FÓRMULA 1 (F1) Os carros são os veículos de corrida de pista regulamentados mais rápidos do mundo. Embora esses automóveis de rodas abertas sejam apenas 20 a 30 quilômetros (ou 12 a 18 milhas) por hora mais rápidos do que os carros esportivos de primeira linha, eles podem acelerar nas curvas até cinco vezes mais rápido devido à poderosa aerodinâmica downforce que eles criam. Força descendente é a força vertical gerada pelas superfícies aerodinâmicas que pressiona o carro em direção à estrada, aumentando a aderência dos pneus. Os aerodinamicistas da F1 também devem monitorar a resistência do ar ou arrasto, que limita a velocidade em linha reta.
A equipe de engenharia da F1 é responsável por projetar a próxima geração de carros de F1 e elaborar o regulamento técnico para o esporte. Nos últimos 3 anos, eles foram encarregados de projetar um carro que mantenha os altos níveis atuais de downforce e velocidades de pico, mas também não seja afetado negativamente por dirigir atrás de outro carro. Isso é importante porque a geração anterior de carros pode perder até 50% de sua força descendente ao correr logo atrás de outro carro devido à esteira turbulenta gerada pelas asas e pela carroceria.
Em vez de depender de testes demorados e caros em pista ou túnel de vento, a F1 usa a Dinâmica de Fluidos Computacional (CFD), que fornece um ambiente virtual para estudar o fluxo de fluidos (neste caso, o ar ao redor do carro de F1) sem nunca ter que fabricar uma única peça. Com o CFD, os aerodinamicistas da F1 testam diferentes conceitos de geometria, avaliam seu impacto aerodinâmico e otimizam iterativamente seus projetos. Nos últimos 3 anos, a equipe de engenharia da F1 colaborou com a AWS para configurar um fluxo de trabalho de CFD escalável e econômico que triplicou o rendimento das execuções de CFD e reduziu o tempo de retorno por execução pela metade.
A F1 está analisando os serviços de machine learning (ML) da AWS, como Amazon Sage Maker para ajudar a otimizar o design e o desempenho do carro usando os dados de simulação CFD para construir modelos com insights adicionais. O objetivo é descobrir direções de projeto promissoras e reduzir o número de simulações de CFD, reduzindo assim o tempo necessário para convergir para projetos ideais.
Neste post, explicamos como a F1 colaborou com o Serviços Profissionais AWS equipe para desenvolver um fluxo de trabalho de Design de Experimentos (DoE) sob medida, desenvolvido pelo ML, para aconselhar os aerodinamicistas da F1 sobre quais conceitos de design testar em CFD para maximizar o aprendizado e o desempenho.
Declaração do problema
Ao explorar novos conceitos aerodinâmicos, os aerodinamicistas da F1 às vezes empregam um processo chamado Design of Experiments (DoE). Este processo estuda sistematicamente a relação entre múltiplos fatores. No caso de uma asa traseira, isso pode ser corda, envergadura ou curvatura da asa, com relação a métricas aerodinâmicas, como força descendente ou arrasto. O objetivo de um processo DoE é amostrar eficientemente o espaço de projeto e minimizar o número de candidatos testados antes de convergir para um resultado ideal. Isso é alcançado alterando iterativamente vários fatores de projeto, medindo a resposta aerodinâmica, estudando o impacto e a relação entre os fatores e, em seguida, continuando os testes na direção mais otimizada ou informativa. Na figura a seguir, apresentamos um exemplo de geometria de asa traseira que a F1 gentilmente compartilhou conosco de sua linha de base UNIFORM. Quatro parâmetros de projeto que os aerodinamicistas da F1 poderiam investigar em uma rotina DoE são rotulados.
