FORMEL 1 (F1) biler er de raskeste regulerte racerbilene i verden. Selv om disse åpne hjulene bare er 20–30 kilometer (eller 12–18 miles) i timen raskere enn toppmoderne sportsbiler, kan de kjøre rundt svinger opptil fem ganger så raskt på grunn av den kraftige aerodynamikken downforce de skaper. downforce er den vertikale kraften som genereres av de aerodynamiske overflatene som presser bilen mot veien, og øker grepet fra dekkene. F1-aerodynamikere må også overvåke luftmotstanden eller luftmotstanden, noe som begrenser rettlinjet hastighet.
F1-ingeniørteamet er ansvarlig for å designe neste generasjon F1-biler og sette sammen den tekniske forskriften for sporten. I løpet av de siste 3 årene har de fått i oppgave å designe en bil som holder dagens høye nivåer av downforce og topphastigheter, men som heller ikke påvirkes negativt av å kjøre bak en annen bil. Dette er viktig fordi den forrige generasjonen av biler kan miste opptil 50 % av downforcen når de kjører tett bak en annen bil på grunn av det turbulente kjølvannet som genereres av vinger og karosseri.
I stedet for å stole på tidkrevende og kostbare spor- eller vindtunneltester, bruker F1 Computational Fluid Dynamics (CFD), som gir et virtuelt miljø for å studere væskestrømmen (i dette tilfellet luften rundt F1-bilen) uten å måtte produsere en enkelt del. Med CFD tester F1-aerodynamikere ulike geometrikonsepter, vurderer deres aerodynamiske innvirkning og iterativt optimaliserer designene deres. I løpet av de siste 3 årene har F1-ingeniørteamet samarbeidet med AWS for å sette opp en skalerbar og kostnadseffektiv CFD-arbeidsflyt som har tredoblet gjennomstrømningen av CFD-kjøringer og halvert behandlingstiden per kjøring.
F1 er i ferd med å se nærmere på AWS-maskinlæringstjenester (ML) som f.eks Amazon SageMaker å hjelpe med å optimalisere designet og ytelsen til bilen ved å bruke CFD-simuleringsdataene til å bygge modeller med ytterligere innsikt. Målet er å avdekke lovende designretninger og redusere antall CFD-simuleringer, og dermed redusere tiden det tar å konvergere til optimale design.
I dette innlegget forklarer vi hvordan F1 samarbeidet med AWS profesjonelle tjenester team for å utvikle en skreddersydd Design of Experiments (DoE) arbeidsflyt drevet av ML for å gi råd til F1-aerodynamikere om hvilke designkonsepter som skal testes i CFD for å maksimere læring og ytelse.
Problemstilling
Når de utforsker nye aerodynamiske konsepter, bruker F1-aerodynamikere noen ganger en prosess kalt Design of Experiments (DoE). Denne prosessen studerer systematisk sammenhengen mellom flere faktorer. Når det gjelder en bakvinge, kan dette være vingeakkord, spann eller camber, med hensyn til aerodynamiske beregninger som nedkraft eller drag. Målet med en DoE-prosess er å effektivt prøve designområdet og minimere antallet kandidater som testes før de konvergerer til et optimalt resultat. Dette oppnås ved å iterativt endre flere designfaktorer, måle den aerodynamiske responsen, studere virkningen og forholdet mellom faktorer, og deretter fortsette å teste i den mest optimale eller informative retningen. I den følgende figuren presenterer vi et eksempel på bakvingegeometri som F1 vennligst har delt med oss fra deres UNIFORM baseline. Fire designparametere som F1-aerodynamikere kan undersøke i en DoE-rutine er merket.
