ΦΟΡΜΟΥΛΑ 1 (F1) τα αυτοκίνητα είναι τα ταχύτερα ρυθμιζόμενα αγωνιστικά οχήματα δρόμου στον κόσμο. Αν και αυτά τα αυτοκίνητα ανοιχτού τροχού είναι μόνο 20–30 χιλιόμετρα (ή 12–18 μίλια) την ώρα πιο γρήγορα από τα κορυφαία σπορ αυτοκίνητα, μπορούν να επιταχύνουν στις στροφές έως και πέντε φορές πιο γρήγορα χάρη στην ισχυρή αεροδυναμική downforce που δημιουργούν. Πτώση είναι η κατακόρυφη δύναμη που δημιουργείται από τις αεροδυναμικές επιφάνειες που πιέζει το αυτοκίνητο προς το δρόμο, αυξάνοντας την πρόσφυση από τα ελαστικά. Οι αεροδυναμικοί της F1 πρέπει επίσης να παρακολουθούν την αντίσταση του αέρα ή την οπισθέλκουσα, που περιορίζει την ταχύτητα στην ευθεία γραμμή.
Η ομάδα μηχανικών της F1 είναι υπεύθυνη για το σχεδιασμό της επόμενης γενιάς των μονοθεσίων της F1 και τη σύνταξη του τεχνικού κανονισμού για το άθλημα. Τα τελευταία 3 χρόνια, τους ανατέθηκε να σχεδιάσουν ένα αυτοκίνητο που διατηρεί τα τρέχοντα υψηλά επίπεδα κάθετης δύναμης και ταχύτητες αιχμής, αλλά επίσης δεν επηρεάζεται αρνητικά από την οδήγηση πίσω από άλλο αυτοκίνητο. Αυτό είναι σημαντικό επειδή η προηγούμενη γενιά αυτοκινήτων μπορεί να χάσει έως και το 50% της κάθετης δύναμης τους όταν αγωνίζεται κοντά πίσω από άλλο αυτοκίνητο λόγω της ταραχώδους αφύπνισης που δημιουργείται από τα φτερά και το αμάξωμα.
Αντί να βασίζεται σε χρονοβόρες και δαπανηρές δοκιμές τροχιάς ή αεροδυναμικής σήραγγας, η F1 χρησιμοποιεί Computational Fluid Dynamics (CFD), η οποία παρέχει ένα εικονικό περιβάλλον για τη μελέτη της ροής των ρευστών (σε αυτήν την περίπτωση του αέρα γύρω από το μονοθέσιο F1) χωρίς να χρειάζεται ποτέ να κατασκευάστε ένα μόνο εξάρτημα. Με το CFD, οι αεροδυναμικοί της F1 δοκιμάζουν διαφορετικές έννοιες γεωμετρίας, αξιολογούν την αεροδυναμική τους επίδραση και βελτιστοποιούν επαναλαμβανόμενα τα σχέδιά τους. Τα τελευταία 3 χρόνια, η ομάδα μηχανικών της F1 συνεργάστηκε με την AWS για να δημιουργήσει ένα επεκτάσιμη και οικονομικά αποδοτική ροή εργασίας CFD που έχει τριπλασιάσει τη διεκπεραίωση των τρεξίματος CFD και μείωσε τον χρόνο ολοκλήρωσης ανά εκτέλεση στο μισό.
Η F1 βρίσκεται στη διαδικασία εξέτασης των υπηρεσιών μηχανικής εκμάθησης AWS (ML), όπως π.χ Amazon Sage Maker να βοηθήσει στη βελτιστοποίηση του σχεδιασμού και της απόδοσης του αυτοκινήτου χρησιμοποιώντας τα δεδομένα προσομοίωσης CFD για την κατασκευή μοντέλων με πρόσθετες πληροφορίες. Ο στόχος είναι να αποκαλυφθούν πολλά υποσχόμενες κατευθύνσεις σχεδιασμού και να μειωθεί ο αριθμός των προσομοιώσεων CFD, μειώνοντας έτσι τον χρόνο που απαιτείται για τη σύγκλιση σε βέλτιστα σχέδια.
Σε αυτήν την ανάρτηση, εξηγούμε πώς η F1 συνεργάστηκε με το Επαγγελματικές υπηρεσίες AWS ομάδα για να αναπτύξει μια προσαρμοσμένη ροή εργασιών Σχεδιασμός Πειραμάτων (DoE) που υποστηρίζεται από την ML για να συμβουλεύει τους αεροδυναμικούς της F1 σχετικά με το ποιες έννοιες σχεδιασμού να δοκιμάσουν στο CFD για να μεγιστοποιήσουν τη μάθηση και την απόδοση.
