FORMEL 1 (F1) biler er de hurtigste regulerede racerkøretøjer i verden. Selvom disse åbne hjul kun er 20-30 kilometer (eller 12-18 miles) i timen hurtigere end top-of-the-line sportsvogne, kan de køre rundt om hjørner op til fem gange så hurtigt på grund af den kraftige aerodynamiske downforce de skaber. downforce er den lodrette kraft, der genereres af de aerodynamiske overflader, der presser bilen mod vejen, hvilket øger grebet fra dækkene. F1-aerodynamikere skal også overvåge luftmodstanden eller luftmodstanden, hvilket begrænser hastigheden i lige linje.
F1-ingeniørteamet har ansvaret for at designe den næste generation af F1-biler og sammensætte de tekniske regler for sporten. I løbet af de sidste 3 år har de fået til opgave at designe en bil, der holder de nuværende høje niveauer af downforce og tophastigheder, men som heller ikke påvirkes negativt af at køre bag en anden bil. Dette er vigtigt, fordi den tidligere generation af biler kan miste op til 50 % af deres downforce, når de kører tæt bag en anden bil på grund af det turbulente kølvand, der genereres af vinger og karrosseri.
I stedet for at stole på tidskrævende og kostbare spor- eller vindtunneltest, bruger F1 Computational Fluid Dynamics (CFD), som giver et virtuelt miljø til at studere væskestrømmen (i dette tilfælde luften omkring F1-bilen) uden nogensinde at skulle fremstille en enkelt del. Med CFD tester F1-aerodynamikere forskellige geometrikoncepter, vurderer deres aerodynamiske effekt og optimerer iterativt deres design. I løbet af de sidste 3 år har F1-ingeniørteamet samarbejdet med AWS om at oprette en skalerbar og omkostningseffektiv CFD-arbejdsgang der har tredoblet gennemløbet af CFD-kørsler og halveret ekspeditionstiden pr. kørsel.
F1 er i gang med at undersøge AWS machine learning (ML) tjenester som f.eks Amazon SageMaker at hjælpe med at optimere bilens design og ydeevne ved at bruge CFD-simuleringsdata til at bygge modeller med yderligere indsigt. Målet er at afdække lovende designretninger og reducere antallet af CFD-simuleringer og derved reducere tiden det tager at konvergere til optimale designs.
I dette indlæg forklarer vi, hvordan F1 samarbejdede med AWS Professional Services team til at udvikle en skræddersyet Design of Experiments (DoE) workflow drevet af ML for at rådgive F1 aerodynamikere om, hvilke designkoncepter der skal testes i CFD for at maksimere læring og ydeevne.
Problemformulering
Når man udforsker nye aerodynamiske koncepter, bruger F1-aerodynamikere nogle gange en proces kaldet Design of Experiments (DoE). Denne proces studerer systematisk sammenhængen mellem flere faktorer. I tilfælde af en bagvinge kan dette være vingeakkord, spændvidde eller camber med hensyn til aerodynamiske metrikker såsom downforce eller træk. Målet med en DoE-proces er effektivt at prøve designrummet og minimere antallet af testede kandidater, før de konvergerer til et optimalt resultat. Dette opnås ved iterativt at ændre flere designfaktorer, måle den aerodynamiske respons, studere påvirkningen og forholdet mellem faktorer og derefter fortsætte test i den mest optimale eller informative retning. I den følgende figur præsenterer vi et eksempel på bagvingsgeometri, som F1 venligt har delt med os fra deres UNIFORM baseline. Fire designparametre, som F1-aerodynamikere kunne undersøge i en DoE-rutine, er mærket.
I dette projekt arbejdede F1 sammen med AWS Professional Services for at undersøge brugen af ML til at forbedre DoE-rutiner. Traditionelle DoE-metoder kræver et velbefolket designrum for at forstå sammenhængen mellem designparametre og er derfor afhængige af et stort antal forudgående CFD-simuleringer. ML-regressionsmodeller kunne bruge resultaterne fra tidligere CFD-simuleringer til at forudsige den aerodynamiske respons givet sættet af designparametre, samt give dig en indikation af den relative betydning af hver designvariabel. Du kan bruge denne indsigt til at forudsige optimale designs og hjælpe designere med at konvergere til optimale løsninger med færre forudgående CFD-simuleringer. For det andet kan du bruge datavidenskabsteknikker til at forstå, hvilke områder i designrummet der ikke er blevet udforsket og potentielt kan skjule optimale designs.
For at illustrere den skræddersyede ML-drevne DoE-arbejdsgang gennemgår vi et rigtigt eksempel på design af en frontvinge.
