FORMUŁA 1 (F1) samochody są najszybszymi pojazdami wyścigowymi na torach drogowych na świecie. Chociaż te samochody z otwartymi kołami są tylko o 20–30 kilometrów (lub 12–18 mil) na godzinę szybsze niż samochody sportowe z najwyższej półki, mogą pokonywać zakręty nawet pięć razy szybciej dzięki potężnej aerodynamice docisk, który tworzą. Siła docisku to pionowa siła generowana przez aerodynamiczne powierzchnie, która dociska samochód do drogi, zwiększając przyczepność opon. Aerodynamicy F1 muszą również monitorować opór powietrza lub opór, które ograniczają prędkość na wprost.
Zespół inżynierów F1 jest odpowiedzialny za zaprojektowanie nowej generacji samochodów F1 i opracowanie przepisów technicznych dla tego sportu. W ciągu ostatnich 3 lat powierzono im zadanie zaprojektowania samochodu, który utrzyma obecny wysoki poziom docisku i prędkości szczytowych, ale nie będzie miał na nie negatywnego wpływu jazda za innym samochodem. Jest to ważne, ponieważ poprzednia generacja samochodów może stracić do 50% siły docisku, gdy ściga się blisko innego samochodu z powodu turbulentnego śladu generowanego przez skrzydła i karoserię.
Zamiast polegać na czasochłonnych i kosztownych testach na torze lub w tunelu aerodynamicznym, F1 korzysta z obliczeniowej dynamiki płynów (CFD), która zapewnia wirtualne środowisko do badania przepływu płynów (w tym przypadku powietrza wokół bolidu F1) bez konieczności wyprodukować pojedynczą część. Dzięki CFD aerodynamicy F1 testują różne koncepcje geometrii, oceniają ich wpływ na aerodynamikę i iteracyjnie optymalizują swoje projekty. W ciągu ostatnich 3 lat zespół inżynierów F1 współpracował z AWS, aby stworzyć skalowalny i ekonomiczny przepływ pracy CFD co potroiło przepustowość serii CFD i skróciło czas realizacji o połowę.
F1 jest w trakcie analizowania usług uczenia maszynowego AWS (ML), takich jak Amazon Sage Maker aby pomóc zoptymalizować projekt i osiągi samochodu, wykorzystując dane symulacji CFD do budowania modeli z dodatkowymi spostrzeżeniami. Celem jest odkrycie obiecujących kierunków projektowania i zmniejszenie liczby symulacji CFD, a tym samym skrócenie czasu potrzebnego na osiągnięcie zbieżności do optymalnych projektów.
W tym poście wyjaśniamy, w jaki sposób F1 współpracował z Usługi profesjonalne AWS zespół opracuje zindywidualizowany przepływ pracy Design of Experiments (DoE) wspierany przez ML, aby doradzać aerodynamikom F1, które koncepcje projektowe przetestować w CFD, aby zmaksymalizować naukę i wydajność.
Instrukcja problemu
Podczas odkrywania nowych koncepcji aerodynamicznych, aerodynamika F1 czasami stosuje proces zwany projektowaniem eksperymentów (DoE). Proces ten systematycznie bada związek między wieloma czynnikami. W przypadku tylnego skrzydła może to być cięciwa, rozpiętość lub pochylenie skrzydła w odniesieniu do parametrów aerodynamicznych, takich jak siła docisku lub opór. Celem procesu DoE jest efektywne próbkowanie przestrzeni projektowej i minimalizacja liczby testowanych kandydatów przed osiągnięciem optymalnego wyniku. Osiąga się to poprzez iteracyjną zmianę wielu czynników projektowych, pomiar reakcji aerodynamicznej, badanie wpływu i relacji między czynnikami, a następnie kontynuowanie testów w najbardziej optymalnym lub informacyjnym kierunku. Na poniższym rysunku przedstawiamy przykładową geometrię tylnego skrzydła, którą F1 uprzejmie nam udostępniła na podstawie ich linii bazowej UNIFORM. Oznaczono cztery parametry projektowe, które aerodynamika F1 mogliby zbadać w ramach procedury DoE.