Δήλωση προβλήματος
Όταν εξερευνούν νέες αεροδυναμικές ιδέες, οι αεροδυναμικοί της F1 χρησιμοποιούν μερικές φορές μια διαδικασία που ονομάζεται Σχεδιασμός Πειραμάτων (DoE). Αυτή η διαδικασία μελετά συστηματικά τη σχέση μεταξύ πολλών παραγόντων. Στην περίπτωση ενός πίσω πτερυγίου, αυτό μπορεί να είναι χορδή φτερού, άνοιγμα ή κάμπερ, σε σχέση με αεροδυναμικές μετρήσεις όπως η κάθετη δύναμη ή η οπισθέλκουσα. Ο στόχος μιας διαδικασίας DoE είναι η αποτελεσματική δειγματοληψία του χώρου σχεδιασμού και η ελαχιστοποίηση του αριθμού των υποψηφίων που ελέγχονται πριν από τη σύγκλιση σε ένα βέλτιστο αποτέλεσμα. Αυτό επιτυγχάνεται με την επαναληπτική αλλαγή πολλαπλών σχεδιαστικών παραγόντων, τη μέτρηση της αεροδυναμικής απόκρισης, τη μελέτη του αντίκτυπου και της σχέσης μεταξύ των παραγόντων και, στη συνέχεια, τη συνέχιση των δοκιμών προς την πιο βέλτιστη ή ενημερωτική κατεύθυνση. Στο παρακάτω σχήμα, παρουσιάζουμε ένα παράδειγμα γεωμετρίας πίσω φτερού που η F1 μοιράστηκε ευγενικά μαζί μας από τη γραμμή βάσης UNIFORM. Τέσσερις σχεδιαστικές παράμετροι που θα μπορούσαν να διερευνήσουν οι αεροδυναμικοί της F1 σε μια ρουτίνα DoE επισημαίνονται.
Σε αυτό το έργο, η F1 συνεργάστηκε με την AWS Professional Services για να διερευνήσει τη χρήση ML για τη βελτίωση των ρουτινών DoE. Οι παραδοσιακές μέθοδοι DoE απαιτούν έναν καλά κατοικημένο χώρο σχεδιασμού προκειμένου να κατανοηθεί η σχέση μεταξύ των παραμέτρων σχεδιασμού και επομένως να βασίζονται σε μεγάλο αριθμό εκ των προτέρων προσομοιώσεων CFD. Τα μοντέλα παλινδρόμησης ML θα μπορούσαν να χρησιμοποιήσουν τα αποτελέσματα από προηγούμενες προσομοιώσεις CFD για να προβλέψουν την αεροδυναμική απόκριση δεδομένου του συνόλου των παραμέτρων σχεδιασμού, καθώς και να σας δώσουν μια ένδειξη της σχετικής σημασίας κάθε μεταβλητής σχεδιασμού. Θα μπορούσατε να χρησιμοποιήσετε αυτές τις πληροφορίες για να προβλέψετε βέλτιστα σχέδια και να βοηθήσετε τους σχεδιαστές να συγκλίνουν σε βέλτιστες λύσεις με λιγότερες εκ των προτέρων προσομοιώσεις CFD. Δεύτερον, θα μπορούσατε να χρησιμοποιήσετε τεχνικές επιστήμης δεδομένων για να κατανοήσετε ποιες περιοχές στον χώρο σχεδιασμού δεν έχουν διερευνηθεί και θα μπορούσαν ενδεχομένως να κρύψουν τα βέλτιστα σχέδια.
Για να δείξουμε την προσαρμοσμένη ροή εργασίας DoE με τροφοδοσία ML, παρουσιάζουμε ένα πραγματικό παράδειγμα σχεδίασης μπροστινής πτέρυγας.
Σχεδιάζοντας ένα μπροστινό φτερό
Τα μονοθέσια της F1 βασίζονται σε πτερύγια όπως τα μπροστινά και τα πίσω φτερά για να δημιουργήσουν το μεγαλύτερο μέρος της κάθετης δύναμης τους, στην οποία αναφερόμαστε σε όλο αυτό το παράδειγμα με τον συντελεστή Cz. Σε όλο αυτό το παράδειγμα, οι τιμές της καθοδικής δύναμης έχουν κανονικοποιηθεί. Σε αυτό το παράδειγμα, οι αεροδυναμικοί της F1 χρησιμοποίησαν την τεχνογνωσία τους στον τομέα για να παραμετροποιήσουν τη γεωμετρία των φτερών ως εξής (ανατρέξτε στο παρακάτω σχήμα για μια οπτική αναπαράσταση):
- LE-Ύψος – Ύψος αιχμής
- Min-Z – Ελάχιστη απόσταση από το έδαφος
- Mid-LE-Angle – Γωνία πρόσφυσης του τρίτου στοιχείου
- ΤΕ-Γωνία – Γωνία οπισθίου άκρου
- ΤΕ-Ύψος – Ύψος πίσω άκρου
Αυτή η γεωμετρία της μπροστινής πτέρυγας ήταν κοινή από την F1 και αποτελεί μέρος της γραμμής βάσης UNIFORM.