Neste projeto, a F1 trabalhou com o AWS Professional Services para investigar o uso de ML para aprimorar as rotinas do DoE. Os métodos tradicionais de DoE exigem um espaço de projeto bem preenchido para entender a relação entre os parâmetros de projeto e, portanto, dependem de um grande número de simulações CFD iniciais. Os modelos de regressão ML podem usar os resultados de simulações CFD anteriores para prever a resposta aerodinâmica com base no conjunto de parâmetros de projeto, bem como fornecer uma indicação da importância relativa de cada variável de projeto. Você pode usar esses insights para prever projetos ideais e ajudar os designers a convergir para soluções ideais com menos simulações de CFD iniciais. Em segundo lugar, você pode usar técnicas de ciência de dados para entender quais regiões no espaço de design não foram exploradas e potencialmente ocultar designs ideais.
Para ilustrar o fluxo de trabalho personalizado do DoE com ML, apresentamos um exemplo real de projeto de uma asa dianteira.
Projetando uma asa dianteira
Os carros de F1 dependem de asas como as asas dianteiras e traseiras para gerar a maior parte de sua força descendente, à qual nos referimos ao longo deste exemplo pelo coeficiente º. Ao longo deste exemplo, os valores de downforce foram normalizados. Neste exemplo, os aerodinamicistas da F1 usaram seus conhecimentos de domínio para parametrizar a geometria da asa da seguinte forma (consulte a figura a seguir para uma representação visual):
- LE-Altura - Altura da borda de ataque
- Mín-Z - Distância mínima ao solo
- Ângulo LE médio – Ângulo de ataque do terceiro elemento
- Ângulo TE – Ângulo da borda de fuga
- TE-Altura – Altura do bordo de fuga
Essa geometria da asa dianteira foi compartilhada pela F1 e faz parte da linha de base UNIFORM.
Esses parâmetros foram selecionados porque são suficientes para descrever os principais aspectos da geometria de forma eficiente e porque no passado, o desempenho aerodinâmico mostrou notável sensibilidade com relação a esses parâmetros. O objetivo desta rotina DoE era encontrar a combinação dos cinco parâmetros de projeto que maximizariam a força aerodinâmicaCz). A liberdade de projeto também é limitada pela definição de valores máximos e mínimos para os parâmetros de projeto, conforme mostrado na tabela a seguir.
. | Mínimo | Máximo |
TE-Altura | 250.0 | 300.0 |
Ângulo TE | 145.0 | 165.0 |
Ângulo LE médio | 160.0 | 170.0 |
Mín-Z | 5.0 | 50.0 |
LE-Altura | 100.0 | 150.0 |
Tendo estabelecido os parâmetros de projeto, a métrica de saída de destino e os limites do nosso espaço de projeto, temos tudo o que precisamos para começar com a rotina DoE. Um diagrama de fluxo de trabalho de nossa solução é apresentado na imagem a seguir. Na seção a seguir, mergulhamos profundamente nos diferentes estágios.
Amostragem inicial do espaço de design
A primeira etapa do fluxo de trabalho do DoE é executar no CFD um conjunto inicial de candidatos que amostram eficientemente o espaço de design e nos permitem construir o primeiro conjunto de modelos de regressão ML para estudar a influência de cada recurso. Primeiro, geramos um pool de N amostras utilização Amostragem de hipercubo latino (LHS) ou um método de grade regular. Em seguida, selecionamos k candidatos a testar em CFD por meio de um algoritmo de entradas gulosos, que visa maximizar a exploração do espaço de projeto. Começando com um candidato de linha de base (o design atual), selecionamos iterativamente os candidatos mais distantes de todos os candidatos testados anteriormente. Suponha que já testamos k desenhos; para os demais candidatos ao projeto, encontramos a distância mínima d em relação ao testado k projetos:
O algoritmo de entradas gulosas seleciona o candidato que maximiza a distância no espaço de características para os candidatos testados anteriormente:
Neste DoE, selecionamos três candidatos gananciosos de entrada e executamos aqueles em CFD para avaliar sua força aerodinâmica (Cz). Os candidatos a entradas gulosas exploram os limites do espaço de projeto e, nesta fase, nenhum deles se mostrou superior ao candidato de linha de base em termos de força aerodinâmica.Cz). Os resultados desta rodada inicial de testes CFD juntamente com os parâmetros de projeto são exibidos na tabela a seguir.
