FORMA 1 (F1) Az autók a világ leggyorsabban szabályozott országúti versenyautói. Bár ezek a nyitott kerekű autók óránként csak 20–30 kilométerrel (12–18 mérfölddel) gyorsabbak, mint a csúcskategóriás sportautók, a kanyarokban akár ötször gyorsabban is képesek száguldani az erőteljes aerodinamikai tulajdonságoknak köszönhetően. leszorítóerőt hoznak létre. leszorítóerőt az az aerodinamikai felületek által keltett függőleges erő, amely az autót az út felé nyomja, növelve a gumiabroncsok tapadását. Az F1-es aerodinamikusoknak a légellenállást vagy a légellenállást is figyelniük kell, ami korlátozza az egyenes sebességet.
Az F1-es mérnöki csapat feladata az F1-es autók következő generációjának megtervezése és a sportág műszaki szabályainak összeállítása. Az elmúlt 3 évben egy olyan autó tervezését kapták, amely megtartja a jelenlegi magas leszorítóerő- és csúcssebesség-szintet, de nem érinti hátrányosan egy másik autó mögötti vezetés sem. Ez azért fontos, mert az előző generációs autók akár 50%-át is elveszíthetik leszorítóerejükből, ha szorosan egy másik autó mögött száguldanak a szárnyak és a karosszéria által keltett turbulens hajtás miatt.
Ahelyett, hogy az időigényes és költséges pálya- vagy szélcsatornás tesztekre hagyatkozna, az F1 a Computational Fluid Dynamics (CFD) technológiát használja, amely virtuális környezetet biztosít a folyadékok (jelen esetben az F1-es autó körüli levegő) áramlásának tanulmányozásához anélkül, hogy bármit is kellene tennie. egyetlen alkatrész gyártása. A CFD segítségével az F1 aerodinamikusai különböző geometriai koncepciókat tesztelnek, felmérik azok aerodinamikai hatását, és iteratív módon optimalizálják a terveket. Az elmúlt 3 évben az F1 mérnöki csapata együttműködött az AWS-szel, hogy létrehozzák a méretezhető és költséghatékony CFD munkafolyamat ami megháromszorozta a CFD-futtatások teljesítményét, és felére csökkentette a futamonkénti átfutási időt.
Az F1 jelenleg vizsgálja az AWS gépi tanulási (ML) szolgáltatásokat, mint pl Amazon SageMaker segít optimalizálni az autó kialakítását és teljesítményét a CFD szimulációs adatok felhasználásával a modellek további betekintést nyújtó felépítéséhez. A cél az ígéretes tervezési irányok feltárása és a CFD-szimulációk számának csökkentése, ezáltal csökkentve az optimális tervekhez való konvergáláshoz szükséges időt.
Ebben a bejegyzésben elmagyarázzuk, hogyan működött együtt az F1 a AWS professzionális szolgáltatások csapat egy testre szabott, ML által hajtott kísérleti tervezési (DoE) munkafolyamat kidolgozására, hogy tanácsot adjon az F1 aerodinamikai szakembereknek, hogy mely tervezési koncepciókat teszteljék CFD-ben a tanulás és a teljesítmény maximalizálása érdekében.
Probléma
Amikor új aerodinamikai koncepciókat keresnek, az F1 aerodinamikusai időnként a Design of Experiments (DoE) nevű eljárást alkalmazzák. Ez a folyamat szisztematikusan vizsgálja több tényező közötti kapcsolatot. A hátsó szárny esetében ez lehet a szárny húrja, fesztávja vagy dőlésszöge, tekintettel az aerodinamikai mutatókra, például a leszorítóerőre vagy a légellenállásra. A DoE-folyamatok célja a tervezési terület hatékony mintavétele és a tesztelt jelöltek számának minimalizálása, mielőtt az optimális eredményhez konvergálna. Ezt több tervezési tényező iteratív megváltoztatásával, az aerodinamikai reakció mérésével, a hatások és a tényezők közötti kapcsolat tanulmányozásával, majd a tesztelés legoptimálisabb vagy leginformatívabb irányban történő folytatásával érik el. A következő ábrán egy példakénti hátsó szárny geometriát mutatunk be, amelyet az F1 kedvesen megosztott velünk az UNIFORM alapvonalukból. Négy olyan tervezési paraméter van felcímkézve, amelyeket az F1 aerodinamikusai megvizsgálhatnak egy DoE-rutin során.