Αυτές οι παράμετροι επιλέχθηκαν επειδή επαρκούν για να περιγράψουν αποτελεσματικά τις κύριες πτυχές της γεωμετρίας και επειδή στο παρελθόν, η αεροδυναμική απόδοση είχε δείξει αξιοσημείωτη ευαισθησία σε σχέση με αυτές τις παραμέτρους. Ο στόχος αυτής της ρουτίνας DoE ήταν να βρεθεί ο συνδυασμός των πέντε παραμέτρων σχεδιασμού που θα μεγιστοποιούσαν την αεροδυναμική κάθετη δύναμη (Cz). Η ελευθερία σχεδίασης περιορίζεται επίσης με τον καθορισμό μέγιστων και ελάχιστων τιμών στις παραμέτρους σχεδιασμού, όπως φαίνεται στον παρακάτω πίνακα.
. | Ελάχιστο | Ανώτατο όριο |
ΤΕ-Ύψος | 250.0 | 300.0 |
ΤΕ-Γωνία | 145.0 | 165.0 |
Mid-LE-Angle | 160.0 | 170.0 |
Min-Z | 5.0 | 50.0 |
LE-Ύψος | 100.0 | 150.0 |
Έχοντας καθορίσει τις παραμέτρους σχεδίασης, τη μετρική εξόδου στόχου και τα όρια του σχεδιαστικού μας χώρου, έχουμε όλα όσα χρειαζόμαστε για να ξεκινήσουμε με τη ρουτίνα DoE. Ένα διάγραμμα ροής εργασιών της λύσης μας παρουσιάζεται στην παρακάτω εικόνα. Στην επόμενη ενότητα, βουτάμε βαθιά στα διάφορα στάδια.
Αρχική δειγματοληψία του χώρου σχεδιασμού
Το πρώτο βήμα της ροής εργασίας DoE είναι να τρέξουμε στο CFD ένα αρχικό σύνολο υποψηφίων που δειγματίζουν αποτελεσματικά τον χώρο σχεδιασμού και μας επιτρέπουν να δημιουργήσουμε το πρώτο σύνολο μοντέλων παλινδρόμησης ML για να μελετήσουμε την επιρροή κάθε χαρακτηριστικού. Αρχικά, δημιουργούμε μια ομάδα από N δείγματα χρησιμοποιώντας Λατινική δειγματοληψία υπερκύβου (LHS) ή μια κανονική μέθοδο πλέγματος. Στη συνέχεια, επιλέγουμε k υποψήφιοι για δοκιμή σε CFD μέσω ενός αλγόριθμου άπληστων εισόδων, ο οποίος στοχεύει στη μεγιστοποίηση της εξερεύνησης του σχεδιαστικού χώρου. Ξεκινώντας με έναν υποψήφιο γραμμής βάσης (την τρέχουσα σχεδίαση), επιλέγουμε επαναληπτικά τους υποψηφίους που βρίσκονται πιο μακριά από όλους τους υποψηφίους που δοκιμάστηκαν προηγουμένως. Ας υποθέσουμε ότι έχουμε ήδη δοκιμάσει k σχέδια? για τους υπόλοιπους υποψήφιους σχεδιασμού, βρίσκουμε την ελάχιστη απόσταση d σε σχέση με τα δοκιμασμένα k σχέδια:
Ο αλγόριθμος greedy inputs επιλέγει τον υποψήφιο που μεγιστοποιεί την απόσταση στον χώρο χαρακτηριστικών από τους υποψηφίους που δοκιμάστηκαν προηγουμένως:
Σε αυτό το DoE, επιλέξαμε τρεις υποψήφιες άπληστες εισόδους και εκτελέσαμε αυτές σε CFD για να αξιολογήσουμε την αεροδυναμική τους δύναμη (Cz). Οι υποψήφιες άπληστες εισροές εξερευνούν τα όρια του σχεδιαστικού χώρου και σε αυτό το στάδιο, κανένας από αυτούς δεν αποδείχθηκε ανώτερος από τον υποψήφιο γραμμής βάσης όσον αφορά την αεροδυναμική κάθετη δύναμη (Cz). Τα αποτελέσματα αυτού του αρχικού γύρου δοκιμών CFD μαζί με τις παραμέτρους σχεδιασμού εμφανίζονται στον παρακάτω πίνακα.