I dette prosjektet jobbet F1 med AWS Professional Services for å undersøke bruken av ML for å forbedre DoE-rutiner. Tradisjonelle DoE-metoder krever et godt befolket designrom for å forstå forholdet mellom designparametere og er derfor avhengige av et stort antall forhånds-CFD-simuleringer. ML-regresjonsmodeller kan bruke resultatene fra tidligere CFD-simuleringer til å forutsi den aerodynamiske responsen gitt settet med designparametere, samt gi deg en indikasjon på den relative betydningen av hver designvariabel. Du kan bruke denne innsikten til å forutsi optimale design og hjelpe designere med å konvergere til optimale løsninger med færre forhånds-CFD-simuleringer. For det andre kan du bruke datavitenskapelige teknikker for å forstå hvilke regioner i designområdet som ikke har blitt utforsket og potensielt kan skjule optimale design.
For å illustrere den skreddersydde ML-drevne DoE-arbeidsflyten, går vi gjennom et ekte eksempel på å designe en frontvinge.
Designe en frontvinge
F1-biler er avhengige av vinger som front- og bakvingene for å generere mesteparten av nedkraften, som vi refererer til gjennom dette eksemplet med koeffisienten Cz. Gjennom dette eksemplet har downforce-verdiene blitt normalisert. I dette eksemplet brukte F1-aerodynamikere sin domeneekspertise til å parameterisere vingegeometrien som følger (se følgende figur for en visuell representasjon):
- LE-Høyde – Høyde på forkant
- Min-Z – Minimum bakkeklaring
- Midt-LE-vinkel – Forkantvinkel på det tredje elementet
- TE-vinkel – Bakkantvinkel
- TE-høyde – Bakkanthøyde
Denne frontvingegeometrien ble delt av F1 og er en del av UNIFORM-grunnlinjen.
Disse parameterne ble valgt fordi de er tilstrekkelige til å beskrive hovedaspektene ved geometrien effektivt og fordi aerodynamisk ytelse tidligere har vist betydelig følsomhet med hensyn til disse parameterne. Målet med denne DoE-rutinen var å finne kombinasjonen av de fem designparametrene som ville maksimere aerodynamisk downforce (Cz). Designfriheten begrenses også ved å sette maksimums- og minimumsverdier til designparametrene, som vist i følgende tabell.
. | Minimum | Maksimum |
TE-høyde | 250.0 | 300.0 |
TE-vinkel | 145.0 | 165.0 |
Midt-LE-vinkel | 160.0 | 170.0 |
Min-Z | 5.0 | 50.0 |
LE-Høyde | 100.0 | 150.0 |
Etter å ha etablert designparametrene, målutdatametrikken og grensene for designområdet vårt, har vi alt vi trenger for å komme i gang med DoE-rutinen. Et arbeidsflytdiagram av løsningen vår er presentert i bildet nedenfor. I det følgende avsnittet dykker vi dypt ned i de ulike stadiene.
Innledende prøvetaking av designrommet
Det første trinnet i DoE-arbeidsflyten er å kjøre i CFD et første sett med kandidater som effektivt prøver designområdet og lar oss bygge det første settet med ML-regresjonsmodeller for å studere innflytelsen til hver funksjon. Først genererer vi en pool av N prøver ved hjelp av Latin Hypercube Sampling (LHS) eller en vanlig rutenettmetode. Så velger vi k kandidater til å teste i CFD ved hjelp av en grådig input-algoritme, som tar sikte på å maksimere utforskningen av designrommet. Med utgangspunkt i en grunnlinjekandidat (nåværende design), velger vi iterativt kandidater som er lengst unna alle tidligere testede kandidater. Anta at vi allerede har testet k design; for de resterende designkandidatene finner vi minimumsavstanden d med hensyn til de testede k design:
Algoritmen for grådige inndata velger kandidaten som maksimerer avstanden i funksjonsrommet til de tidligere testede kandidatene:
I denne DoE valgte vi tre grådige input-kandidater og kjørte dem i CFD for å vurdere deres aerodynamiske downforce (Cz). De grådige inputkandidatene utforsker grensene for designrommet, og på dette stadiet viste ingen av dem seg overlegne grunnlinjekandidaten når det gjelder aerodynamisk downforce (Cz). Resultatene av denne første runden med CFD-testing sammen med designparametrene vises i tabellen nedenfor.
