VORM 1 (F1) autod on maailma kiireimad reguleeritud võidusõiduautod maanteel. Kuigi need avatud ratastega autod on vaid 20–30 kilomeetrit (ehk 12–18 miili) tunnis kiiremad kui tipptasemel sportautod, suudavad nad tänu võimsale aerodünaamikale kiirustada kurvides kuni viis korda kiiremini. surujõudu nad tekitavad. Allakäik on aerodünaamiliste pindade tekitatav vertikaaljõud, mis surub autot tee poole, suurendades rehvide haardumist. F1 aerodünaamikud peavad jälgima ka õhutakistust või takistust, mis piirab sirgjoonelist kiirust.
F1 insenerimeeskond vastutab järgmise põlvkonna F1 autode disainimise ja spordiala tehniliste reeglite kokkupanemise eest. Viimase 3 aasta jooksul on nad saanud ülesandeks kujundada auto, mis säilitab praeguse kõrge tõmbejõu ja tippkiiruse, kuid ei mõjuta seda halvasti ka teise auto taga sõitmisest. See on oluline, sest eelmise põlvkonna autod võivad tiibade ja kere tekitatud turbulentse hoo tõttu kaotada kuni 50% oma survejõust, kui kihutatakse tihedalt teise auto taga.
Selle asemel, et loota aeganõudvatele ja kulukatele raja- või tuuletunnelitestidele, kasutab F1 Computational Fluid Dynamics (CFD), mis pakub virtuaalset keskkonda vedelike (antud juhul F1-auto ümber oleva õhu) voolu uurimiseks, ilma et peaks kunagi seda tegema. ühe osa valmistamine. CFD abil testivad F1 aerodünaamikud erinevaid geomeetrilisi kontseptsioone, hindavad nende aerodünaamilist mõju ja optimeerivad iteratiivselt oma konstruktsioone. Viimase 3 aasta jooksul on F1 insenerimeeskond teinud koostööd AWS-iga, et luua a skaleeritav ja kulutõhus CFD töövoog mis on kolmekordistanud CFD käituste läbilaskevõimet ja lühendanud käigu kohta kuluvat aega poole võrra.
F1 uurib AWS-i masinõppe (ML) teenuseid, nagu Amazon SageMaker aidata optimeerida auto disaini ja jõudlust, kasutades CFD simulatsiooniandmeid, et luua täiendavaid teadmisi sisaldavaid mudeleid. Eesmärk on avastada paljutõotavad disainisuunad ja vähendada CFD-simulatsioonide arvu, vähendades seeläbi optimaalsetele kujundustele lähenemiseks kuluvat aega.
Selles postituses selgitame, kuidas F1 tegi koostööd AWS-i professionaalsed teenused meeskond, et töötada välja ML-i jõul töötav eksperimendi kavandamise (DoE) töövoog, et anda F1 aerodünaamikutele nõu, milliseid disainikontseptsioone CFD-s katsetada, et maksimeerida õppimist ja jõudlust.
Probleemipüstituses
Uute aerodünaamiliste kontseptsioonide uurimisel kasutavad F1 aerodünaamikud mõnikord protsessi, mida nimetatakse katsete kavandamiseks (DoE). See protsess uurib süstemaatiliselt mitme teguri vahelist seost. Tagatiiva puhul võib see aerodünaamiliste näitajate (nt survejõu või takistuse) osas olla tiiva kõõlus, laius või kumerus. DoE protsessi eesmärk on võtta tõhusalt proovid projekteerimisruumist ja minimeerida testitavate kandidaatide arvu enne optimaalse tulemuse saavutamist. See saavutatakse mitme konstruktsiooniteguri iteratiivse muutmise, aerodünaamilise reaktsiooni mõõtmise, tegurite mõju ja seoste uurimise ning seejärel testimise jätkamise kaudu kõige optimaalsemas või informatiivsemas suunas. Järgmisel joonisel esitame tagatiiva geomeetria näite, mida F1 on meiega lahkelt jaganud oma UNIFORM-i baasjoonest. Märgistatud on neli konstruktsiooniparameetrit, mida F1 aerodünaamikud võiksid DoE rutiinis uurida.