. | ΤΕ-Ύψος | ΤΕ-Γωνία | Mid-LE-Angle | Min-Z | LE-Ύψος | Κανονικοποιημένο Cz |
Baseline | 292.25 | 154.86 | 166 | 5 | 130 | 0.975 |
ΓΕ 0 | 250 | 165 | 160 | 50 | 100 | 0.795 |
ΓΕ 1 | 300 | 145 | 170 | 50 | 100 | 0.909 |
ΓΕ 2 | 250 | 145 | 170 | 5 | 100 | 0.847 |
Αρχικά μοντέλα παλινδρόμησης ML
Ο στόχος του μοντέλου παλινδρόμησης είναι η πρόβλεψη Cz για οποιονδήποτε συνδυασμό των πέντε παραμέτρων σχεδιασμού. Με ένα τόσο μικρό σύνολο δεδομένων, δώσαμε προτεραιότητα σε απλά μοντέλα, εφαρμόσαμε τακτοποίηση μοντέλων για να αποφύγουμε την υπερβολική προσαρμογή και συνδυάσαμε τις προβλέψεις διαφορετικών μοντέλων όπου ήταν δυνατόν. Κατασκευάστηκαν τα ακόλουθα μοντέλα ML:
- Συνήθη ελάχιστα τετράγωνα (OLS)
- Υποστήριξη διανυσματικής παλινδρόμησης (SVM) με πυρήνα RBF
- Gaussian Process Regression (GP) με πυρήνα Matérn
- XGBoost
Επιπλέον, κατασκευάστηκε ένα στοιβαγμένο μοντέλο δύο επιπέδων, όπου οι προβλέψεις των μοντέλων GP, SVM και XGBoost αφομοιώνονται από έναν αλγόριθμο Lasso για την παραγωγή της τελικής απόκρισης. Αυτό το μοντέλο αναφέρεται σε αυτήν την ανάρτηση ως το στοιβαγμένο μοντέλο. Για την ταξινόμηση των προγνωστικών δυνατοτήτων των πέντε μοντέλων που περιγράψαμε, εφαρμόστηκε μια επαναλαμβανόμενη ρουτίνα διασταυρούμενης επικύρωσης k-fold.
Δημιουργία του επόμενου υποψηφίου σχεδιασμού για δοκιμή στο CFD
Η επιλογή του υποψηφίου που θα δοκιμάσει στη συνέχεια απαιτεί προσεκτική εξέταση. Ο αεροδυναμικός της F1 πρέπει να εξισορροπήσει το όφελος από την εκμετάλλευση των επιλογών που προβλέπονται από το μοντέλο ML για την παροχή υψηλής κάθετης δύναμης με το κόστος της αποτυχίας να εξερευνήσει αχαρτογράφητες περιοχές του σχεδιαστικού χώρου, που μπορεί να παρέχει ακόμη υψηλότερη κάθετη δύναμη. Για το λόγο αυτό, σε αυτήν τη ρουτίνα DoE, προτείνουμε τρεις υποψηφίους: έναν με γνώμονα την απόδοση και δύο με γνώμονα την εξερεύνηση. Ο σκοπός των υποψηφίων που βασίζονται στην εξερεύνηση είναι επίσης να παρέχουν πρόσθετα σημεία δεδομένων στον αλγόριθμο ML σε περιοχές του χώρου σχεδιασμού όπου η αβεβαιότητα γύρω από την πρόβλεψη είναι υψηλότερη. Αυτό με τη σειρά του οδηγεί σε πιο ακριβείς προβλέψεις στον επόμενο γύρο επαναλήψεων σχεδιασμού.
Βελτιστοποίηση γενετικού αλγορίθμου για μεγιστοποίηση της καθοδικής δύναμης
Για να αποκτήσουμε τον υποψήφιο με την υψηλότερη αναμενόμενη αεροδυναμική κάθετη δύναμη, θα μπορούσαμε να κάνουμε μια πρόβλεψη για όλους τους πιθανούς υποψήφιους σχεδιασμού. Ωστόσο, αυτό δεν θα ήταν αποτελεσματικό. Για αυτό το πρόβλημα βελτιστοποίησης, χρησιμοποιούμε έναν γενετικό αλγόριθμο (GA). Ο στόχος είναι η αποτελεσματική αναζήτηση σε έναν τεράστιο χώρο λύσεων (που λαμβάνεται μέσω της πρόβλεψης ML του Cz) και επιστρέψτε τον βέλτιστο υποψήφιο. Τα GA είναι πλεονεκτικά όταν ο χώρος της λύσης είναι πολύπλοκος και μη κυρτός, έτσι ώστε οι κλασικές μέθοδοι βελτιστοποίησης, όπως η βαθμιδωτή κάθοδος, είναι ένα αναποτελεσματικό μέσο για την εύρεση μιας συνολικής λύσης. Το GA είναι ένα υποσύνολο εξελικτικών αλγορίθμων και εμπνευσμένο από έννοιες από τη φυσική επιλογή, τη γενετική διασταύρωση και τη μετάλλαξη για την επίλυση του προβλήματος αναζήτησης. Σε μια σειρά επαναλήψεων (γνωστές ως γενιές), οι καλύτεροι υποψήφιοι ενός αρχικά τυχαίως επιλεγμένου συνόλου υποψηφίων σχεδίου συνδυάζονται (όπως η αναπαραγωγή). Τελικά, αυτός ο μηχανισμός σας επιτρέπει να βρείτε τους πιο βέλτιστους υποψηφίους με αποτελεσματικό τρόπο. Για περισσότερες πληροφορίες σχετικά με τα GA, ανατρέξτε στο Χρήση γενετικών αλγορίθμων στο AWS για προβλήματα βελτιστοποίησης.