Ebben a projektben az F1 az AWS Professional Services-szel együttműködve megvizsgálta az ML használatát a DoE-rutinok javítására. A hagyományos DoE módszerek jól lakott tervezési teret igényelnek a tervezési paraméterek közötti kapcsolat megértéséhez, és ezért nagyszámú előzetes CFD szimulációra támaszkodnak. Az ML regressziós modellek felhasználhatják a korábbi CFD-szimulációk eredményeit az aerodinamikai reakció előrejelzésére a tervezési paraméterek halmaza alapján, valamint jelezhetik az egyes tervezési változók relatív fontosságát. Ezeket az ismereteket felhasználhatja az optimális tervek előrejelzésére, és segítheti a tervezőket az optimális megoldásokhoz való közeledésben kevesebb előzetes CFD-szimulációval. Másodszor, adattudományi technikákat használhat annak megértésére, hogy a tervezési tér mely régiói nincsenek feltárva, és potenciálisan elrejthetik az optimális terveket.
A testre szabott, ML-alapú DoE munkafolyamat szemléltetésére bemutatjuk az első szárny tervezésének valódi példáját.
Első szárny tervezése
Az F1-es autók olyan szárnyakra támaszkodnak, mint például az első és a hátsó szárnyak, hogy létrehozzák a leszorítóerejük nagy részét, amit ebben a példában együtthatóval hivatkozunk. Cz. Ebben a példában a leszorítóerő értékek normalizálásra kerültek. Ebben a példában az F1 aerodinamikusai szaktudásukat használták fel a szárnygeometria paraméterezésére az alábbiak szerint (a vizuális ábrázoláshoz lásd a következő ábrát):
- LE-magasság – Bevezető él magassága
- Min-Z – Minimális hasmagasság
- Közép-LE-szög – A harmadik elem élszöge
- TE-szög – Kifutó élszög
- TE-magasság – Kifutó él magassága
Ezt az első szárny geometriáját az F1 osztja, és a UNIFORM alapvonal része.
Ezeket a paramétereket azért választottuk ki, mert elegendőek ahhoz, hogy hatékonyan leírják a geometria fő szempontjait, és mert a múltban az aerodinamikai teljesítmény jelentős érzékenységet mutatott e paraméterek tekintetében. Ennek a DoE-rutinnak az volt a célja, hogy megtalálja az öt tervezési paraméter kombinációját, amely maximalizálja az aerodinamikai leszorítóerőt (Cz). A tervezési szabadságot a tervezési paraméterek maximális és minimális értékeinek beállítása is korlátozza, amint azt az alábbi táblázat mutatja.
. | Minimális | Maximális |
TE-magasság | 250.0 | 300.0 |
TE-szög | 145.0 | 165.0 |
Közép-LE-szög | 160.0 | 170.0 |
Min-Z | 5.0 | 50.0 |
LE-magasság | 100.0 | 150.0 |
Miután megállapítottuk a tervezési paramétereket, a célkimeneti mérőszámot és a tervezési területünk határait, mindennel rendelkezünk, ami a DoE rutinnal való kezdéshez szükséges. Megoldásunk munkafolyamat-diagramja a következő képen látható. A következő részben a különböző szakaszokba merülünk bele.
A tervezési tér kezdeti mintavétele
A DoE munkafolyamat első lépése a jelöltek kezdeti készletének CFD-ben való futtatása, amely hatékonyan mintavételezi a tervezési területet, és lehetővé teszi számunkra az ML regressziós modellek első készletének felépítését az egyes jellemzők hatásának tanulmányozására. Először létrehozunk egy készletet N minták segítségével Latin Hypercube Sampling (LHS) vagy normál rácsos módszerrel. Ezután kiválasztjuk k CFD-ben való tesztelésre egy mohó bemeneti algoritmus segítségével, amelynek célja, hogy maximalizálja a tervezési tér feltárását. Egy alappályázótól (a jelenlegi terv) kezdve iteratív módon választjuk ki azokat a jelölteket, amelyek a legtávolabb vannak az összes korábban tesztelt jelölttől. Tegyük fel, hogy már teszteltük k tervek; a fennmaradó tervezési jelölteknél megtaláljuk a minimális távolságot d a tesztelthez képest k minták:
A mohó beviteli algoritmus kiválasztja azt a jelöltet, amely maximalizálja a távolságot a jellemzőtérben a korábban tesztelt jelöltekhez képest:
Ebben a DoE-ben három mohó bemenet jelöltet választottunk, és ezeket CFD-ben futtattuk, hogy felmérjük aerodinamikai leszorítóerejüket (Cz). A mohó input jelöltek a tervezési tér határait kutatják, és ebben a szakaszban egyikük sem bizonyult jobbnak az alappályánál az aerodinamikai leszorítóerő tekintetében (Cz). A CFD tesztelés kezdeti körének eredményei a tervezési paraméterekkel együtt a következő táblázatban láthatók.