W tym projekcie F1 współpracował z AWS Professional Services, aby zbadać wykorzystanie ML w celu ulepszenia procedur DoE. Tradycyjne metody DoE wymagają dobrze wypełnionej przestrzeni projektowej w celu zrozumienia zależności między parametrami projektowymi, a zatem polegają na dużej liczbie wstępnych symulacji CFD. Modele regresji ML mogą wykorzystywać wyniki z poprzednich symulacji CFD do przewidywania reakcji aerodynamicznej na podstawie zestawu parametrów projektowych, a także wskazywać na względne znaczenie każdej zmiennej projektowej. Możesz wykorzystać te spostrzeżenia, aby przewidzieć optymalne projekty i pomóc projektantom w osiągnięciu optymalnych rozwiązań przy mniejszej liczbie wstępnych symulacji CFD. Po drugie, możesz użyć technik analizy danych, aby zrozumieć, które regiony w przestrzeni projektowej nie zostały zbadane i mogą potencjalnie ukryć optymalne projekty.
Aby zilustrować dostosowany do potrzeb przepływ pracy DoE oparty na ML, przedstawiamy prawdziwy przykład projektowania przedniego skrzydła.
Projektowanie przedniego skrzydła
Samochody F1 opierają się na skrzydłach, takich jak przednie i tylne, do generowania większości siły docisku, do czego odnosimy się w tym przykładzie przez współczynnik Cz. W tym przykładzie wartości siły docisku zostały znormalizowane. W tym przykładzie aerodynamicy F1 wykorzystali swoją wiedzę specjalistyczną do sparametryzowania geometrii skrzydła w następujący sposób (patrz poniższy rysunek, aby uzyskać wizualną reprezentację):
- LE-Wysokość – Wysokość krawędzi natarcia
- Min-Z – Minimalny prześwit
- Kąt środkowy LE – Kąt natarcia trzeciego elementu
- Kąt TE – Kąt krawędzi spływu
- Wysokość TE – Wysokość krawędzi spływu
Ta geometria przedniego skrzydła była wspólna dla F1 i jest częścią linii bazowej UNIFORM.
Parametry te zostały wybrane, ponieważ są wystarczające do skutecznego opisania głównych aspektów geometrii oraz ponieważ w przeszłości osiągi aerodynamiczne wykazywały znaczną wrażliwość w odniesieniu do tych parametrów. Celem tej procedury DoE było znalezienie kombinacji pięciu parametrów projektowych, które zmaksymalizowałyby aerodynamiczny docisk (Cz). Swoboda projektowania jest również ograniczona przez ustawienie maksymalnych i minimalnych wartości parametrów projektowych, jak pokazano w poniższej tabeli.
. | Minimum | Maksymalny |
Wysokość TE | 250.0 | 300.0 |
Kąt TE | 145.0 | 165.0 |
Kąt środkowy LE | 160.0 | 170.0 |
Min-Z | 5.0 | 50.0 |
LE-Wysokość | 100.0 | 150.0 |
Po ustaleniu parametrów projektowych, docelowej metryki wyjściowej i granic naszej przestrzeni projektowej mamy wszystko, czego potrzebujemy, aby rozpocząć procedurę DoE. Schemat przepływu pracy naszego rozwiązania przedstawia poniższy obrazek. W następnej sekcji zagłębiamy się w różne etapy.
Wstępne próbkowanie przestrzeni projektowej
Pierwszym etapem przepływu pracy DoE jest uruchomienie w CFD początkowego zestawu kandydatów, który wydajnie próbkuje przestrzeń projektową i pozwala nam zbudować pierwszy zestaw modeli regresji ML w celu zbadania wpływu każdej funkcji. Najpierw generujemy pulę N próbki za pomocą Próbkowanie hipersześcianu łacińskiego (LHS) lub zwykłą metodę siatki. Następnie wybieramy k kandydatów do testowania w CFD za pomocą algorytmu zachłannego wprowadzania danych, który ma na celu maksymalizację eksploracji przestrzeni projektowej. Zaczynając od podstawowego kandydata (obecny projekt), iteracyjnie wybieramy kandydatów najbardziej oddalonych od wszystkich poprzednio testowanych kandydatów. Załóżmy, że już przetestowaliśmy k projekty; dla pozostałych kandydatów projektowych znajdujemy minimalną odległość d w odniesieniu do testowanego k wzory:
Algorytm zachłannych danych wejściowych wybiera kandydata, który maksymalizuje odległość w przestrzeni cech do poprzednio testowanych kandydatów:
W tym DoE wybraliśmy trzech chciwych kandydatów na dane wejściowe i przeprowadziliśmy te w CFD, aby ocenić ich aerodynamiczną siłę docisku (Cz). Kandydaci zachłannych wejść badają granice przestrzeni projektowej i na tym etapie żaden z nich nie okazał się lepszy od kandydata podstawowego pod względem aerodynamicznej siły docisku (Cz). Wyniki tej wstępnej rundy testów CFD wraz z parametrami projektowymi przedstawiono w poniższej tabeli.