Δημιουργία υποψηφίων με γνώμονα την εξερεύνηση
Κατά τη δημιουργία αυτού που ονομάζουμε υποψηφίους με γνώμονα την εξερεύνηση, μια καλή στρατηγική δειγματοληψίας πρέπει να μπορεί να προσαρμοστεί σε μια κατάσταση αραιότητα επίδρασης, όπου μόνο ένα υποσύνολο των παραμέτρων επηρεάζει σημαντικά τη λύση. Επομένως, η στρατηγική δειγματοληψίας θα πρέπει να κατανέμει τους υποψηφίους σε όλο τον χώρο σχεδιασμού εισόδου, αλλά επίσης να αποφεύγει τις περιττές εκτελέσεις CFD, αλλάζοντας μεταβλητές που έχουν μικρή επίδραση στην απόδοση. Η στρατηγική δειγματοληψίας πρέπει να λαμβάνει υπόψη την επιφάνεια απόκρισης που προβλέπεται από τον αναδρομέα ML. Χρησιμοποιήθηκαν δύο στρατηγικές δειγματοληψίας για την απόκτηση υποψηφίων με γνώμονα την εξερεύνηση.
Στην περίπτωση των Gaussian Process Regressors (GP), η τυπική απόκλιση της προβλεπόμενης επιφάνειας απόκρισης μπορεί να χρησιμοποιηθεί ως ένδειξη της αβεβαιότητας του μοντέλου. Η στρατηγική δειγματοληψίας συνίσταται στην επιλογή από το σύνολο των N δείγματα , ο υποψήφιος που μεγιστοποιεί . Κάνοντας αυτό, κάνουμε δειγματοληψία στην περιοχή του σχεδιαστικού χώρου όπου ο παλινδρομητής είναι λιγότερο σίγουρος για την πρόβλεψή του. Σε μαθηματικούς όρους, επιλέγουμε τον υποψήφιο που ικανοποιεί την ακόλουθη εξίσωση:
Εναλλακτικά, χρησιμοποιούμε μια άπληστη στρατηγική δειγματοληψίας εισόδων και εξόδων, η οποία μεγιστοποιεί τόσο τις αποστάσεις στο χώρο χαρακτηριστικών όσο και στο χώρο απόκρισης μεταξύ του προτεινόμενου υποψηφίου και των ήδη δοκιμασμένων σχεδίων. Αυτό αντιμετωπίζει το αραιότητα επίδρασης κατάσταση επειδή οι υποψήφιοι που τροποποιούν μια παράμετρο σχεδίασης μικρής συνάφειας έχουν παρόμοια απόκριση και επομένως οι αποστάσεις στην επιφάνεια απόκρισης είναι ελάχιστες. Με μαθηματικούς όρους, επιλέγουμε τον υποψήφιο που ικανοποιεί την παρακάτω εξίσωση, όπου η συνάρτηση f είναι το μοντέλο παλινδρόμησης ML:
Επιλογή υποψηφίου, δοκιμή CFD και βρόχος βελτιστοποίησης
Σε αυτό το στάδιο, ο χρήστης παρουσιάζεται με υποψηφίους που βασίζονται στην απόδοση και στην εξερεύνηση. Το επόμενο βήμα αποτελείται από την επιλογή ενός υποσυνόλου των προτεινόμενων υποψηφίων, την εκτέλεση προσομοιώσεων CFD με αυτές τις παραμέτρους σχεδιασμού και την καταγραφή της αεροδυναμικής απόκρισης κάθετης δύναμης.
Μετά από αυτό, η ροή εργασίας DoE επανεκπαιδεύει τα μοντέλα παλινδρόμησης ML, εκτελεί τη βελτιστοποίηση γενετικού αλγορίθμου και προτείνει ένα νέο σύνολο υποψηφίων που βασίζονται στην απόδοση και στην εξερεύνηση. Ο χρήστης εκτελεί ένα υποσύνολο των προτεινόμενων υποψηφίων και συνεχίζει την επανάληψη με αυτόν τον τρόπο μέχρι να ικανοποιηθούν τα κριτήρια διακοπής. Τα κριτήρια παύσης γενικά πληρούνται όταν επιτυγχάνεται ένας υποψήφιος που κρίνεται βέλτιστος.