. | TE-magasság | TE-szög | Közép-LE-szög | Min-Z | LE-magasság | Normalizált Cz |
kiindulási | 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 |
Kezdeti ML regressziós modellek
A regressziós modell célja az előrejelzés Cz az öt tervezési paraméter bármely kombinációjához. Egy ilyen kis adathalmaznál az egyszerű modelleket helyeztük előtérbe, a túlillesztés elkerülése érdekében modellregulációt alkalmaztunk, és lehetőség szerint kombináltuk a különböző modellek előrejelzéseit. A következő ML modellek készültek:
- Közönséges legkisebb négyzetek (OLS)
- A Vector Regression (SVM) támogatása RBF kernellel
- Gauss-folyamat regresszió (GP) Matérn kernellel
- XGBoost
Emellett egy kétszintű halmozott modell készült, ahol a GP, SVM és XGBoost modellek előrejelzéseit egy Lasso algoritmus asszimilálja a végső válasz előállításához. Ezt a modellt ebben a bejegyzésben mindvégig a halmozott modell. Az általunk leírt öt modell prediktív képességeinek rangsorolásához ismételt k-szeres keresztellenőrzési rutint hajtottak végre.
A következő tervjelölt generálása CFD-ben tesztelésre
Alapos mérlegelést igényel a következő jelölt kiválasztása. Az F1-es aerodinamikusnak egyensúlyban kell tartania az ML-modell által megjósolt lehetőségek kihasználásának előnyeit a nagy leszorítóerő biztosítása érdekében a tervezési tér feltérképezetlen régióinak felderítésének elmulasztásával, ami még nagyobb leszorítóerőt biztosíthat. Emiatt ebben a DoE-rutinban három jelöltet javasolunk: egy teljesítmény-vezérelt és két feltárás-vezérelt. A feltárás-vezérelt jelöltek célja az is, hogy további adatpontokat biztosítsanak az ML algoritmushoz a tervezési tér azon régióiban, ahol a legnagyobb az előrejelzés körüli bizonytalanság. Ez pedig pontosabb előrejelzésekhez vezet a tervezési iteráció következő körében.
Genetikai algoritmus optimalizálás a leszorítóerő maximalizálása érdekében
A legmagasabb várható aerodinamikai leszorítóerővel rendelkező jelölt megszerzéséhez előrejelzést futtathatunk az összes lehetséges tervezési jelöltre. Ez azonban nem lenne hatékony. Ehhez az optimalizálási problémához genetikai algoritmust (GA) használunk. A cél az, hogy hatékonyan keressünk egy hatalmas megoldási területen (amelyet az ML előrejelzésével kapunk meg Cz), és adja vissza a legoptimálisabb jelöltet. A GA-k akkor előnyösek, ha a megoldási tér összetett és nem konvex, így a klasszikus optimalizálási módszerek, mint például a gradiens süllyedés, nem hatékony eszközök a globális megoldás megtalálására. A GA az evolúciós algoritmusok egy részhalmaza, amelyet a természetes szelekció, a genetikai keresztezés és a mutáció koncepciói ihlettek a keresési probléma megoldására. Egy sor iteráció (generációként ismert) során a kezdetben véletlenszerűen kiválasztott tervjelöltek legjobb jelöltjeit kombinálják (hasonlóan a sokszorosításhoz). Végül ez a mechanizmus lehetővé teszi, hogy hatékonyan megtalálja a legoptimálisabb jelölteket. A GA-kkal kapcsolatos további információkért lásd: Genetikai algoritmusok használata AWS-en optimalizálási problémákhoz.