Design af en forfløj
F1-biler er afhængige af vinger såsom for- og bagvinger til at generere det meste af deres downforce, som vi refererer til i dette eksempel med koefficienten Cz. I hele dette eksempel er downforce-værdierne blevet normaliseret. I dette eksempel brugte F1 aerodynamikere deres domæneekspertise til at parameterisere vingegeometrien som følger (se følgende figur for en visuel repræsentation):
- LE-højde – Højde på forkant
- Min-Z – Minimum frihøjde
- Midt-LE-vinkel – Forkantsvinkel på det tredje element
- TE-vinkel – Bagkantsvinkel
- TE-højde – Bagkantshøjde
Denne frontvingegeometri blev delt af F1 og er en del af UNIFORM-basislinjen.
Disse parametre blev valgt, fordi de er tilstrækkelige til at beskrive de vigtigste aspekter af geometrien effektivt, og fordi aerodynamisk ydeevne tidligere har vist en bemærkelsesværdig følsomhed med hensyn til disse parametre. Målet med denne DoE-rutine var at finde kombinationen af de fem designparametre, der ville maksimere aerodynamisk downforce (Cz). Designfriheden begrænses også ved at indstille maksimum- og minimumværdier til designparametrene, som vist i følgende tabel.
. | Minimum | Maksimum |
TE-højde | 250.0 | 300.0 |
TE-vinkel | 145.0 | 165.0 |
Midt-LE-vinkel | 160.0 | 170.0 |
Min-Z | 5.0 | 50.0 |
LE-højde | 100.0 | 150.0 |
Efter at have etableret designparametrene, måloutputmetrikken og grænserne for vores designrum, har vi alt, hvad vi behøver for at komme i gang med DoE-rutinen. Et arbejdsflowdiagram af vores løsning er præsenteret i det følgende billede. I det følgende afsnit dykker vi dybt ned i de forskellige stadier.
Indledende prøveudtagning af designrummet
Det første trin i DoE-arbejdsgangen er at køre i CFD et indledende sæt af kandidater, der effektivt sampler designrummet og giver os mulighed for at bygge det første sæt ML-regressionsmodeller for at studere indflydelsen af hver funktion. Først genererer vi en pulje af N prøver ved brug af Latin Hypercube Sampling (LHS) eller en almindelig grid-metode. Så vælger vi k kandidater til at teste i CFD ved hjælp af en grådig inputalgoritme, som har til formål at maksimere udforskningen af designrummet. Startende med en basiskandidat (det nuværende design), udvælger vi iterativt kandidater længst væk fra alle tidligere testede kandidater. Antag, at vi allerede har testet k design; for de resterende designkandidater finder vi minimumsafstanden d med hensyn til de testede k designs:
Den grådige input-algoritme vælger den kandidat, der maksimerer afstanden i feature-rummet til de tidligere testede kandidater:
I denne DoE udvalgte vi tre grådige inputkandidater og kørte dem i CFD for at vurdere deres aerodynamiske downforce (Cz). De grådige inputkandidater udforsker grænserne for designrummet, og på dette stadium viste ingen af dem sig overlegne i forhold til basiskandidaten med hensyn til aerodynamisk downforce (Cz). Resultaterne af denne indledende runde af CFD-testning sammen med designparametrene vises i følgende tabel.
. | TE-højde | TE-vinkel | Midt-LE-vinkel | Min-Z | LE-højde | Normaliseret Cz |
Baseline | 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 |
Indledende ML-regressionsmodeller
Målet med regressionsmodellen er at forudsige Cz for enhver kombination af de fem designparametre. Med så lille et datasæt prioriterede vi simple modeller, anvendte modelregularisering for at undgå overfitting og kombinerede forudsigelserne fra forskellige modeller, hvor det var muligt. Følgende ML-modeller blev konstrueret:
- Almindelige mindste kvadrater (OLS)
- Understøtte vektorregression (SVM) med en RBF-kerne
- Gaussisk procesregression (GP) med en Matérn-kerne
- XGBoost
Derudover blev der bygget en stablet model i to niveauer, hvor forudsigelserne fra GP-, SVM- og XGBoost-modellerne assimileres af en Lasso-algoritme for at producere det endelige svar. Denne model omtales i hele dette indlæg som stablet model. For at rangere de forudsigelige muligheder for de fem modeller, vi beskrev, blev en gentagen k-fold krydsvalideringsrutine implementeret.