Selles projektis töötas F1 koos AWS Professional Servicesiga, et uurida ML-i kasutamist DoE rutiinide täiustamiseks. Traditsioonilised DoE meetodid nõuavad hästi asustatud projekteerimisruumi, et mõista disainiparameetrite vahelist seost ja tugineda seetõttu suurele hulgale esialgsetele CFD simulatsioonidele. ML regressioonimudelid võivad kasutada varasemate CFD simulatsioonide tulemusi, et ennustada aerodünaamilist reaktsiooni, võttes arvesse konstruktsiooniparameetrite kogumit, ning anda teile märku iga disainimuutuja suhtelisest tähtsusest. Saate neid teadmisi kasutada optimaalsete disainilahenduste ennustamiseks ja disaineritel optimaalsete lahenduste leidmiseks, kasutades vähem esialgseid CFD simulatsioone. Teiseks võite kasutada andmeteaduse tehnikaid, et mõista, milliseid piirkondi disainiruumis ei ole uuritud ja mis võivad optimaalseid kujundusi peita.
Eritellimusel valmistatud ML-toega DoE töövoo illustreerimiseks vaatame läbi esitiiva kujundamise tõelise näite.
Esitiiva projekteerimine
F1 autod toetuvad tiibadele, nagu esi- ja tagatiivad, et tekitada suurem osa oma survejõust, mida me selles näites viitame koefitsiendiga Cz. Selles näites on survejõu väärtused normaliseeritud. Selles näites kasutasid F1 aerodünaamikud oma valdkonnateadmisi tiiva geomeetria parameetrite määramiseks järgmiselt (visuaalse esituse saamiseks vaadake järgmist joonist):
- LE-kõrgus – Esiserva kõrgus
- Min-Z – Minimaalne kliirens
- Keskmine LE-nurk – Kolmanda elemendi esiserva nurk
- TE-nurk – Tagumise serva nurk
- TE-kõrgus – tagaserva kõrgus
Seda esitiiva geomeetriat jagas F1 ja see on osa UNIFORMi baasjoonest.
Need parameetrid valiti seetõttu, et need on piisavad geomeetria põhiaspektide tõhusaks kirjeldamiseks ja kuna varem on aerodünaamiline jõudlus nende parameetrite suhtes näidanud märkimisväärset tundlikkust. Selle DoE rutiini eesmärk oli leida viie konstruktsiooniparameetri kombinatsioon, mis maksimeerib aerodünaamilist survejõudu (Cz). Projekteerimisvabadust piirab ka projekteerimisparameetrite maksimum- ja miinimumväärtuste seadmine, nagu on näidatud järgmises tabelis.
. | Miinimum | Maksimaalne |
TE-kõrgus | 250.0 | 300.0 |
TE-nurk | 145.0 | 165.0 |
Keskmine LE-nurk | 160.0 | 170.0 |
Min-Z | 5.0 | 50.0 |
LE-kõrgus | 100.0 | 150.0 |
Olles kindlaks määranud disainiparameetrid, sihtväljundi mõõdiku ja meie disainiruumi piirid, on meil kõik, mida vajame DoE rutiiniga alustamiseks. Meie lahenduse töövoo diagramm on esitatud järgmisel pildil. Järgmises osas sukeldume sügavale erinevatesse etappidesse.
Projekteerimisruumi esialgne proovide võtmine
DoE töövoo esimene samm on käivitada CFD-s esialgne kandidaatide komplekt, mis valib tõhusalt disainiruumi ja võimaldab meil luua esimese komplekti ML regressioonimudelite iga funktsiooni mõju uurimiseks. Esiteks loome kogumi N proovid kasutamine Ladina hüperkuubiku proovivõtt (LHS) või tavaline võrkmeetod. Seejärel valime k kandidaadid CFD-s testimiseks ahne sisendalgoritmi abil, mille eesmärk on maksimeerida disainiruumi uurimist. Alustades algtaseme kandidaadist (praegune kujundus), valime iteratiivselt kõigist varem testitud kandidaatidest kõige kaugemal olevad kandidaadid. Oletame, et oleme juba testinud k kujundused; ülejäänud disainikandidaatide jaoks leiame minimaalse kauguse d testitava suhtes k kujundused:
Ahne sisendite algoritm valib kandidaadi, mis maksimeerib funktsiooniruumis kauguse varem testitud kandidaatidest:
Selles DoE-s valisime välja kolm ahne sisendi kandidaati ja kasutasime neid CFD-s, et hinnata nende aerodünaamilist survejõudu (Cz). Ahned sisendikandidaadid uurivad disainiruumi piire ja praeguses etapis ei osutunud ükski neist aerodünaamilise survejõu osas algtaseme kandidaadist paremaks (Cz). Selle esialgse CFD testimise vooru tulemused koos disainiparameetritega on kuvatud järgmises tabelis.