. | TE-høyde | TE-vinkel | Midt-LE-vinkel | Min-Z | LE-Høyde | Normalisert 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 |
Initial ML regresjonsmodeller
Målet med regresjonsmodellen er å forutsi Cz for enhver kombinasjon av de fem designparametrene. Med et så lite datasett prioriterte vi enkle modeller, brukte modellregularisering for å unngå overfitting, og kombinerte prediksjonene til forskjellige modeller der det var mulig. Følgende ML-modeller ble konstruert:
- Vanlige minste kvadrater (OLS)
- Støtt vektorregresjon (SVM) med en RBF-kjerne
- Gaussisk prosessregresjon (GP) med en Matérn-kjerne
- Xgboost
I tillegg ble det bygget en stablet modell med to nivåer, der spådommene til GP-, SVM- og XGBoost-modellene assimileres av en Lasso-algoritme for å produsere den endelige responsen. Denne modellen omtales gjennom dette innlegget som stablet modell. For å rangere de prediktive egenskapene til de fem modellene vi beskrev, ble en gjentatt k-fold kryssvalideringsrutine implementert.
Generering av neste designkandidat for å teste i CFD
Å velge hvilken kandidat som skal teste neste krever nøye vurdering. F1-aerodynamikeren må balansere fordelene ved å utnytte alternativer forutsagt av ML-modellen for å gi høy downforce med kostnadene ved å unnlate å utforske ukjente områder av designrommet, noe som kan gi enda høyere downforce. Av den grunn, i denne DoE-rutinen, foreslår vi tre kandidater: en prestasjonsdrevet og to letedrevet. Hensikten med de letedrevne kandidatene er også å gi ytterligere datapunkter til ML-algoritmen i områder av designrommet hvor usikkerheten rundt prediksjonen er størst. Dette fører igjen til mer nøyaktige spådommer i neste runde med designiterasjon.
Genetisk algoritmeoptimalisering for å maksimere downforce
For å skaffe kandidaten med høyest forventet aerodynamisk downforce, kunne vi kjøre en prediksjon over alle mulige designkandidater. Dette ville imidlertid ikke vært effektivt. For dette optimaliseringsproblemet bruker vi en genetisk algoritme (GA). Målet er å effektivt søke gjennom et enormt løsningsrom (oppnådd via ML-prediksjonen av Cz) og returner den mest optimale kandidaten. GA-er er fordelaktige når løsningsrommet er komplekst og ikke-konveks, slik at klassiske optimaliseringsmetoder som gradientnedstigning er et ineffektivt middel for å finne en global løsning. GA er en undergruppe av evolusjonære algoritmer og inspirert av konsepter fra naturlig utvalg, genetisk crossover og mutasjon for å løse søkeproblemet. I løpet av en serie iterasjoner (kjent som generasjoner), kombineres de beste kandidatene til et tilfeldig utvalgt sett med designkandidater (omtrent som reproduksjon). Til slutt lar denne mekanismen deg finne de mest optimale kandidatene på en effektiv måte. For mer informasjon om GA-er, se Bruk av genetiske algoritmer på AWS for optimaliseringsproblemer.
Generering av letedrevne kandidater
For å generere det vi kaller letedrevne kandidater, må en god prøvetakingsstrategi være i stand til å tilpasse seg en situasjon med effekt sparsomhet, hvor bare en delmengde av parameterne påvirker løsningen vesentlig. Derfor bør samplingsstrategien spre kandidatene over inputdesignområdet, men også unngå unødvendige CFD-kjøringer, endre variabler som har liten effekt på ytelsen. Samplingsstrategien må ta hensyn til responsoverflaten forutsagt av ML-regressoren. To prøvetakingsstrategier ble brukt for å skaffe letedrevne kandidater.