. | Wysokość TE | Kąt TE | Kąt środkowy LE | Min-Z | LE-Wysokość | Znormalizowane Cz |
Baseline | 292.25 | 154.86 | 166 | 5 | 130 | 0.975 |
OG 0 | 250 | 165 | 160 | 50 | 100 | 0.795 |
OG 1 | 300 | 145 | 170 | 50 | 100 | 0.909 |
OG 2 | 250 | 145 | 170 | 5 | 100 | 0.847 |
Wstępne modele regresji ML
Celem modelu regresji jest przewidywanie Cz dla dowolnej kombinacji pięciu parametrów projektowych. Przy tak małym zestawie danych nadaliśmy priorytet prostym modelom, zastosowaliśmy regularyzację modeli, aby uniknąć nadmiernego dopasowania, i tam, gdzie to możliwe, połączyliśmy przewidywania różnych modeli. Zbudowano następujące modele ML:
- Zwykłe najmniejsze kwadraty (OLS)
- Obsługa regresji wektorowej (SVM) z jądrem RBF
- Regresja procesu Gaussa (GP) z jądrem Matérn
- XGBoost
Ponadto zbudowano dwupoziomowy model stosowy, w którym prognozy modeli GP, SVM i XGBoost są asymilowane przez algorytm Lasso w celu uzyskania ostatecznej odpowiedzi. Ten model jest określany w tym poście jako ułożony model. Aby uszeregować możliwości predykcyjne pięciu opisanych przez nas modeli, wdrożono powtarzaną k-krotną procedurę walidacji krzyżowej.
Generowanie kolejnego kandydata na projekt do przetestowania w CFD
Wybór kandydata do przetestowania w następnej kolejności wymaga starannego rozważenia. Aerodynamika F1 musi zrównoważyć korzyści płynące z wykorzystania opcji przewidzianych przez model ML w celu zapewnienia dużej siły docisku z kosztem nie zbadania niezbadanych obszarów przestrzeni projektowej, co może zapewnić jeszcze większą siłę docisku. Z tego powodu w tej procedurze DoE proponujemy trzech kandydatów: jednego nastawionego na wydajność i dwóch nastawionych na eksplorację. Celem kandydatów zorientowanych na eksplorację jest również dostarczenie dodatkowych punktów danych do algorytmu ML w obszarach przestrzeni projektowej, w których niepewność wokół prognozy jest największa. To z kolei prowadzi do dokładniejszych prognoz w następnej rundzie iteracji projektu.
Optymalizacja algorytmu genetycznego w celu maksymalizacji docisku
Aby uzyskać kandydata o największej oczekiwanej aerodynamicznej sile docisku, moglibyśmy przeprowadzić prognozę dla wszystkich możliwych kandydatów projektowych. Nie byłoby to jednak skuteczne. Do tego problemu optymalizacji używamy algorytmu genetycznego (GA). Celem jest efektywne przeszukiwanie ogromnej przestrzeni rozwiązań (uzyskanej za pomocą predykcji ML z Cz) i zwróć najbardziej optymalnego kandydata. GA są korzystne, gdy przestrzeń rozwiązań jest złożona i niewypukła, tak więc klasyczne metody optymalizacji, takie jak gradientowe opadanie, są nieefektywnym środkiem do znalezienia globalnego rozwiązania. GA to podzbiór algorytmów ewolucyjnych, zainspirowany koncepcjami doboru naturalnego, krzyżowania genetycznego i mutacji w celu rozwiązania problemu wyszukiwania. W ciągu serii iteracji (znanych jako generacje) najlepsi kandydaci z początkowo losowo wybranego zestawu kandydujących projektów są łączone (podobnie jak reprodukcja). Ostatecznie mechanizm ten pozwala w efektywny sposób znaleźć najbardziej optymalnych kandydatów. Aby uzyskać więcej informacji na temat GA, zobacz Wykorzystanie algorytmów genetycznych na AWS do problemów optymalizacyjnych.
Generowanie kandydatów nastawionych na eksplorację
Przy generowaniu tego, co nazywamy kandydatami zorientowanymi na poszukiwania, dobra strategia pobierania próbek musi być w stanie dostosować się do sytuacji: rzadkość efektu, gdzie tylko podzbiór parametrów znacząco wpływa na rozwiązanie. Dlatego strategia próbkowania powinna rozłożyć kandydatów na wejściowej przestrzeni projektowej, ale także unikać niepotrzebnych przebiegów CFD, zmieniając zmienne, które mają niewielki wpływ na wydajność. Strategia próbkowania musi uwzględniać powierzchnię odpowiedzi przewidywaną przez regresor ML. Zastosowano dwie strategie próbkowania, aby uzyskać kandydatów nastawionych na poszukiwanie.