Αποτελέσματα
Στο παρακάτω σχήμα, καταγράφουμε την κανονικοποιημένη αεροδυναμική κάθετη δύναμη (Cz) από την προσομοίωση CFD (μπλε) και αυτή που είχε προβλεφθεί εκ των προτέρων χρησιμοποιώντας το μοντέλο επιλογής παλινδρόμησης ML (ροζ) για κάθε επανάληψη της ροής εργασίας DoE. Ο στόχος ήταν να μεγιστοποιηθεί η αεροδυναμική κάθετη δύναμη (Cz). Οι πρώτες τέσσερις διαδρομές (στα αριστερά της κόκκινης γραμμής) ήταν η βασική γραμμή και οι τρεις άπληστες υποψήφιες εισροές που περιγράφηκαν προηγουμένως. Από εκεί και πέρα, δοκιμάστηκε ένας συνδυασμός υποψηφίων με γνώμονα την απόδοση και την εξερεύνηση. Συγκεκριμένα, οι υποψήφιοι στις επαναλήψεις 6 και 8 ήταν διερευνητικοί υποψήφιοι, και οι δύο έδειχναν χαμηλότερα επίπεδα κάθετης δύναμης από τον υποψήφιο γραμμής βάσης (επανάληψη 1). Όπως αναμενόταν, καθώς καταγράψαμε περισσότερους υποψηφίους, η πρόβλεψη ML έγινε ολοένα και πιο ακριβής, όπως υποδηλώνεται από τη φθίνουσα απόσταση μεταξύ της προβλεπόμενης και της πραγματικής Cz. Στην επανάληψη 9, η ροή εργασίας DoE κατάφερε να βρει έναν υποψήφιο με παρόμοια απόδοση με τη γραμμή βάσης και στην επανάληψη 12, η ροή εργασίας DoE ολοκληρώθηκε όταν ο υποψήφιος με γνώμονα την απόδοση ξεπέρασε τη γραμμή βάσης.
Οι τελικές παράμετροι σχεδιασμού μαζί με την προκύπτουσα κανονικοποιημένη τιμή καθόδου παρουσιάζονται στον παρακάτω πίνακα. Το κανονικοποιημένο επίπεδο καθοδικής δύναμης για την υποψήφια γραμμή βάσης ήταν 0.975, ενώ το βέλτιστο υποψήφιο για τη ροή εργασιών DoE κατέγραψε ένα κανονικοποιημένο επίπεδο καθοδικής δύναμης 1.000. Πρόκειται για σημαντική σχετική αύξηση 2.5%.
Για το πλαίσιο, μια παραδοσιακή προσέγγιση DoE με πέντε μεταβλητές θα απαιτούσε 25 εκ των προτέρων προσομοιώσεις CFD πριν επιτύχει μια αρκετά καλή εφαρμογή για να προβλέψει το βέλτιστο. Από την άλλη πλευρά, αυτή η ενεργητική μαθησιακή προσέγγιση συνέκλινε στο βέλτιστο σε 12 επαναλήψεις.
. | ΤΕ-Ύψος | ΤΕ-Γωνία | Mid-LE-Angle | Min-Z | LE-Ύψος | Κανονικοποιημένο Cz |
Baseline | 292.25 | 154.86 | 166 | 5 | 130 | 0.975 |
Βέλτιστη | 299.97 | 156.79 | 166.27 | 5.01 | 135.26 | 1.000 |
Σημασία χαρακτηριστικών
Η κατανόηση της σχετικής σημασίας χαρακτηριστικών για ένα μοντέλο πρόβλεψης μπορεί να προσφέρει μια χρήσιμη εικόνα για τα δεδομένα. Μπορεί να βοηθήσει στην επιλογή χαρακτηριστικών με την αφαίρεση λιγότερο σημαντικών μεταβλητών, μειώνοντας έτσι τη διάσταση του προβλήματος και δυνητικά βελτιώνοντας τις προγνωστικές δυνάμεις του μοντέλου παλινδρόμησης, ιδιαίτερα στο καθεστώς μικρών δεδομένων. Σε αυτό το σχεδιαστικό πρόβλημα, παρέχει στους αεροδυναμικούς της F1 μια εικόνα για το ποιες μεταβλητές είναι οι πιο ευαίσθητες και επομένως απαιτούν πιο προσεκτικό συντονισμό.
Σε αυτή τη ρουτίνα, εφαρμόσαμε μια τεχνική αγνωστικής μοντέλου που ονομάζεται σημασία μετάθεσης. Η σχετική σημασία κάθε μεταβλητής μετριέται με τον υπολογισμό της αύξησης του σφάλματος πρόβλεψης του μοντέλου μετά από τυχαία ανακάτεμα των τιμών για αυτήν τη μεταβλητή μόνο. Εάν ένα χαρακτηριστικό είναι σημαντικό για το μοντέλο, το σφάλμα πρόβλεψης αυξάνεται πολύ και το αντίστροφο για λιγότερο σημαντικά χαρακτηριστικά. Στο παρακάτω σχήμα, παρουσιάζουμε τη σημασία της μετάθεσης για ένα Gaussian Process Regressor (GP) που προβλέπει αεροδυναμική κάθετη δύναμη (Cz). Το ύψος του πίσω άκρου (TE-Hight) κρίθηκε το πιο σημαντικό.