For Gaussian Process Regressors (GP), standardavviket av den predikerte responsoverflaten kan brukes som en indikasjon på usikkerheten til modellen. Prøvetakingsstrategien består i å velge ut fra utvalget av N prøver , kandidaten som maksimerer . Ved å gjøre det prøver vi i området av designrommet der regressoren er minst sikker på sin prediksjon. I matematiske termer velger vi kandidaten som tilfredsstiller følgende ligning:
Alternativt bruker vi en grådig samplingsstrategi for input og output, som maksimerer både avstandene i funksjonsrommet og i responsrommet mellom den foreslåtte kandidaten og de allerede testede designene. Dette takler effekt sparsomhet situasjon fordi kandidater som modifiserer en designparameter med liten relevans har en lignende respons, og derfor er avstandene i responsflaten minimale. I matematiske termer velger vi kandidaten som tilfredsstiller følgende ligning, hvor funksjonen f er ML-regresjonsmodellen:
Kandidatvalg, CFD-testing og optimaliseringssløyfe
På dette stadiet blir brukeren presentert for både prestasjonsdrevne og utforskningsdrevne kandidater. Det neste trinnet består av å velge et undersett av de foreslåtte kandidatene, kjøre CFD-simuleringer med disse designparametrene og registrere den aerodynamiske nedkraftresponsen.
Etter dette omskolerer DoE-arbeidsflyten ML-regresjonsmodellene, kjører den genetiske algoritmeoptimaliseringen og foreslår et nytt sett med ytelsesdrevne og utforskningsdrevne kandidater. Brukeren kjører et undersett av de foreslåtte kandidatene og fortsetter å iterere på denne måten til stoppkriteriene er oppfylt. Stoppkriteriene er vanligvis oppfylt når en kandidat som anses som optimal oppnås.
Resultater
I den følgende figuren registrerer vi den normaliserte aerodynamiske nedkraften (Cz) fra CFD-simuleringen (blå) og den som er forutsagt på forhånd ved bruk av den valgte ML-regresjonsmodellen (rosa) for hver iterasjon av DoE-arbeidsflyten. Målet var å maksimere aerodynamisk downforce (Cz). De fire første kjøringene (til venstre for den røde linjen) var grunnlinjen og de tre grådige input-kandidatene skissert tidligere. Derfra ble en kombinasjon av prestasjonsdrevne og letedrevne kandidater testet. Spesielt var kandidatene ved iterasjon 6 og 8 utforskende kandidater, som begge viste lavere nivåer av downforce enn grunnlinjekandidaten (iterasjon 1). Som forventet, etter hvert som vi registrerte flere kandidater, ble ML-prediksjonen stadig mer nøyaktig, som angitt av den avtagende avstanden mellom den anslåtte og den faktiske Cz. Ved iterasjon 9 klarte DoE-arbeidsflyten å finne en kandidat med lignende ytelse som baseline, og ved iterasjon 12 ble DoE-arbeidsflyten avsluttet da den prestasjonsdrevne kandidaten overgikk basislinjen.
De endelige designparametrene sammen med den resulterende normaliserte downforce-verdien er presentert i følgende tabell. Det normaliserte downforce-nivået for grunnlinjekandidaten var 0.975, mens den optimale kandidaten for DoE-arbeidsflyten registrerte et normalisert downforce-nivå på 1.000. Dette er en viktig relativ økning på 2.5 %.
For kontekst vil en tradisjonell DoE-tilnærming med fem variabler kreve 25 forhånds-CFD-simuleringer før man oppnår en god nok tilpasning til å forutsi et optimum. På den annen side konvergerte denne aktive læringstilnærmingen til et optimalt i 12 iterasjoner.