. | TE-Altura | Ângulo TE | Ângulo LE médio | Mín-Z | LE-Altura | Cz normalizado |
Linha de Base | 292.25 | 154.86 | 166 | 5 | 130 | 0.975 |
IG 0 | 250 | 165 | 160 | 50 | 100 | 0.795 |
IG 1 | 300 | 145 | 170 | 50 | 100 | 0.909 |
IG 2 | 250 | 145 | 170 | 5 | 100 | 0.847 |
Modelos iniciais de regressão de ML
O objetivo do modelo de regressão é prever Cz para qualquer combinação dos cinco parâmetros de projeto. Com um conjunto de dados tão pequeno, priorizamos modelos simples, aplicamos a regularização do modelo para evitar overfitting e combinamos as previsões de diferentes modelos sempre que possível. Os seguintes modelos de ML foram construídos:
- Mínimos quadrados ordinários (OLS)
- Suporte a regressão vetorial (SVM) com um kernel RBF
- Regressão de processo gaussiana (GP) com um kernel Matérn
- XGBoostName
Além disso, foi construído um modelo empilhado de dois níveis, onde as previsões dos modelos GP, SVM e XGBoost são assimiladas por um algoritmo Lasso para produzir a resposta final. Este modelo é referido ao longo deste post como o modelo empilhado. Para classificar as capacidades preditivas dos cinco modelos que descrevemos, uma rotina repetida de validação cruzada k-fold foi implementada.
Gerando o próximo candidato de design para testar em CFD
Selecionar qual candidato testar em seguida requer uma consideração cuidadosa. O aerodinamicista da F1 deve equilibrar o benefício de explorar as opções previstas pelo modelo ML para fornecer alta força descendente com o custo de não explorar regiões desconhecidas do espaço de projeto, o que pode fornecer força descendente ainda maior. Por isso, nesta rotina do DoE, propomos três candidatos: um orientado ao desempenho e dois orientados à exploração. O objetivo dos candidatos orientados à exploração também é fornecer pontos de dados adicionais ao algoritmo de ML em regiões do espaço de projeto onde a incerteza em torno da previsão é maior. Isso, por sua vez, leva a previsões mais precisas na próxima rodada de iteração do projeto.
Otimização de algoritmo genético para maximizar o downforce
Para obter o candidato com o maior downforce aerodinâmico esperado, poderíamos executar uma previsão sobre todos os possíveis candidatos ao projeto. No entanto, isso não seria eficiente. Para este problema de otimização, usamos um algoritmo genético (AG). O objetivo é pesquisar eficientemente em um enorme espaço de solução (obtido por meio da previsão de ML de Cz) e retornar o candidato mais ideal. AGs são vantajosos quando o espaço de solução é complexo e não convexo, de modo que métodos clássicos de otimização, como gradiente descendente, são meios ineficazes para encontrar uma solução global. AG é um subconjunto de algoritmos evolucionários e inspirado em conceitos de seleção natural, cruzamento genético e mutação para resolver o problema de busca. Ao longo de uma série de iterações (conhecidas como gerações), os melhores candidatos de um conjunto de candidatos de design inicialmente selecionados aleatoriamente são combinados (de forma semelhante à reprodução). Eventualmente, esse mecanismo permite que você encontre os candidatos mais ideais de maneira eficiente. Para obter mais informações sobre GAs, consulte Usando algoritmos genéticos na AWS para problemas de otimização.