Συμπέρασμα
Σε αυτήν την ανάρτηση, εξηγήσαμε πώς οι αεροδυναμικοί της F1 χρησιμοποιούν μοντέλα παλινδρόμησης ML σε ροές εργασίας DoE όταν σχεδιάζουν νέες αεροδυναμικές γεωμετρίες. Η ροή εργασίας DoE που υποστηρίζεται από ML που αναπτύχθηκε από την AWS Professional Services παρέχει πληροφορίες σχετικά με το ποιες παράμετροι σχεδίασης θα μεγιστοποιήσουν την απόδοση ή θα εξερευνήσουν αχαρτογράφητες περιοχές στον χώρο σχεδιασμού. Σε αντίθεση με την επαναληπτική δοκιμή υποψηφίων στο CFD με τρόπο αναζήτησης πλέγματος, η ροή εργασιών DoE που τροφοδοτείται από ML είναι σε θέση να συγκλίνει σε βέλτιστες παραμέτρους σχεδίασης σε λιγότερες επαναλήψεις. Αυτό εξοικονομεί χρόνο και πόρους επειδή απαιτούνται λιγότερες προσομοιώσεις CFD.
Είτε είστε μια φαρμακευτική εταιρεία που θέλει να επιταχύνει τη βελτιστοποίηση της χημικής σύνθεσης είτε μια κατασκευαστική εταιρεία που θέλει να βρει τις διαστάσεις σχεδιασμού για τα πιο στιβαρά σχέδια, οι ροές εργασιών DoE μπορούν να βοηθήσουν στην προσέγγιση των βέλτιστων υποψηφίων πιο αποτελεσματικά. Η AWS Professional Services είναι έτοιμη να συμπληρώσει την ομάδα σας με εξειδικευμένες δεξιότητες και εμπειρία ML για να αναπτύξει τα εργαλεία για τον εξορθολογισμό των ροών εργασίας DoE και να σας βοηθήσει να επιτύχετε καλύτερα επιχειρηματικά αποτελέσματα. Για περισσότερες πληροφορίες, βλ Επαγγελματικές υπηρεσίες AWSή επικοινωνήστε με τον διαχειριστή του λογαριασμού σας για να επικοινωνήσετε μαζί σας.
Σχετικά με τους Συγγραφείς
Πάμπλο Ερμόσο Μορένο είναι Επιστήμονας Δεδομένων στην Ομάδα Επαγγελματικών Υπηρεσιών AWS. Συνεργάζεται με πελάτες σε διάφορες βιομηχανίες χρησιμοποιώντας τη Μηχανική μάθηση για να αφηγηθεί ιστορίες με δεδομένα και να λάβει πιο ενημερωμένες αποφάσεις μηχανικής γρηγορότερα. Το υπόβαθρο του Pablo είναι στην Αεροδιαστημική Μηχανική και έχοντας εργαστεί στη βιομηχανία μηχανοκίνητου αθλητισμού ενδιαφέρεται να γεφυρώσει τη φυσική και την τεχνογνωσία του τομέα με την ML. Στον ελεύθερο χρόνο του, του αρέσει να κωπηλατεί και να παίζει κιθάρα.
- Coinsmart. Το καλύτερο ανταλλακτήριο Bitcoin και Crypto στην Ευρώπη.
- Platoblockchain. Web3 Metaverse Intelligence. Ενισχύθηκε η γνώση. ΕΛΕΥΘΕΡΗ ΠΡΟΣΒΑΣΗ.
- CryptoHawk. Ραντάρ Altcoin. Δωρεάν δοκιμή.