Generering af den næste designkandidat til at teste i CFD
At vælge hvilken kandidat, der skal teste næste, kræver nøje overvejelse. F1-aerodynamikeren skal balancere fordelen ved at udnytte muligheder forudsagt af ML-modellen for at give høj downforce med omkostningerne ved at undlade at udforske ukendte områder af designrummet, hvilket kan give endnu højere downforce. Af den grund foreslår vi i denne DoE-rutine tre kandidater: en præstationsdrevet og to udforskningsdrevet. Formålet med de udforskningsdrevne kandidater er også at give yderligere datapunkter til ML-algoritmen i områder af designrummet, hvor usikkerheden omkring forudsigelsen er størst. Dette fører igen til mere præcise forudsigelser i den næste runde af design iteration.
Genetisk algoritmeoptimering for at maksimere downforce
For at opnå kandidaten med den højeste forventede aerodynamiske downforce kunne vi køre en forudsigelse over alle mulige designkandidater. Dette ville dog ikke være effektivt. Til dette optimeringsproblem bruger vi en genetisk algoritme (GA). Målet er effektivt at søge gennem et enormt løsningsrum (opnået via ML-forudsigelsen af Cz) og returnere den mest optimale kandidat. GA'er er fordelagtige, når løsningsrummet er komplekst og ikke-konveks, så klassiske optimeringsmetoder såsom gradientnedstigning er et ineffektivt middel til at finde en global løsning. GA er en undergruppe af evolutionære algoritmer og inspireret af koncepter fra naturlig selektion, genetisk crossover og mutation for at løse søgeproblemet. Over en række iterationer (kendt som generationer) kombineres de bedste kandidater af et oprindeligt tilfældigt udvalgt sæt designkandidater (meget ligesom reproduktion). Til sidst giver denne mekanisme dig mulighed for at finde de mest optimale kandidater på en effektiv måde. For mere information om GA'er, se Brug af genetiske algoritmer på AWS til optimeringsproblemer.
Generering af udforskningsdrevne kandidater
Ved at generere, hvad vi kalder udforskningsdrevne kandidater, skal en god stikprøvestrategi være i stand til at tilpasse sig en situation med effekt sparsomhed, hvor kun en delmængde af parametrene påvirker løsningen væsentligt. Derfor bør stikprøvestrategien sprede kandidaterne ud over inputdesignrummet, men også undgå unødvendige CFD-kørsler, ændre variabler, der har ringe effekt på ydeevnen. Prøveudtagningsstrategien skal tage højde for responsoverfladen forudsagt af ML-regressoren. To prøveudtagningsstrategier blev anvendt til at opnå udforskningsdrevne kandidater.
I tilfælde af Gaussiske procesregressorer (GP), standardafvigelsen af den forudsagte responsflade kan bruges som en indikation af modellens usikkerhed. Stikprøvestrategien består i at udvælge fra puljen af N prøver , den kandidat, der maksimerer . Ved at gøre det prøver vi i det område af designrummet, hvor regressoren er mindst sikker på sin forudsigelse. I matematiske termer vælger vi den kandidat, der opfylder følgende ligning:
Alternativt anvender vi en grådig input- og output-samplingstrategi, som maksimerer både afstandene i feature-rummet og i responsrummet mellem den foreslåede kandidat og de allerede testede designs. Dette tackler effekt sparsomhed situation, fordi kandidater, der ændrer en designparameter af ringe relevans, har en lignende respons, og derfor er afstandene i responsfladen minimale. I matematiske termer udvælger vi den kandidat, der opfylder følgende ligning, hvor funktionen f er ML-regressionsmodellen:
Kandidatudvælgelse, CFD-testning og optimeringsløkke
På dette stadie præsenteres brugeren for både præstationsdrevne og udforskningsdrevne kandidater. Det næste trin består i at udvælge en delmængde af de foreslåede kandidater, køre CFD-simuleringer med disse designparametre og registrere den aerodynamiske downforce-reaktion.
Herefter genoplærer DoE-workflowet ML-regressionsmodellerne, kører den genetiske algoritmeoptimering og foreslår et nyt sæt præstationsdrevne og udforskningsdrevne kandidater. Brugeren kører en delmængde af de foreslåede kandidater og fortsætter med at iterere på denne måde, indtil stopkriterierne er opfyldt. Stopkriterierne er generelt opfyldt, når der opnås en kandidat, der anses for at være optimal.