Feltárás-vezérelt jelöltek generálása
Az általunk feltárás-vezérelt jelöltek létrehozása során a jó mintavételi stratégiának képesnek kell lennie alkalmazkodni a helyzethez. hatás ritkaság, ahol csak a paraméterek egy részhalmaza befolyásolja jelentősen a megoldást. Ezért a mintavételi stratégiának el kell oszlatnia a jelölteket a bemeneti tervezési térben, ugyanakkor kerülnie kell a szükségtelen CFD-futtatásokat, amelyek megváltoztatják a teljesítményt csekély mértékben befolyásoló változókat. A mintavételi stratégiának figyelembe kell vennie az ML regresszor által előre jelzett válaszfelületet. Két mintavételi stratégiát alkalmaztak a feltárás által vezérelt jelöltek megszerzésére.
Gauss-folyamat-regresszorok (GP) esetén a szórása Az előrejelzett válaszfelület nagysága a modell bizonytalanságának jelzéseként használható. A mintavételi stratégia abból áll, hogy kiválasztunk a készletből N minták , a jelölt, aki maximalizálja . Ezzel a tervezési tér azon régiójában veszünk mintát, ahol a regresszor a legkevésbé biztos az előrejelzésében. Matematikai értelemben azt a jelöltet választjuk ki, amelyik megfelel a következő egyenletnek:
Alternatív megoldásként egy mohó be- és kimeneti mintavételi stratégiát alkalmazunk, amely maximalizálja a távolságot a jellemzőtérben és a választérben a javasolt jelölt és a már tesztelt tervek között. Ez megoldja a hatás ritkaság helyzet, mert a kis relevanciájú tervezési paramétert módosító jelöltek hasonló választ adnak, és ezért a válaszfelületen belüli távolságok minimálisak. Matematikai értelemben kiválasztjuk azt a jelöltet, amelyik kielégíti a következő egyenletet, ahol a függvény f az ML regressziós modell:
A jelöltek kiválasztása, a CFD tesztelése és az optimalizálási kör
Ebben a szakaszban a felhasználó teljesítmény- és felfedezés-vezérelt jelölteket is bemutat. A következő lépés a javasolt jelöltek egy részhalmazának kiválasztása, CFD szimulációk futtatása ezekkel a tervezési paraméterekkel, és az aerodinamikai leszorítóerő-reakció rögzítése.
Ezt követően a DoE munkafolyamat újratanítja az ML regressziós modelleket, lefuttatja a genetikai algoritmus optimalizálását, és új teljesítmény- és feltárásvezérelt jelölteket javasol. A felhasználó futtatja a javasolt jelöltek egy részhalmazát, és így folytatja az iterációt, amíg a leállítási feltételek teljesülnek. A leállítási kritériumok általában akkor teljesülnek, ha az optimálisnak ítélt jelöltet megszerezték.
Eredmények
A következő ábrán a normalizált aerodinamikai leszorítóerőt rögzítjük (Cz). A cél az aerodinamikai leszorítóerő maximalizálása volt (Cz). Az első négy futás (a piros vonaltól balra) volt az alapvonal és a korábban vázolt három mohó bemenet jelölt. Innentől kezdve a teljesítmény- és a felfedezés-vezérelt jelöltek kombinációját tesztelték. A 6. és 8. iteráció jelöltjei különösen feltáró jellegűek voltak, mindkettő alacsonyabb leszorítóerőt mutatott, mint az alapvonal jelölt (1. iteráció). Ahogy az várható volt, ahogy több jelöltet rögzítettünk, az ML előrejelzés egyre pontosabbá vált, amit a megjósolt és a tényleges közötti távolság csökkenése jelez. Cz. A 9. iterációnál a DoE munkafolyamatnak sikerült az alapvonalhoz hasonló teljesítményű jelöltet találnia, a 12. iterációban pedig a DoE munkafolyamat akkor fejeződött be, amikor a teljesítményvezérelt jelölt túlszárnyalta az alapvonalat.
A végső tervezési paramétereket az eredő normalizált leszorítóerő értékkel együtt a következő táblázat mutatja be. Az alapvonal-jelölt normalizált leszorítóerő-szintje 0.975 volt, míg a DoE-munkafolyamat optimális leszorítóereje 1.000-es normalizált leszorítóerő-szintet regisztrált. Ez fontos, 2.5%-os relatív növekedés.