Gerando candidatos orientados à exploração
Ao gerar o que chamamos de candidatos orientados à exploração, uma boa estratégia de amostragem deve ser capaz de se adaptar a uma situação de esparsidade do efeito, onde apenas um subconjunto dos parâmetros afeta significativamente a solução. Portanto, a estratégia de amostragem deve espalhar os candidatos pelo espaço de design de entrada, mas também evitar execuções de CFD desnecessárias, alterando variáveis que têm pouco efeito sobre o desempenho. A estratégia de amostragem deve levar em conta a superfície de resposta prevista pelo regressor ML. Duas estratégias de amostragem foram empregadas para obter candidatos orientados à exploração.
No caso de Regressores de Processo Gaussianos (GP), o desvio padrão da superfície de resposta prevista pode ser usada como uma indicação da incerteza do modelo. A estratégia de amostragem consiste em selecionar fora do conjunto de N amostras , o candidato que maximiza . Ao fazer isso, estamos amostrando na região do espaço de design onde o regressor está menos confiante sobre sua previsão. Em termos matemáticos, selecionamos o candidato que satisfaz a seguinte equação:
Alternativamente, empregamos uma estratégia de amostragem gulosa de entradas e saídas, que maximiza tanto as distâncias no espaço de características quanto no espaço de resposta entre o candidato proposto e os projetos já testados. Isso aborda o esparsidade do efeito situação porque os candidatos que modificam um parâmetro de projeto de pouca relevância têm uma resposta semelhante e, portanto, as distâncias na superfície de resposta são mínimas. Em termos matemáticos, selecionamos o candidato que satisfaz a seguinte equação, onde a função f é o modelo de regressão ML:
Seleção de candidatos, teste de CFD e loop de otimização
Nesse estágio, o usuário é apresentado a candidatos orientados ao desempenho e à exploração. A próxima etapa consiste em selecionar um subconjunto dos candidatos propostos, executar simulações CFD com esses parâmetros de projeto e registrar a resposta aerodinâmica da força descendente.
Depois disso, o fluxo de trabalho do DoE treina novamente os modelos de regressão de ML, executa a otimização do algoritmo genético e propõe um novo conjunto de candidatos orientados por desempenho e por exploração. O usuário executa um subconjunto dos candidatos propostos e continua iterando dessa maneira até que os critérios de parada sejam atendidos. O critério de parada geralmente é atendido quando um candidato considerado ótimo é obtido.
Resultados
Na figura a seguir, registramos a força descendente aerodinâmica normalizada (Cz) da simulação CFD (azul) e o previsto de antemão usando o modelo de regressão ML de escolha (rosa) para cada iteração do fluxo de trabalho DoE. O objetivo era maximizar o downforce aerodinâmico (Cz). As primeiras quatro execuções (à esquerda da linha vermelha) foram a linha de base e os três candidatos gulosos de entrada descritos anteriormente. A partir daí, uma combinação de candidatos orientados ao desempenho e à exploração foi testada. Em particular, os candidatos nas iterações 6 e 8 eram candidatos exploratórios, ambos apresentando níveis mais baixos de downforce do que o candidato de linha de base (iteração 1). Como esperado, à medida que registramos mais candidatos, a previsão de ML tornou-se cada vez mais precisa, conforme denotado pela diminuição da distância entre o previsto e o real º. Na iteração 9, o fluxo de trabalho do DoE conseguiu encontrar um candidato com desempenho semelhante à linha de base e, na iteração 12, o fluxo de trabalho do DoE foi concluído quando o candidato orientado ao desempenho ultrapassou a linha de base.
Os parâmetros finais do projeto, juntamente com o valor de downforce normalizado resultante, são apresentados na tabela a seguir. O nível de downforce normalizado para o candidato de linha de base foi de 0.975, enquanto o candidato ideal para o fluxo de trabalho DoE registrou um nível de downforce normalizado de 1.000. Este é um importante aumento relativo de 2.5%.
Por contexto, uma abordagem tradicional de DoE com cinco variáveis exigiria 25 simulações iniciais de CFD antes de obter um ajuste bom o suficiente para prever um ótimo. Por outro lado, esta abordagem de aprendizagem ativa convergiu para um ótimo em 12 iterações.