. | TE-kõrgus | TE-nurk | Keskmine LE-nurk | Min-Z | LE-kõrgus | Normaliseeritud 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 |
Esialgsed ML regressioonimudelid
Regressioonimudeli eesmärk on ennustada Cz viie konstruktsiooniparameetri mis tahes kombinatsiooni jaoks. Sellise väikese andmehulga puhul seadsime prioriteediks lihtsad mudelid, rakendasime mudelite reguleerimist, et vältida ülepaigutamist, ja võimalusel kombineerisime erinevate mudelite ennustusi. Ehitati järgmised ML mudelid:
- Tavalised vähimruudud (OLS)
- Toetage vektorregressiooni (SVM) RBF-i tuumaga
- Gaussi protsessi regressioon (GP) Matérni tuumaga
- XGBoost
Lisaks ehitati kahetasandiline virnastatud mudel, kus GP, SVM ja XGBoost mudelite ennustused assimileeritakse Lasso algoritmi abil, et saada lõplik reaktsioon. Seda mudelit nimetatakse kogu postituses kui virnastatud mudel. Meie kirjeldatud viie mudeli ennustamisvõimaluste järjestamiseks rakendati korduvat k-kordset ristvalideerimise rutiini.
Järgmise disainikandidaadi loomine CFD-s testimiseks
Järgmisena testitava kandidaadi valimine nõuab hoolikat kaalumist. F1 aerodünaamik peab tasakaalustama ML-mudeliga ennustatud võimaluste ärakasutamist, et tagada kõrge survejõud, ja kuludega, mis tulenevad disainiruumi kaardistamata piirkondade uurimisest, mis võib anda veelgi suurema survejõu. Sel põhjusel pakume selles DoE rutiinis välja kolm kandidaati: üks jõudluspõhine ja kaks uurimispõhist kandidaati. Uurimispõhiste kandidaatide eesmärk on ka pakkuda ML-algoritmile täiendavaid andmepunkte projekteerimisruumi piirkondades, kus ennustuse ebakindlus on suurim. See omakorda toob kaasa täpsemad prognoosid järgmises kujunduse iteratsiooni voorus.
Geneetilise algoritmi optimeerimine survejõu maksimeerimiseks
Suurima eeldatava aerodünaamilise survejõuga kandidaadi saamiseks võiksime prognoosida kõiki võimalikke disainikandidaate. See ei oleks aga tõhus. Selle optimeerimisprobleemi jaoks kasutame geneetilist algoritmi (GA). Eesmärk on tõhusalt otsida tohutut lahendusruumi (saadud ML ennustuse kaudu Cz) ja tagastada kõige optimaalsem kandidaat. GA-d on kasulikud, kui lahendusruum on keeruline ja mittekumer, nii et klassikalised optimeerimismeetodid, nagu näiteks gradiendi laskumine, on ebaefektiivsed vahendid globaalse lahenduse leidmiseks. GA on evolutsiooniliste algoritmide alamhulk, mis on inspireeritud looduslikust valikust, geneetilisest ristumisest ja mutatsioonist, et lahendada otsinguprobleem. Mitmete iteratsioonide (tuntud kui põlvkondade) jooksul kombineeritakse algselt juhuslikult valitud kujunduskandidaatide komplekti parimad kandidaadid (sarnaselt reprodutseerimisega). Lõpuks võimaldab see mehhanism teil tõhusalt leida kõige optimaalsemad kandidaadid. GA-de kohta lisateabe saamiseks vaadake AWS-i geneetiliste algoritmide kasutamine optimeerimisprobleemide lahendamiseks.
Uurimispõhiste kandidaatide loomine
Uurimispõhiste kandidaatide loomisel peab hea valimivõtustrateegia suutma kohaneda olukorraga, kus mõju hõre, kus ainult parameetrite alamhulk mõjutab lahendust oluliselt. Seetõttu peaks proovivõtustrateegia jaotama kandidaadid kogu sisendi kujundamise ruumi, kuid vältima ka tarbetuid CFD-käibeid, muutes muutujaid, millel on jõudlusele väike mõju. Proovivõtustrateegia peab võtma arvesse ML-regressori ennustatud vastuse pinda. Uurimispõhiste kandidaatide saamiseks kasutati kahte proovivõtustrateegiat.