. | TE-høyde | TE-vinkel | Midt-LE-vinkel | Min-Z | LE-Høyde | Normalisert Cz |
Baseline | 292.25 | 154.86 | 166 | 5 | 130 | 0.975 |
Optimal | 299.97 | 156.79 | 166.27 | 5.01 | 135.26 | 1.000 |
Funksjonens betydning
Å forstå den relative funksjonens betydning for en prediktiv modell kan gi en nyttig innsikt i dataene. Det kan hjelpe funksjonsvalg med mindre viktige variabler som fjernes, og dermed redusere dimensjonaliteten til problemet og potensielt forbedre prediksjonsevnen til regresjonsmodellen, spesielt i smådataregimet. I dette designproblemet gir det F1-aerodynamikere et innblikk i hvilke variabler som er mest følsomme og derfor krever mer forsiktig tuning.
I denne rutinen implementerte vi en modellagnostisk teknikk kalt permutasjons betydning. Den relative betydningen av hver variabel måles ved å beregne økningen i modellens prediksjonsfeil etter tilfeldig stokking av verdiene for den variabelen alene. Hvis en funksjon er viktig for modellen, øker prediksjonsfeilen kraftig, og omvendt for mindre viktige funksjoner. I den følgende figuren presenterer vi permutasjonsbetydningen for en Gaussian Process Regressor (GP) som forutsier aerodynamisk nedkraft (Cz). Bakkanthøyden (TE-Height) ble ansett som den viktigste.
konklusjonen
I dette innlegget forklarte vi hvordan F1-aerodynamikere bruker ML-regresjonsmodeller i DoE-arbeidsflyter når de designer nye aerodynamiske geometrier. Den ML-drevne DoE-arbeidsflyten utviklet av AWS Professional Services gir innsikt i hvilke designparametere som vil maksimere ytelsen eller utforske ukjente områder i designområdet. I motsetning til iterativt å teste kandidater i CFD på en rutenettsøk-måte, er den ML-drevne DoE-arbeidsflyten i stand til å konvergere til optimale designparametere i færre iterasjoner. Dette sparer både tid og ressurser fordi færre CFD-simuleringer kreves.
Enten du er et farmasøytisk selskap som ønsker å øke hastigheten på optimalisering av kjemisk sammensetning eller et produksjonsselskap som ønsker å finne designdimensjonene for de mest robuste designene, kan DoE-arbeidsflyter bidra til å nå optimale kandidater mer effektivt. AWS Professional Services er klare til å supplere teamet ditt med spesialiserte ML-ferdigheter og erfaring for å utvikle verktøyene for å strømlinjeforme DoE-arbeidsflyter og hjelpe deg med å oppnå bedre forretningsresultater. For mer informasjon, se AWS profesjonelle tjenester, eller ta kontakt via kontoadministratoren din for å ta kontakt.
Om forfatterne
Pablo Hermoso Moreno er en dataforsker i AWS Professional Services Team. Han jobber med kunder på tvers av bransjer ved å bruke maskinlæring for å fortelle historier med data og nå mer informerte ingeniørbeslutninger raskere. Pablos bakgrunn er innen luftfartsteknikk og etter å ha jobbet i motorsportindustrien har han en interesse for å bygge bro mellom fysikk og domeneekspertise med ML. På fritiden liker han å ro og spille gitar.
- Myntsmart. Europas beste Bitcoin og Crypto Exchange.
- Platoblokkkjede. Web3 Metaverse Intelligence. Kunnskap forsterket. FRI TILGANG.
- CryptoHawk. Altcoin Radar. Gratis prøveperiode.