. | TE-Altura | Ângulo TE | Ângulo LE médio | Mín-Z | LE-Altura | Cz normalizado |
Linha de Base | 292.25 | 154.86 | 166 | 5 | 130 | 0.975 |
Optimal | 299.97 | 156.79 | 166.27 | 5.01 | 135.26 | 1.000 |
Importância do recurso
Compreender a importância relativa do recurso para um modelo preditivo pode fornecer uma visão útil dos dados. Ele pode ajudar na seleção de recursos com a remoção de variáveis menos importantes, reduzindo assim a dimensionalidade do problema e potencialmente melhorando os poderes preditivos do modelo de regressão, particularmente no regime de dados pequenos. Neste problema de projeto, ele fornece aos aerodinamicistas da F1 uma visão sobre quais variáveis são as mais sensíveis e, portanto, requerem um ajuste mais cuidadoso.
Nesta rotina, implementamos uma técnica agnóstica de modelo chamada importância da permutação. A importância relativa de cada variável é medida calculando o aumento no erro de previsão do modelo após embaralhar aleatoriamente os valores para essa variável sozinha. Se um recurso é importante para o modelo, o erro de previsão aumenta muito e vice-versa para recursos menos importantes. Na figura a seguir, apresentamos a importância da permutação para um Regressor de Processo Gaussiano (GP) que prediz a força descendente aerodinâmica (Cz). A altura do bordo de fuga (TE-Height) foi considerada a mais importante.
Conclusão
Neste post, explicamos como os aerodinamicistas da F1 estão usando modelos de regressão ML em fluxos de trabalho DoE ao projetar novas geometrias aerodinâmicas. O fluxo de trabalho DoE com tecnologia de ML desenvolvido pela AWS Professional Services fornece informações sobre quais parâmetros de design maximizarão o desempenho ou explorarão regiões desconhecidas no espaço de design. Ao contrário de testar iterativamente candidatos em CFD em uma forma de pesquisa de grade, o fluxo de trabalho DoE alimentado por ML é capaz de convergir para parâmetros de projeto ideais em menos iterações. Isso economiza tempo e recursos porque são necessárias menos simulações de CFD.
Seja você uma empresa farmacêutica que busca acelerar a otimização da composição química ou uma empresa de manufatura que busca encontrar as dimensões de projeto para os projetos mais robustos, os fluxos de trabalho DoE podem ajudar a alcançar os candidatos ideais com mais eficiência. O AWS Professional Services está pronto para complementar sua equipe com habilidades e experiência de ML especializadas para desenvolver as ferramentas para otimizar os fluxos de trabalho do DoE e ajudá-lo a obter melhores resultados de negócios. Para mais informações, veja Serviços Profissionais AWS, ou entre em contato com seu gerente de conta.
Sobre os autores
Pablo Hermoso Moreno é um cientista de dados na equipe de serviços profissionais da AWS. Ele trabalha com clientes em todos os setores usando Machine Learning para contar histórias com dados e alcançar decisões de engenharia mais informadas com mais rapidez. A formação de Pablo é em Engenharia Aeroespacial e, tendo trabalhado na indústria de automobilismo, ele tem interesse em unir física e experiência de domínio com ML. Nas horas vagas, gosta de remar e tocar violão.
- Coinsmart. A melhor troca de Bitcoin e criptografia da Europa.
- Platoblockchain. Inteligência Metaverso Web3. Conhecimento Ampliado. ACESSO LIVRE.
- CryptoHawk. Radar Altcoin. Teste grátis.