Gaussi protsessiregressorite (GP) puhul standardhälve prognoositava vastuse pinnast saab kasutada mudeli määramatuse indikaatorina. Valimi moodustamise strateegia seisneb kogumi hulgast välja valimises N proovid , kandidaat, kes maksimeerib . Seda tehes võtame valimi kujundusruumi piirkonnast, kus regressor on oma prognoosis kõige vähem kindel. Matemaatilises mõttes valime kandidaadi, mis vastab järgmisele võrrandile:
Teise võimalusena kasutame ahnet sisendite ja väljundite diskreetimisstrateegiat, mis maksimeerib nii kaugused funktsiooniruumis kui ka reageerimisruumis pakutud kandidaadi ja juba testitud disainilahenduste vahel. See lahendab mõju hõre olukord, kuna kandidaatidel, kes muudavad väheolulist disainiparameetrit, on sarnane reaktsioon ja seetõttu on kaugused vastuse pinnal minimaalsed. Matemaatilises mõttes valime kandidaadi, mis vastab järgmisele võrrandile, kus funktsioon f on ML regressioonimudel:
Kandidaatide valik, CFD testimine ja optimeerimisahel
Selles etapis esitatakse kasutajale nii toimivuspõhised kui ka uurimispõhised kandidaadid. Järgmine samm koosneb pakutud kandidaatide alamhulga valimisest, nende disainiparameetritega CFD simulatsioonide käivitamisest ja aerodünaamilise survejõu reaktsiooni registreerimisest.
Pärast seda koolitab DoE töövoog ML-i regressioonimudeleid ümber, käivitab geneetilise algoritmi optimeerimise ja pakub välja uue komplekti jõudluspõhiseid ja uurimispõhiseid kandidaate. Kasutaja käivitab pakutud kandidaatide alamhulga ja jätkab sel viisil itereerimist, kuni peatumiskriteeriumid on täidetud. Peatamiskriteeriumid on üldiselt täidetud, kui optimaalseks peetud kandidaat on saavutatud.
Tulemused
Järgmisel joonisel registreerime normaliseeritud aerodünaamilise survejõu (Cz) CFD simulatsioonist (sinine) ja eelnevalt ennustatud mudelist, kasutades valitud ML regressioonimudelit (roosa) iga DoE töövoo iteratsiooni jaoks. Eesmärk oli maksimeerida aerodünaamilist survejõudu (Cz). Esimesed neli jooksu (punasest joonest vasakul) olid lähtejoon ja kolm ahne sisendi kandidaati, mida on eelnevalt kirjeldatud. Edaspidi testiti tulemuslikkusele ja uurimisele suunatud kandidaatide kombinatsiooni. Eelkõige olid iteratsioonide 6 ja 8 kandidaadid uurimuslikud kandidaadid, mõlemad näitasid madalamat survejõudu kui algtaseme kandidaadid (iteratsioon 1). Nagu oodatud, muutus ML-i ennustus üha täpsemaks, kuna registreerisime rohkem kandidaate, mida tähistab ennustatud ja tegeliku vahemaa vähenemine. Cz. 9. iteratsioonis õnnestus DoE töövool leida kandidaat, mille jõudlus oli algtasemega sarnane, ja iteratsioonis 12 lõpetati DoE töövoog, kui toimivuspõhine kandidaat ületas lähtetaseme.
Järgmises tabelis on esitatud lõplikud projekteerimisparameetrid koos saadud normaliseeritud allakäigu väärtusega. Algtaseme kandidaadi normaliseeritud surujõu tase oli 0.975, samas kui DoE töövoo optimaalne kandidaat registreeris normaliseeritud surujõu tasemeks 1.000. See on oluline 2.5% suhteline tõus.
Konteksti jaoks nõuaks traditsiooniline DoE lähenemisviis viie muutujaga 25 esialgset CFD simulatsiooni, enne kui saavutatakse optimumi ennustamiseks piisavalt hea sobivus. Teisest küljest lähenes see aktiivõppe lähenemisviis 12 iteratsiooniga optimaalsele tasemele.