- Πηγή: https://aws.amazon.com/blogs/machine-learning/optimize-f1-aerodynamic-geometries-via-design-of-experiments-and-machine-learning/
- "
- 000
- 100
- 28
- 9
- Σχετικα
- Λογαριασμός
- ακριβής
- Κατορθώνω
- επιτευχθεί
- απέναντι
- ενεργός
- Επιπλέον
- Πρόσθετος
- Αεροδιαστημική
- αλγόριθμος
- αλγόριθμοι
- Όλα
- ήδη
- Αν και
- Amazon
- Άλλος
- πλησιάζω
- γύρω
- AWS
- φόντο
- Baseline
- πριν
- είναι
- όφελος
- ΚΑΛΎΤΕΡΟΣ
- χτίζω
- επιχείρηση
- υποψήφιος
- υποψηφίους
- δυνατότητες
- αυτοκίνητο
- αυτοκίνητα
- χρέωση
- χημική ουσία
- επιλογή
- πελάτες
- συνδυασμός
- σε συνδυασμό
- εταίρα
- συγκρότημα
- βέβαιος
- εξέταση
- συνεχίζεται
- συγκλίνει
- θα μπορούσε να
- δημιουργία
- Ρεύμα
- ημερομηνία
- επιστημονικά δεδομένα
- επιστήμονας δεδομένων
- αποφάσεις
- περιγράφουν
- περιγράφεται
- Υπηρεσίες
- σχέδιο
- σχέδια
- ανάπτυξη
- αναπτύχθηκε
- διαφορετικές
- απόσταση
- τομέα
- οδήγηση
- δυναμική
- άκρη
- αποτέλεσμα
- αποτελεσματικός
- αποτελεσματικά
- Μηχανική
- Περιβάλλον
- εγκατεστημένος
- παράδειγμα
- αναμένεται
- εμπειρία
- εξειδίκευση
- εξερεύνηση
- διερευνήσει
- παράγοντες
- Μόδα
- FAST
- γρηγορότερα
- Χαρακτηριστικό
- Χαρακτηριστικά
- Εικόνα
- Όνομα
- ταιριάζουν
- ροή
- Εξής
- εξής
- Ελευθερία
- εμπρός
- λειτουργία
- GAS
- γενικά
- παράγουν
- παραγωγής
- γενεά
- γενεών
- Παγκόσμιο
- γκολ
- καλός
- GP
- σε μεγάλο βαθμό
- Πλέγμα
- που έχει
- ύψος
- βοήθεια
- Κρύβω
- Ψηλά
- υψηλότερο
- Πως
- Ωστόσο
- HTTPS
- τεράστιος
- εικόνα
- Επίπτωση
- εφαρμοστεί
- σπουδαιότητα
- σημαντικό
- βελτίωση
- Αυξάνουν
- αύξηση
- όλο και περισσότερο
- βιομηχανία
- επιρροή
- πληροφορίες
- πληροφοριακός
- ενημερώνεται
- εισαγωγή
- διορατικότητα
- ιδέες
- εμπνευσμένος
- τόκος
- διερευνήσει
- IT
- γνωστός
- large
- που οδηγεί
- Οδηγεί
- μάθηση
- Επίπεδο
- Περιωρισμένος
- γραμμή
- λίγο
- κοιτάζοντας
- μηχανή
- μάθηση μηχανής
- διαχειρίζεται
- διευθυντής
- τρόπος
- κατασκευής
- μαθηματικός
- μέσα
- μέθοδοι
- Metrics
- ενδέχεται να
- ελάχιστο
- ML
- μοντέλο
- μοντέλα
- Παρακολούθηση
- περισσότερο
- πλέον
- μηχανοκίνητου αθλητισμού
- πολλαπλούς
- Φυσικό
- αριθμός
- λαμβάνεται
- βελτιστοποίηση
- Βελτιστοποίηση
- βέλτιστη
- Επιλογές
- τάξη
- ΑΛΛΑ
- μέρος
- Ειδικότερα
- ιδιαίτερα
- επίδοση
- Φαρμακευτικά
- Φυσική
- παιχνίδι
- σημεία
- πισίνα
- δυνατός
- ισχυρός
- προβλέψει
- πρόβλεψη
- Προβλέψεις
- παρόν
- προηγούμενος
- Πρόβλημα
- διαδικασια μας
- παράγει
- επαγγελματίας
- σχέδιο
- υποσχόμενος
- προτείνω
- προτείνεται
- παρέχουν
- παρέχει
- σκοπός
- ιπποδρομίες
- φθάσουν
- ρεκόρ
- μείωση
- μείωση
- τακτικός
- Ρυθμιστικές Αρχές
- σχέση
- υπόλοιπα
- αντιπροσώπευση
- αναπαραγωγή
- απαιτούν
- απαιτείται
- Απαιτεί
- Υποστηρικτικό υλικό
- απάντησης
- Αποτελέσματα
- απόδοση
- γύρος
- τρέξιμο
- τρέξιμο
- Επιστήμη
- Επιστήμονας
- Αναζήτηση
- επιλέγονται
- Σειρές
- Υπηρεσίες
- σειρά
- τον καθορισμό
- Shared
- παρουσιάζεται
- παρόμοιες
- Απλούς
- προσομοίωση
- δεξιότητες
- small
- So
- λύση
- Λύσεις
- SOLVE
- Χώρος
- ειδικευμένος
- ταχύτητα
- Άθλημα
- Αθλητισμός
- διάδοση
- Στάδιο
- στάδια
- πρότυπο
- ξεκίνησε
- ιστορίες
- στρατηγικές
- Στρατηγική
- μελέτες
- Μελέτη
- ανώτερος
- Επιφάνεια
- στόχος
- Τεχνικός
- τεχνικές
- δοκιμή
- Δοκιμές
- δοκιμές
- ο κόσμος
- επομένως
- Μέσω
- παντού
- ώρα
- χρονοβόρος
- φορές
- ελαστικά
- μαζι
- εργαλεία
- αφή
- προς
- τροχιά
- παραδοσιακός
- αποκαλύπτω
- καταλαβαίνω
- us
- χρήση
- επικύρωση
- αξία
- Οχήματα
- Πραγματικός
- Τι
- Wikipedia
- άνεμος
- χωρίς
- εργάστηκαν
- λειτουργεί
- κόσμος
- θα
- χρόνια