- Kilde: https://aws.amazon.com/blogs/machine-learning/optimize-f1-aerodynamic-geometries-via-design-of-experiments-and-machine-learning/
- "
- 000
- 100
- 28
- 9
- Om oss
- Logg inn
- nøyaktig
- Oppnå
- oppnådd
- tvers
- aktiv
- tillegg
- Ytterligere
- Aerospace
- algoritme
- algoritmer
- Alle
- allerede
- Selv
- Amazon
- En annen
- tilnærming
- rundt
- AWS
- bakgrunn
- Baseline
- før du
- være
- nytte
- BEST
- bygge
- virksomhet
- kandidat
- kandidater
- evner
- bil
- biler
- kostnad
- kjemisk
- valg
- klienter
- kombinasjon
- kombinert
- Selskapet
- komplekse
- trygg
- hensyn
- fortsetter
- konvergerer
- kunne
- skape
- Gjeldende
- dato
- datavitenskap
- dataforsker
- avgjørelser
- beskrive
- beskrevet
- utforming
- utforme
- design
- utvikle
- utviklet
- forskjellig
- avstand
- domene
- kjøring
- dynamikk
- Edge
- effekt
- effektiv
- effektivt
- Ingeniørarbeid
- Miljø
- etablert
- eksempel
- forventet
- erfaring
- ekspertise
- leting
- utforske
- faktorer
- Mote
- FAST
- raskere
- Trekk
- Egenskaper
- Figur
- Først
- passer
- flyten
- etter
- følger
- Frihet
- foran
- funksjon
- GAS
- generelt
- generere
- genererer
- generasjonen
- generasjoner
- Global
- mål
- god
- GP
- sterkt
- Grid
- å ha
- høyde
- hjelpe
- Gjemme seg
- Høy
- høyere
- Hvordan
- Men
- HTTPS
- stort
- bilde
- Påvirkning
- implementert
- betydning
- viktig
- bedre
- Øke
- økende
- stadig
- industri
- påvirke
- informasjon
- informative
- informert
- inngang
- innsikt
- innsikt
- inspirert
- interesse
- undersøke
- IT
- kjent
- stor
- ledende
- Fører
- læring
- Nivå
- Begrenset
- linje
- lite
- ser
- maskin
- maskinlæring
- fikk til
- leder
- måte
- produksjon
- matematiske
- midler
- metoder
- Metrics
- kunne
- minimum
- ML
- modell
- modeller
- Overvåke
- mer
- mest
- motorsport
- flere
- Naturlig
- Antall
- innhentet
- optimalisering
- Optimalisere
- optimal
- alternativer
- rekkefølge
- Annen
- del
- Spesielt
- spesielt
- ytelse
- Pharmaceutical
- Fysikk
- spiller
- poeng
- basseng
- mulig
- kraftig
- forutsi
- prediksjon
- Spådommer
- presentere
- forrige
- Problem
- prosess
- produsere
- profesjonell
- prosjekt
- lovende
- foreslå
- foreslått
- gi
- gir
- formål
- Racing
- å nå
- rekord
- redusere
- redusere
- regelmessig
- Regulering
- forholdet
- gjenværende
- representasjon
- reproduksjon
- krever
- påkrevd
- Krever
- Ressurser
- svar
- Resultater
- retur
- runde
- Kjør
- rennende
- Vitenskap
- Forsker
- Søk
- valgt
- Serien
- Tjenester
- sett
- innstilling
- delt
- vist
- lignende
- Enkelt
- simulering
- ferdigheter
- liten
- So
- løsning
- Solutions
- LØSE
- Rom
- spesialisert
- fart
- Sport
- Sports
- spre
- Scene
- stadier
- Standard
- startet
- Stories
- strategier
- Strategi
- studier
- Studer
- overlegen
- overflaten
- Target
- lag
- Teknisk
- teknikker
- test
- Testing
- tester
- verden
- derfor
- Gjennom
- hele
- tid
- tidkrevende
- ganger
- dekk
- sammen
- verktøy
- berøre
- mot
- spor
- tradisjonelle
- avdekke
- forstå
- us
- bruke
- validering
- verdi
- Kjøretøy
- virtuelle
- Hva
- Wikipedia
- vind
- uten
- arbeidet
- virker
- verden
- ville
- år