Kontextusban a hagyományos, öt változós DoE-megközelítéshez 25 előzetes CFD-szimulációra lenne szükség, mielőtt elég jó illeszkedést érne el az optimum előrejelzéséhez. Másrészt, ez az aktív tanulási megközelítés 12 iteráció alatt az optimumhoz konvergált.
. | TE-magasság | TE-szög | Közép-LE-szög | Min-Z | LE-magasság | Normalizált Cz |
kiindulási | 292.25 | 154.86 | 166 | 5 | 130 | 0.975 |
Optimális | 299.97 | 156.79 | 166.27 | 5.01 | 135.26 | 1.000 |
Funkció fontossága
A prediktív modell relatív fontosságának megértése hasznos betekintést nyújthat az adatokba. Segítheti a jellemzők kiválasztását a kevésbé fontos változók eltávolításával, ezáltal csökkentve a probléma dimenzióit, és potenciálisan javíthatja a regressziós modell előrejelző képességét, különösen a kis adatrendszerben. Ebben a tervezési problémában az F1 aerodinamikusai betekintést nyújtanak abba, hogy mely változók a legérzékenyebbek, és ezért alaposabb hangolást igényelnek.
Ebben a rutinban egy modell-agnosztikus technikát valósítottunk meg, az úgynevezett permutáció fontossága. Az egyes változók relatív fontosságát úgy mérjük, hogy kiszámítjuk a modell előrejelzési hibájának növekedését, miután véletlenszerűen összekevertük az adott változó értékét. Ha egy jellemző fontos a modell számára, az előrejelzési hiba nagymértékben megnő, és fordítva a kevésbé fontos jellemzők esetében. A következő ábrán bemutatjuk az aerodinamikai leszorítóerőt előrejelző Gauss-folyamat-regresszor (GP) permutációjának fontosságát (Cz). A hátsó él magasságát (TE-Height) tartották a legfontosabbnak.
Következtetés
Ebben a bejegyzésben elmagyaráztuk, hogy az F1 aerodinamikusai hogyan használnak ML regressziós modelleket a DoE munkafolyamataiban új aerodinamikai geometriák tervezésekor. Az AWS Professional Services által kifejlesztett, ML-alapú DoE munkafolyamat betekintést nyújt abba, hogy mely tervezési paraméterek maximalizálják a teljesítményt, vagy fedezze fel a tervezési tér feltérképezetlen régióit. Ellentétben a jelöltek iteratív tesztelésével a CFD-ben, rácskeresési módban, az ML-alapú DoE munkafolyamat kevesebb iterációval képes konvergálni az optimális tervezési paraméterekhez. Ez időt és erőforrást takarít meg, mivel kevesebb CFD-szimulációra van szükség.
Függetlenül attól, hogy Ön egy gyógyszeripari vállalat, amely a kémiai összetétel optimalizálását szeretné felgyorsítani, vagy egy gyártó cég, amely a legrobusztusabb tervek tervezési méreteit szeretné megtalálni, a DoE munkafolyamatok segíthetnek az optimális jelöltek hatékonyabb elérésében. Az AWS Professional Services készen áll arra, hogy kiegészítse csapatát speciális ML-készségekkel és tapasztalattal, hogy olyan eszközöket fejlesszen ki, amelyek egyszerűsítik a DoE-munkafolyamatokat, és segítenek Önnek jobb üzleti eredmények elérésében. További információkért lásd AWS professzionális szolgáltatások, vagy lépjen kapcsolatba fiókkezelőjével.
A szerzőkről
Pablo Hermoso Moreno az AWS Professional Services csapatának adattudósa. A Machine Learning segítségével különböző iparágakban működő ügyfelekkel dolgozik, hogy történeteket meséljen el adatokkal, és gyorsabban hozzon megalapozottabb mérnöki döntéseket. Pablo repülőmérnöki háttérrel rendelkezik, és miután a motorsport-iparban dolgozott, érdekli, hogy a fizika és a szakterületi szakértelem áthidalja az ML-t. Szabadidejében szívesen evez és gitározik.
- Coinsmart. Európa legjobb Bitcoin- és kriptográfiai tőzsdéje.
- Platoblockchain. Web3 metaverzum intelligencia. Felerősített tudás. SZABAD HOZZÁFÉRÉS.
- CryptoHawk. Altcoin radar. Ingyenes próbaverzió.