W przypadku regresorów procesu Gaussa (GP) odchylenie standardowe przewidywanej powierzchni odpowiedzi może służyć jako wskaźnik niepewności modelu. Strategia próbkowania polega na wybraniu z puli N próbki , kandydat, który maksymalizuje . W ten sposób pobieramy próbkę w obszarze przestrzeni projektowej, w którym regresor jest najmniej pewny swojej prognozy. W kategoriach matematycznych wybieramy kandydata, który spełnia następujące równanie:
Alternatywnie stosujemy strategię próbkowania zachłannych wejść i wyjść, która maksymalizuje zarówno odległości w przestrzeni cech, jak i przestrzeni odpowiedzi między proponowanym kandydatem a już przetestowanymi projektami. To zajmuje się rzadkość efektu sytuacji, ponieważ kandydaci, którzy modyfikują parametr projektowy o małym znaczeniu, mają podobną odpowiedź, a zatem odległości w powierzchni odpowiedzi są minimalne. W kategoriach matematycznych wybieramy kandydata, który spełnia następujące równanie, gdzie funkcja f to model regresji ML:
Wybór kandydatów, testy CFD i pętla optymalizacji
Na tym etapie użytkownikowi przedstawiani są zarówno kandydaci zorientowani na wyniki, jak i na poszukiwanie. Następny krok polega na wybraniu podzbioru proponowanych kandydatów, przeprowadzeniu symulacji CFD z tymi parametrami projektowymi i zarejestrowaniu reakcji aerodynamicznej siły docisku.
Następnie przepływ pracy DoE ponownie trenuje modele regresji ML, przeprowadza optymalizację algorytmu genetycznego i proponuje nowy zestaw kandydatów nastawionych na wydajność i eksplorację. Użytkownik uruchamia podzbiór proponowanych kandydatów i kontynuuje iteracje w ten sposób, aż do spełnienia kryteriów zatrzymania. Kryterium zatrzymania jest na ogół spełnione, gdy kandydat uznany za optymalny zostaje uzyskany.
Efekt
Na poniższym rysunku rejestrujemy znormalizowaną aerodynamiczną siłę docisku (Cz) z symulacji CFD (niebieski) i przewidywany wcześniej przy użyciu wybranego modelu regresji ML (różowy) dla każdej iteracji przepływu pracy DoE. Celem była maksymalizacja aerodynamicznej siły docisku (Cz). Pierwsze cztery przebiegi (na lewo od czerwonej linii) były punktem odniesienia i trzema zachłannymi kandydatami do wprowadzania danych przedstawionymi wcześniej. Od tego momentu testowano kombinację kandydatów kierujących się wynikami i eksploracją. W szczególności kandydaci w iteracjach 6 i 8 byli kandydatami do badań eksploracyjnych, obaj wykazywali niższy poziom siły docisku niż kandydat z punktu odniesienia (iteracja 1). Zgodnie z oczekiwaniami, w miarę rejestrowania większej liczby kandydatów, przewidywanie ML stawało się coraz bardziej dokładne, o czym świadczy zmniejszająca się odległość między przewidywaną a rzeczywistą Cz. W iteracji 9 przepływ pracy DoE zdołał znaleźć kandydata o podobnej wydajności do punktu odniesienia, a w iteracji 12 przepływ pracy DoE został zakończony, gdy kandydat nastawiony na wydajność przekroczył poziom odniesienia.
Ostateczne parametry projektowe wraz z wypadkową znormalizowaną wartością siły docisku przedstawiono w poniższej tabeli. Znormalizowany poziom docisku dla kandydata na poziomie podstawowym wyniósł 0.975, podczas gdy optymalny kandydat dla przepływu pracy DoE odnotował znormalizowany poziom docisku wynoszący 1.000. Jest to istotny względny wzrost o 2.5%.
Dla kontekstu, tradycyjne podejście DoE z pięcioma zmiennymi wymagałoby 25 wstępnych symulacji CFD przed osiągnięciem wystarczająco dobrego dopasowania, aby przewidzieć optimum. Z drugiej strony to aktywne podejście do uczenia się zbiegało do optimum w 12 iteracjach.