. | TE-kõrgus | TE-nurk | Keskmine LE-nurk | Min-Z | LE-kõrgus | Normaliseeritud Cz |
Baseline | 292.25 | 154.86 | 166 | 5 | 130 | 0.975 |
Optimaalne | 299.97 | 156.79 | 166.27 | 5.01 | 135.26 | 1.000 |
Funktsiooni tähtsus
Ennustava mudeli suhtelise funktsiooni olulisuse mõistmine võib anda andmetest kasuliku ülevaate. See võib aidata funktsioonide valimisel vähemtähtsate muutujate eemaldamisel, vähendades seeläbi probleemi dimensiooni ja potentsiaalselt parandades regressioonimudeli ennustamisvõimet, eriti väikese andmerežiimi korral. Selles disainiprobleemis annab see F1 aerodünaamikatele ülevaate sellest, millised muutujad on kõige tundlikumad ja vajavad seetõttu hoolikamat häälestamist.
Selles rutiinis rakendasime mudeli-agnostilist tehnikat nimega permutatsiooni tähtsus. Iga muutuja suhtelist tähtsust mõõdetakse, arvutades mudeli ennustusvea suurenemise pärast ainuüksi selle muutuja väärtuste juhuslikku segamist. Kui funktsioon on mudeli jaoks oluline, suureneb ennustusviga oluliselt ja vastupidi vähem oluliste funktsioonide puhul. Järgmisel joonisel esitame aerodünaamilist survejõudu ennustava Gaussi protsessiregressori (GP) permutatsiooni tähtsust (Cz). Kõige olulisemaks peeti tagaserva kõrgust (TE-Height).
Järeldus
Selles postituses selgitasime, kuidas F1 aerodünaamikud kasutavad uudsete aerodünaamiliste geomeetriate kujundamisel DoE töövoogudes ML regressioonimudeleid. AWS Professional Servicesi välja töötatud ML-toega DoE töövoog annab ülevaate sellest, millised disainiparameetrid maksimeerivad jõudlust või uurivad disainiruumis kaardistamata piirkondi. Vastupidiselt kandidaatide iteratiivsele testimisele CFD-s ruudustikuotsingu viisil, suudab ML-toega DoE töövoog läheneda optimaalsetele disainiparameetritele vähemate iteratsioonidega. See säästab nii aega kui ka ressursse, kuna on vaja vähem CFD simulatsioone.
Olenemata sellest, kas olete farmaatsiaettevõte, kes soovib kiirendada keemilise koostise optimeerimist, või tootmisettevõte, kes soovib leida kõige vastupidavamate disainilahenduste jaoks disainimõõtmeid, võivad DoE töövood aidata jõuda optimaalsete kandidaatideni tõhusamalt. AWS Professional Services on valmis täiendama teie meeskonda spetsiaalsete ML-oskuste ja kogemustega, et töötada välja tööriistu, mis lihtsustavad DoE töövooge ja aitavad teil saavutada paremaid äritulemusi. Lisateabe saamiseks vt AWS-i professionaalsed teenusedvõi võtke ühendust oma kontohalduri kaudu.
Autoritest
Pablo Hermoso Moreno on AWS-i professionaalsete teenuste meeskonna andmeteadlane. Ta teeb koostööd klientidega erinevates tööstusharudes, kasutades masinõpet, et jutustada andmetega lugusid ja jõuda kiiremini teadlike insenertehniliste otsusteni. Pablo taustal on lennundustehnika ja autosporditööstuses töötanud ta on huvitatud füüsika ja valdkonnateadmiste ühendamisest ML-iga. Vabal ajal harrastab ta sõudmist ja kitarrimängu.
- Münditark. Euroopa parim Bitcoini ja krüptobörs.
- Platoblockchain. Web3 metaversiooni intelligentsus. Täiustatud teadmised. TASUTA PÄÄS.
- CryptoHawk. Altcoini radar. Tasuta prooviversioon.