- Forrás: https://aws.amazon.com/blogs/machine-learning/optimize-f1-aerodynamic-geometries-via-design-of-experiments-and-machine-learning/
- "
- 000
- 100
- 28
- 9
- Rólunk
- Fiók
- pontos
- Elérése
- elért
- át
- aktív
- mellett
- További
- légtér
- algoritmus
- algoritmusok
- Minden termék
- már
- Bár
- amazon
- Másik
- megközelítés
- körül
- AWS
- háttér
- kiindulási
- előtt
- hogy
- haszon
- BEST
- épít
- üzleti
- jelölt
- jelöltek
- képességek
- autó
- autók
- díj
- kémiai
- választás
- ügyfél részére
- kombináció
- kombinált
- vállalat
- bonyolult
- magabiztos
- megfontolás
- tovább
- konvergálni
- tudott
- teremt
- Jelenlegi
- dátum
- adat-tudomány
- adattudós
- határozatok
- leírni
- leírt
- Design
- tervezés
- tervek
- Fejleszt
- fejlett
- különböző
- távolság
- domain
- vezetés
- dinamika
- él
- hatás
- hatékony
- eredményesen
- Mérnöki
- Környezet
- megalapozott
- példa
- várható
- tapasztalat
- szakvélemény
- kutatás
- feltárása
- tényezők
- Divat
- GYORS
- gyorsabb
- Funkció
- Jellemzők
- Ábra
- vezetéknév
- megfelelő
- áramlási
- következő
- következik
- szabadság
- front
- funkció
- GAS
- általában
- generál
- generáló
- generáció
- generációk
- Globális
- cél
- jó
- GP
- nagymértékben
- Rács
- tekintettel
- magasság
- segít
- elrejt
- Magas
- <p></p>
- Hogyan
- azonban
- HTTPS
- hatalmas
- kép
- Hatás
- végre
- fontosság
- fontos
- javuló
- Növelje
- növekvő
- egyre inkább
- ipar
- befolyás
- információ
- tájékoztató
- tájékoztatták
- bemenet
- Insight
- meglátások
- inspirálta
- kamat
- vizsgálja
- IT
- ismert
- nagy
- vezető
- vezetékek
- tanulás
- szint
- Korlátozott
- vonal
- kis
- keres
- gép
- gépi tanulás
- sikerült
- menedzser
- mód
- gyártási
- matematikai
- eszközök
- mód
- Metrics
- esetleg
- minimum
- ML
- modell
- modellek
- monitor
- több
- a legtöbb
- motorsport
- többszörös
- Természetes
- szám
- kapott
- optimalizálás
- Optimalizálja
- optimális
- Opciók
- érdekében
- Más
- rész
- különös
- különösen
- teljesítmény
- Gyógyszeripari
- Fizika
- játék
- pont
- medence
- lehetséges
- erős
- előre
- előrejelzés
- Tippek
- be
- előző
- Probléma
- folyamat
- gyárt
- szakmai
- program
- biztató
- javasol
- javasolt
- ad
- biztosít
- cél
- verseny
- el
- rekord
- csökkenteni
- csökkentő
- szabályos
- Szabályozás
- kapcsolat
- megmaradó
- képviselet
- reprodukció
- szükség
- kötelező
- megköveteli,
- Tudástár
- válasz
- Eredmények
- visszatérés
- körül
- futás
- futás
- Tudomány
- Tudós
- Keresés
- kiválasztott
- Series of
- Szolgáltatások
- készlet
- beállítás
- megosztott
- mutatott
- hasonló
- Egyszerű
- tettetés
- készségek
- kicsi
- So
- megoldások
- Megoldások
- SOLVE
- Hely
- specializált
- sebesség
- Sport
- Sport
- terjedése
- Színpad
- állapota
- standard
- kezdődött
- TÖRTÉNETEK
- stratégiák
- Stratégia
- tanulmányok
- Tanulmány
- felettes
- felületi
- cél
- csapat
- Műszaki
- technikák
- teszt
- Tesztelés
- tesztek
- a világ
- ebből adódóan
- Keresztül
- egész
- idő
- időigényes
- alkalommal
- gumiabroncsok
- együtt
- szerszámok
- érintse
- felé
- vágány
- hagyományos
- feltárni
- megért
- us
- használ
- érvényesítés
- érték
- Járművek
- Tényleges
- Mit
- Wikipedia
- szél
- nélkül
- dolgozott
- művek
- világ
- lenne
- év