. | Wysokość TE | Kąt TE | Kąt środkowy LE | Min-Z | LE-Wysokość | Znormalizowane Cz |
Baseline | 292.25 | 154.86 | 166 | 5 | 130 | 0.975 |
Optimal | 299.97 | 156.79 | 166.27 | 5.01 | 135.26 | 1.000 |
Znaczenie funkcji
Zrozumienie względnego znaczenia funkcji dla modelu predykcyjnego może zapewnić przydatny wgląd w dane. Może pomóc w wyborze cech przy usuwaniu mniej ważnych zmiennych, zmniejszając w ten sposób wymiarowość problemu i potencjalnie poprawiając moc predykcyjną modelu regresji, szczególnie w reżimie małych danych. W tym problemie konstrukcyjnym zapewnia aerodynamikom F1 wgląd w to, które zmienne są najbardziej wrażliwe i dlatego wymagają dokładniejszego dostrojenia.
W tej procedurze wdrożyliśmy technikę niezależny od modelu o nazwie znaczenie permutacji. Względną wagę każdej zmiennej mierzy się, obliczając wzrost błędu predykcji modelu po losowym przetasowaniu wartości dla tej samej zmiennej. Jeśli cecha jest ważna dla modelu, błąd przewidywania znacznie wzrasta i odwrotnie w przypadku mniej ważnych cech. Na poniższym rysunku przedstawiamy znaczenie permutacji dla Regresora Procesu Gaussa (GP) przewidującego aerodynamiczną siłę docisku (Cz). Za najważniejszą uznano wysokość krawędzi spływu (TE-Height).
Wnioski
W tym poście wyjaśniliśmy, w jaki sposób aerodynamicy F1 wykorzystują modele regresji ML w przepływach pracy DoE podczas projektowania nowych geometrii aerodynamicznych. Opracowany przez AWS Professional Services przepływ pracy DoE oparty na ML zapewnia wgląd w to, które parametry projektowe pozwolą zmaksymalizować wydajność lub zbadać niezbadane regiony w przestrzeni projektowej. W przeciwieństwie do iteracyjnego testowania kandydatów w CFD w sposób przeszukiwania siatki, przepływ pracy DoE oparty na ML jest w stanie uzyskać zbieżność z optymalnymi parametrami projektowymi w mniejszej liczbie iteracji. Oszczędza to zarówno czas, jak i zasoby, ponieważ wymagana jest mniejsza liczba symulacji CFD.
Niezależnie od tego, czy jesteś firmą farmaceutyczną, która chce przyspieszyć optymalizację składu chemicznego, czy firmą produkcyjną, która chce znaleźć wymiary projektowe dla najbardziej wytrzymałych projektów, przepływy pracy DoE mogą pomóc w bardziej efektywnym dotarciu do optymalnych kandydatów. AWS Professional Services jest gotowy, aby uzupełnić Twój zespół o specjalistyczne umiejętności i doświadczenie w zakresie ML, aby opracować narzędzia usprawniające przepływy pracy DoE i pomagające osiągać lepsze wyniki biznesowe. Aby uzyskać więcej informacji, zobacz Usługi profesjonalne AWSlub skontaktuj się z menedżerem konta, aby się z nami skontaktować.
O autorach
Pabla Hermoso Moreno jest Data Scientist w zespole AWS Professional Services. Współpracuje z klientami z różnych branż, korzystając z uczenia maszynowego, aby opowiadać historie z danymi i szybciej podejmować bardziej świadome decyzje inżynierskie. Pablo ma doświadczenie w inżynierii lotniczej i pracując w branży sportów motorowych, interesuje się połączeniem wiedzy z zakresu fizyki i domeny z ML. W wolnym czasie lubi wiosłować i grać na gitarze.
- Coinsmart. Najlepsza w Europie giełda bitcoinów i kryptowalut.
- Platoblockchain. Web3 Inteligencja Metaverse. Wzmocniona wiedza. DARMOWY DOSTĘP.
- CryptoJastrząb. Radar Altcoin. Bezpłatna wersja próbna.