- Allikas: https://aws.amazon.com/blogs/machine-learning/optimize-f1-aerodynamic-geometries-via-design-of-experiments-and-machine-learning/
- "
- 000
- 100
- 28
- 9
- MEIST
- konto
- täpne
- Saavutada
- saavutada
- üle
- aktiivne
- lisamine
- Täiendavad lisad
- Aerospace
- algoritm
- algoritme
- Materjal: BPA ja flataatide vaba plastik
- juba
- Kuigi
- Amazon
- Teine
- lähenemine
- ümber
- AWS
- tagapõhi
- Baseline
- enne
- on
- kasu
- BEST
- ehitama
- äri
- kandidaat
- kandidaadid
- võimeid
- auto
- autod
- tasu
- keemiline
- valik
- kliendid
- kombinatsioon
- kombineeritud
- ettevõte
- keeruline
- kindel
- tasu
- pidev
- lähenema
- võiks
- looma
- Praegune
- andmed
- andmeteadus
- andmeteadlane
- otsused
- kirjeldama
- kirjeldatud
- Disain
- projekteerimine
- disainilahendused
- arendama
- arenenud
- erinev
- kaugus
- domeen
- sõidu
- dünaamika
- serv
- mõju
- tõhus
- tõhusalt
- Inseneriteadus
- keskkond
- asutatud
- näide
- oodatav
- kogemus
- teadmised
- uurimine
- uurima
- tegurid
- mood
- KIIRE
- kiiremini
- tunnusjoon
- FUNKTSIOONID
- Joonis
- esimene
- sobima
- voog
- Järel
- järgneb
- Vabadus
- esi-
- funktsioon
- GAS
- üldiselt
- tekitama
- teeniva
- põlvkond
- Põlvkonnad
- Globaalne
- eesmärk
- hea
- GP
- suuresti
- võre
- võttes
- kõrgus
- aitama
- varjama
- Suur
- rohkem
- Kuidas
- aga
- HTTPS
- tohutu
- pilt
- mõju
- rakendatud
- tähtsus
- oluline
- Paranemist
- Suurendama
- kasvav
- üha rohkem
- tööstus
- mõju
- info
- informatiivne
- teavitatakse
- sisend
- ülevaade
- teadmisi
- inspireeritud
- huvi
- uurima
- IT
- teatud
- suur
- juhtivate
- Leads
- õppimine
- Tase
- piiratud
- joon
- vähe
- otsin
- masin
- masinõpe
- juhitud
- juht
- viis
- tootmine
- matemaatiline
- vahendid
- meetodid
- Meetrika
- võib
- miinimum
- ML
- mudel
- mudelid
- Jälgida
- rohkem
- kõige
- motorsport
- mitmekordne
- Natural
- number
- saadud
- optimeerimine
- optimeerima
- optimaalne
- Valikud
- et
- Muu
- osa
- eriline
- eriti
- jõudlus
- Pharmaceutical
- Füüsika
- mängimine
- võrra
- ujula
- võimalik
- võimas
- ennustada
- ennustus
- Ennustused
- esitada
- eelmine
- Probleem
- protsess
- tootma
- professionaalne
- projekt
- paljutõotav
- esitama
- pakutud
- anda
- annab
- eesmärk
- võidusõit
- jõudma
- rekord
- vähendama
- vähendamine
- regulaarne
- Määrus
- suhe
- ülejäänud
- esindamine
- paljunemine
- nõudma
- nõutav
- Vajab
- Vahendid
- vastus
- Tulemused
- tagasipöördumine
- ümber
- jooks
- jooksmine
- teadus
- teadlane
- Otsing
- väljavalitud
- Seeria
- Teenused
- komplekt
- kehtestamine
- jagatud
- näidatud
- sarnane
- lihtne
- simuleerimine
- oskused
- väike
- So
- lahendus
- Lahendused
- LAHENDAGE
- Ruum
- spetsialiseeritud
- kiirus
- Sport
- sport
- laiali
- Stage
- etappidel
- standard
- alustatud
- Lood
- strateegiad
- Strateegia
- uuringud
- Uuring
- parem
- Pind
- sihtmärk
- meeskond
- Tehniline
- tehnikat
- test
- Testimine
- testid
- maailm
- seetõttu
- Läbi
- läbi kogu
- aeg
- aega võttev
- korda
- rehvid
- kokku
- töövahendid
- puudutama
- suunas
- jälgida
- traditsiooniline
- paljastama
- mõistma
- us
- kasutama
- kinnitamine
- väärtus
- Sõidukid
- virtuaalne
- M
- Wikipedia
- tuul
- ilma
- töötas
- töötab
- maailm
- oleks
- aastat