- Fonte: https://aws.amazon.com/blogs/machine-learning/optimize-f1-aerodynamic-geometries-via-design-of-experiments-and-machine-learning/
- "
- 000
- 100
- 28
- 9
- Sobre
- Conta
- preciso
- Alcançar
- alcançado
- em
- ativo
- Adição
- Adicional
- Indústria aeroespacial
- algoritmo
- algoritmos
- Todos os Produtos
- já
- Apesar
- Amazon
- Outro
- abordagem
- por aí
- AWS
- fundo
- Linha de Base
- antes
- ser
- beneficiar
- MELHOR
- construir
- negócio
- candidato
- candidatos
- capacidades
- carro
- carros
- carregar
- químico
- escolha
- clientes
- combinação
- combinado
- Empresa
- integrações
- confiante
- consideração
- continua
- Convergem
- poderia
- crio
- Atual
- dados,
- ciência de dados
- cientista de dados
- decisões
- descreve
- descrito
- Design
- concepção
- projetos
- desenvolver
- desenvolvido
- diferente
- distância
- domínio
- condução
- dinâmica
- borda
- efeito
- eficiente
- eficientemente
- Engenharia
- Meio Ambiente
- estabelecido
- exemplo
- esperado
- vasta experiência
- experiência
- exploração
- explorar
- fatores
- Moda
- RÁPIDO
- mais rápido
- Característica
- Funcionalidades
- Figura
- Primeiro nome
- caber
- fluxo
- seguinte
- segue
- Freedom
- frente
- função
- GAS
- geralmente
- gerar
- gerando
- geração
- Gerações
- Global
- meta
- Bom estado, com sinais de uso
- GP
- grandemente
- Grade
- ter
- altura
- ajudar
- Esconder
- Alta
- superior
- Como funciona o dobrador de carta de canal
- Contudo
- HTTPS
- enorme
- imagem
- Impacto
- implementado
- importância
- importante
- melhorar
- Crescimento
- aumentando
- cada vez mais
- indústria
- influência
- INFORMAÇÕES
- informativo
- informado
- entrada
- introspecção
- insights
- inspirado
- interesse
- investigar
- IT
- conhecido
- grande
- principal
- Leads
- aprendizagem
- Nível
- Limitado
- Line
- pequeno
- procurando
- máquina
- aprendizado de máquina
- gerenciados
- Gerente
- maneira
- fabrica
- matemático
- significa
- métodos
- Métrica
- poder
- mínimo
- ML
- modelo
- modelos
- Monitore
- mais
- a maioria
- motorsport
- múltiplo
- natural
- número
- obtido
- otimização
- Otimize
- ótimo
- Opções
- ordem
- Outros
- parte
- particular
- particularmente
- atuação
- Farmacêutica
- Física
- jogar
- pontos
- piscina
- possível
- poderoso
- predizer
- predição
- Previsões
- presente
- anterior
- Problema
- processo
- produzir
- profissional
- projeto
- promissor
- oferece
- proposto
- fornecer
- fornece
- propósito
- corrida
- alcançar
- registro
- reduzir
- redução
- regular
- Regulamento
- relacionamento
- remanescente
- representação
- reprodução
- requerer
- requeridos
- exige
- Recursos
- resposta
- Resultados
- retorno
- volta
- Execute
- corrida
- Ciência
- Cientista
- Pesquisar
- selecionado
- Série
- Serviços
- conjunto
- contexto
- compartilhado
- mostrando
- semelhante
- simples
- simulação
- Habilidades
- pequeno
- So
- solução
- Soluções
- RESOLVER
- Espaço
- especializado
- velocidade
- Desporto
- Esportes
- propagação
- Etapa
- Estágio
- padrão
- começado
- Histórias
- estratégias
- Estratégia
- caso
- Estudo
- topo
- superfície
- Target
- Profissionais
- Dados Técnicos:
- técnicas
- teste
- ensaio
- testes
- o mundo
- assim sendo
- Através da
- todo
- tempo
- demorado
- vezes
- pneus
- juntos
- ferramentas
- tocar
- para
- pista
- tradicional
- descobrir
- compreender
- us
- usar
- validação
- valor
- Veículos
- Virtual
- O Quê
- Wikipedia
- vento
- sem
- trabalhou
- trabalho
- mundo
- seria
- anos