- Źródło: https://aws.amazon.com/blogs/machine-learning/optimize-f1-aerodynamic-geometries-via-design-of-experiments-and-machine-learning/
- "
- 000
- 100
- 28
- 9
- O nas
- Konto
- dokładny
- Osiągać
- osiągnięty
- w poprzek
- aktywny
- dodatek
- Dodatkowy
- Lotnictwo
- algorytm
- Algorytmy
- Wszystkie kategorie
- już
- Chociaż
- Amazonka
- Inne
- podejście
- na około
- AWS
- tło
- Baseline
- zanim
- jest
- korzyści
- BEST
- budować
- biznes
- kandydat
- kandydatów
- możliwości
- wózek
- samochody
- opłata
- chemiczny
- wybór
- klientów
- połączenie
- połączony
- sukcesy firma
- kompleks
- pewność
- wynagrodzenie
- ciągły
- zbieżny
- mógłby
- Stwórz
- Aktualny
- dane
- nauka danych
- naukowiec danych
- Decyzje
- opisać
- opisane
- Wnętrze
- projektowanie
- projekty
- rozwijać
- rozwinięty
- różne
- dystans
- domena
- jazdy
- dynamika
- krawędź
- efekt
- wydajny
- skutecznie
- Inżynieria
- Środowisko
- ustanowiony
- przykład
- spodziewany
- doświadczenie
- ekspertyza
- eksploracja
- odkryj
- Czynniki
- Moda
- FAST
- szybciej
- Cecha
- Korzyści
- Postać
- i terminów, a
- dopasować
- pływ
- następujący
- następujący sposób
- Wolność
- z przodu
- funkcjonować
- GAS
- ogólnie
- Generować
- generujący
- generacja
- Pokoleń
- Globalne
- cel
- dobry
- GP
- bardzo
- Krata
- mający
- wysokość
- pomoc
- Ukryj
- Wysoki
- wyższy
- W jaki sposób
- Jednak
- HTTPS
- olbrzymi
- obraz
- Rezultat
- realizowane
- znaczenie
- ważny
- poprawy
- Zwiększać
- wzrastający
- coraz bardziej
- przemysł
- wpływ
- Informacja
- informacyjny
- poinformowany
- wkład
- wgląd
- spostrzeżenia
- inspirowane
- odsetki
- badać
- IT
- znany
- duży
- prowadzący
- Wyprowadzenia
- nauka
- poziom
- Ograniczony
- Linia
- mało
- poszukuje
- maszyna
- uczenie maszynowe
- zarządzane
- kierownik
- sposób
- produkcja
- matematyczny
- znaczy
- metody
- Metryka
- może
- minimum
- ML
- model
- modele
- monitor
- jeszcze
- większość
- motorsport
- wielokrotność
- Naturalny
- numer
- uzyskane
- optymalizacja
- Optymalizacja
- optymalny
- Opcje
- zamówienie
- Inne
- część
- szczególny
- szczególnie
- jest gwarancją najlepszej jakości, które mogą dostarczyć Ci Twoje monitory,
- Przemysł farmaceutyczny
- Fizyka
- gra
- zwrotnica
- basen
- możliwy
- mocny
- przewidzieć
- przepowiednia
- Przewidywania
- teraźniejszość
- poprzedni
- Problem
- wygląda tak
- produkować
- profesjonalny
- projekt
- obiecujący
- zaproponować
- zaproponowane
- zapewniać
- zapewnia
- cel
- Bridgestone
- dosięgnąć
- rekord
- zmniejszyć
- redukcja
- regularny
- Regulacja
- związek
- pozostały
- reprezentacja
- reprodukcja
- wymagać
- wymagany
- Wymaga
- Zasoby
- odpowiedź
- Efekt
- powrót
- okrągły
- run
- bieganie
- nauka
- Naukowiec
- Szukaj
- wybrany
- Serie
- Usługi
- zestaw
- ustawienie
- shared
- pokazane
- podobny
- Prosty
- symulacja
- umiejętności
- mały
- So
- rozwiązanie
- Rozwiązania
- ROZWIĄZANIA
- Typ przestrzeni
- wyspecjalizowanym
- prędkość
- Sport
- SPORTOWE
- rozpiętość
- STAGE
- etapy
- standard
- rozpoczęty
- historie
- strategie
- Strategia
- badania naukowe
- Badanie
- przełożony
- Powierzchnia
- cel
- zespół
- Techniczny
- Techniki
- test
- Testowanie
- Testy
- świat
- w związku z tym
- Przez
- poprzez
- czas
- czasochłonne
- czasy
- Opony
- razem
- narzędzia
- Kontakt
- w kierunku
- śledzić
- tradycyjny
- odkryć
- zrozumieć
- us
- posługiwać się
- uprawomocnienie
- wartość
- Pojazdy
- Wirtualny
- Co
- Wikipedia
- wiatr
- bez
- pracował
- działa
- świat
- by
- lat