Resultater
I den følgende figur registrerer vi den normaliserede aerodynamiske downforce (Cz) fra CFD-simuleringen (blå) og den forudsagte på forhånd ved hjælp af den valgte ML-regressionsmodel (pink) for hver iteration af DoE-arbejdsgangen. Målet var at maksimere aerodynamisk downforce (Cz). De første fire kørsler (til venstre for den røde linje) var basislinjen og de tre grådige input-kandidater skitseret tidligere. Derefter blev en kombination af præstationsdrevne og udforskningsdrevne kandidater testet. Især kandidaterne ved iteration 6 og 8 var udforskende kandidater, som begge viste lavere niveauer af downforce end baseline-kandidaten (iteration 1). Som forventet, efterhånden som vi registrerede flere kandidater, blev ML-forudsigelsen mere og mere nøjagtig, som angivet ved den faldende afstand mellem den forudsagte og den faktiske Cz. Ved iteration 9 lykkedes det for DoE-workflowet at finde en kandidat med en præstation svarende til baseline, og ved iteration 12 blev DoE-workflowet afsluttet, da den præstationsdrevne kandidat oversteg baseline.
De endelige designparametre sammen med den resulterende normaliserede downforce-værdi er præsenteret i følgende tabel. Det normaliserede downforce-niveau for baseline-kandidaten var 0.975, hvorimod den optimale kandidat til DoE-workflowet registrerede et normaliseret downforce-niveau på 1.000. Dette er en vigtig relativ stigning på 2.5 %.
Til kontekst ville en traditionel DoE-tilgang med fem variabler kræve 25 forudgående CFD-simuleringer, før man opnår en god nok tilpasning til at forudsige et optimum. På den anden side konvergerede denne aktive læringstilgang til et optimalt i 12 iterationer.
. | TE-højde | TE-vinkel | Midt-LE-vinkel | Min-Z | LE-højde | Normaliseret Cz |
Baseline | 292.25 | 154.86 | 166 | 5 | 130 | 0.975 |
Optimal | 299.97 | 156.79 | 166.27 | 5.01 | 135.26 | 1.000 |
Funktionens betydning
Forståelse af den relative egenskabs betydning for en prædiktiv model kan give et nyttigt indblik i dataene. Det kan hjælpe med valg af funktioner, hvor mindre vigtige variabler fjernes, og derved reducere dimensionaliteten af problemet og potentielt forbedre regressionsmodellens forudsigelsesevne, især i det lille dataregime. I dette designproblem giver det F1-aerodynamikere et indblik i, hvilke variabler der er de mest følsomme og derfor kræver mere omhyggelig tuning.
I denne rutine implementerede vi en model-agnostisk teknik kaldet permutations betydning. Den relative betydning af hver variabel måles ved at beregne stigningen i modellens forudsigelsesfejl efter tilfældig blanding af værdierne for den pågældende variabel alene. Hvis en funktion er vigtig for modellen, stiger forudsigelsesfejlen meget, og omvendt for mindre vigtige funktioner. I den følgende figur præsenterer vi permutationsbetydningen for en Gaussian Process Regressor (GP), der forudsiger aerodynamisk downforce (Cz). Bagkantshøjden (TE-Height) blev vurderet som den vigtigste.
Konklusion
I dette indlæg forklarede vi, hvordan F1-aerodynamikere bruger ML-regressionsmodeller i DoE-arbejdsgange, når de designer nye aerodynamiske geometrier. Det ML-drevne DoE-workflow udviklet af AWS Professional Services giver indsigt i, hvilke designparametre der vil maksimere ydeevnen eller udforske ukendte områder i designrummet. I modsætning til iterativt at teste kandidater i CFD i en gittersøgningsmåde, er den ML-drevne DoE-workflow i stand til at konvergere til optimale designparametre med færre iterationer. Dette sparer både tid og ressourcer, fordi der kræves færre CFD-simuleringer.
Uanset om du er en medicinalvirksomhed, der ønsker at fremskynde optimering af den kemiske sammensætning, eller en produktionsvirksomhed, der ønsker at finde designdimensionerne for de mest robuste designs, kan DoE-arbejdsgange hjælpe med at nå ud til optimale kandidater mere effektivt. AWS Professional Services er klar til at supplere dit team med specialiserede ML-færdigheder og erfaring for at udvikle værktøjerne til at strømline DoE-arbejdsgange og hjælpe dig med at opnå bedre forretningsresultater. For mere information, se AWS Professional Services, eller kontakt din kontoadministrator for at komme i kontakt.
Om forfatterne
Pablo Hermoso Moreno er dataforsker i AWS Professional Services Team. Han arbejder med kunder på tværs af brancher ved hjælp af Machine Learning til at fortælle historier med data og nå mere informerede tekniske beslutninger hurtigere. Pablos baggrund er i Aerospace Engineering, og efter at have arbejdet i motorsportsindustrien har han en interesse i at bygge bro mellem fysik og domæneekspertise med ML. I sin fritid nyder han at ro og spille guitar.
