লক্ষ্য
- ভাল
- GP
- অতিশয়
- গ্রিড
- জমিদারি
- উচ্চতা
- সাহায্য
- লুকান
- উচ্চ
- ঊর্ধ্বতন
- কিভাবে
- যাহোক
- HTTPS দ্বারা
- প্রচুর
- ভাবমূর্তি
- প্রভাব
- বাস্তবায়িত
- গুরুত্ব
- গুরুত্বপূর্ণ
- উন্নতি
- বৃদ্ধি
- ক্রমবর্ধমান
- ক্রমবর্ধমানভাবে
- শিল্প
- প্রভাব
- তথ্য
- তথ্যপূর্ণ
- অবগত
- ইনপুট
- সূক্ষ্মদৃষ্টি
- অর্ন্তদৃষ্টি
- অনুপ্রাণিত
- স্বার্থ
- তদন্ত করা
- IT
- পরিচিত
- বড়
- নেতৃত্ব
- বিশালাকার
- শিক্ষা
- উচ্চতা
- সীমিত
- লাইন
- সামান্য
- খুঁজছি
- মেশিন
- মেশিন লার্নিং
- পরিচালিত
- পরিচালক
- পদ্ধতি
- উত্পাদন
- গাণিতিক
- মানে
- পদ্ধতি
- ছন্দোবিজ্ঞান
- হতে পারে
- সর্বনিম্ন
- ML
- মডেল
- মডেল
- মনিটর
- অধিক
- সেতু
- মোটরদৌড়
- বহু
- প্রাকৃতিক
- সংখ্যা
- প্রাপ্ত
- অপ্টিমাইজেশান
- অপ্টিমিজ
- সর্বোত্তম
- অপশন সমূহ
- ক্রম
- অন্যান্য
- অংশ
- বিশেষ
- বিশেষত
- কর্মক্ষমতা
- ফার্মাসিউটিক্যাল
- পদার্থবিদ্যা
- কেলি
- পয়েন্ট
- পুকুর
- সম্ভব
- ক্ষমতাশালী
- ভবিষ্যদ্বাণী করা
- ভবিষ্যদ্বাণী
- ভবিষ্যতবাণী
- বর্তমান
- আগে
- সমস্যা
- প্রক্রিয়া
- উৎপাদন করা
- পেশাদারী
- প্রকল্প
- আশাপ্রদ
- উত্থাপন করা
- প্রস্তাবিত
- প্রদান
- উপলব্ধ
- উদ্দেশ্য
- ধাবমান
- নাগাল
- নথি
- হ্রাস করা
- হ্রাস
- নিয়মিত
- প্রবিধান
- সম্পর্ক
- অবশিষ্ট
- প্রতিনিধিত্ব
- প্রতিলিপি
- প্রয়োজন
- প্রয়োজনীয়
- প্রয়োজন
- Resources
- প্রতিক্রিয়া
- ফলাফল
- প্রত্যাবর্তন
- বৃত্তাকার
- চালান
- দৌড়
- বিজ্ঞান
- বিজ্ঞানী
- সার্চ
- নির্বাচিত
- ক্রম
- সেবা
- সেট
- বিন্যাস
- ভাগ
- প্রদর্শিত
- অনুরূপ
- সহজ
- ব্যাজ
- দক্ষতা
- ছোট
- So
- সমাধান
- সলিউশন
- সমাধান
- স্থান
- বিশেষজ্ঞ
- স্পীড
- খেলা
- বিজ্ঞাপন
- বিস্তার
- পর্যায়
- ইন্টার্নশিপ
- মান
- শুরু
- খবর
- কৌশল
- কৌশল
- গবেষণায়
- অধ্যয়ন
- উচ্চতর
- পৃষ্ঠতল
- লক্ষ্য
- টীম
- কারিগরী
- প্রযুক্তি
- পরীক্ষা
- পরীক্ষামূলক
- পরীক্ষা
- বিশ্ব
- অতএব
- দ্বারা
- সর্বত্র
- সময়
- সময় অপগিত হয় এমন
- বার
- টায়ার
- একসঙ্গে
- সরঞ্জাম
- স্পর্শ
- প্রতি
- পথ
- ঐতিহ্যগত
- উন্মোচন
- বোঝা
- us
- ব্যবহার
- বৈধতা
- মূল্য
- যানবাহন
- ভার্চুয়াল
- কি
- উইকিপিডিয়া
- বায়ু
- ছাড়া
- কাজ করছে
- কাজ
- বিশ্ব
- would
- বছর