- Coinsmart. Europas bedste Bitcoin og Crypto Exchange.
- Platoblokkæde. Web3 Metaverse Intelligence. Viden forstærket. FRI ADGANG.
- CryptoHawk. Altcoin radar. Gratis prøveversion.
- Kilde: https://aws.amazon.com/blogs/machine-learning/optimize-f1-aerodynamic-geometries-via-design-of-experiments-and-machine-learning/
- "
- 000
- 100
- 28
- 9
- Om
- Konto
- præcis
- opnå
- opnået
- tværs
- aktiv
- Desuden
- Yderligere
- Luftfart
- algoritme
- algoritmer
- Alle
- allerede
- Skønt
- Amazon
- En anden
- tilgang
- omkring
- AWS
- baggrund
- Baseline
- før
- være
- gavner det dig
- BEDSTE
- bygge
- virksomhed
- kandidat
- kandidater
- kapaciteter
- bil
- biler
- afgift
- kemikalie
- valg
- kunder
- kombination
- kombineret
- selskab
- komplekse
- sikker
- overvejelse
- fortsætter
- Converge
- kunne
- skabe
- Nuværende
- data
- datalogi
- dataforsker
- afgørelser
- beskrive
- beskrevet
- Design
- designe
- designs
- udvikle
- udviklet
- forskellige
- afstand
- domæne
- kørsel
- dynamik
- Edge
- effekt
- effektiv
- effektivt
- Engineering
- Miljø
- etableret
- eksempel
- forventet
- erfaring
- ekspertise
- udforskning
- udforske
- faktorer
- Mode
- FAST
- hurtigere
- Feature
- Funktionalitet
- Figur
- Fornavn
- passer
- flow
- efter
- følger
- Frihed
- forsiden
- funktion
- GAS
- generelt
- generere
- generere
- generation
- generationer
- Global
- mål
- godt
- GP
- stærkt
- Grid
- have
- højde
- hjælpe
- Skjule
- Høj
- højere
- Hvordan
- Men
- HTTPS
- kæmpe
- billede
- KIMOs Succeshistorier
- implementeret
- betydning
- vigtigt
- forbedring
- Forøg
- stigende
- stigende
- industrien
- indflydelse
- oplysninger
- informative
- informeret
- indgang
- indsigt
- indsigt
- inspirerede
- interesse
- undersøge
- IT
- kendt
- stor
- førende
- Leads
- læring
- Niveau
- Limited
- Line (linje)
- lidt
- leder
- maskine
- machine learning
- lykkedes
- leder
- måde
- Produktion
- matematiske
- midler
- metoder
- Metrics
- måske
- minimum
- ML
- model
- modeller
- Overvåg
- mere
- mest
- motorsport
- flere
- Natural
- nummer
- opnået
- optimering
- Optimer
- optimal
- Indstillinger
- ordrer
- Andet
- del
- særlig
- især
- ydeevne
- Pharmaceutical
- Fysik
- spiller
- punkter
- pool
- mulig
- vigtigste
- forudsige
- forudsigelse
- Forudsigelser
- præsentere
- tidligere
- Problem
- behandle
- producere
- professionel
- projekt
- lovende
- foreslå
- foreslog
- give
- giver
- formål
- Racing
- nå
- optage
- reducere
- reducere
- fast
- Regulering
- forhold
- resterende
- repræsentation
- reproduktion
- kræver
- påkrævet
- Kræver
- Ressourcer
- svar
- Resultater
- afkast
- rundt
- Kør
- kører
- Videnskab
- Videnskabsmand
- Søg
- valgt
- Series
- Tjenester
- sæt
- indstilling
- delt
- vist
- lignende
- Simpelt
- simulation
- færdigheder
- lille
- So
- løsninger
- Løsninger
- SOLVE
- Space
- specialiserede
- hastighed
- Sport
- Sport
- spredes
- Stage
- etaper
- standard
- påbegyndt
- Historier
- strategier
- Strategi
- undersøgelser
- Studere
- overlegen
- overflade
- mål
- hold
- Teknisk
- teknikker
- prøve
- Test
- tests
- verdenen
- derfor
- Gennem
- hele
- tid
- tidskrævende
- gange
- dæk
- sammen
- værktøjer
- mod
- spor
- traditionelle
- afdække
- forstå
- us
- brug
- validering
- værdi
- Køretøjer
- Virtual
- Hvad
- Wikipedia
- blæst
- uden
- arbejdede
- virker
- world
- ville
- år