FORMULA 1 (F1) mașinile sunt cele mai rapide vehicule de curse reglementate din lume. Deși aceste automobile cu roți deschise sunt cu doar 20–30 de kilometri (sau 12–18 mile) pe oră mai rapide decât mașinile sport de vârf, pot accelera în viraje de până la cinci ori mai repede datorită aerodinamicii puternice. forța aerodinamică pe care o creează. downforce este forța verticală generată de suprafețele aerodinamice care apasă mașina spre șosea, crescând aderența de la cauciucuri. Aerodinamiștii F1 trebuie să monitorizeze și rezistența aerului sau rezistența, care limitează viteza în linie dreaptă.
Echipa de ingineri de F1 este responsabilă de proiectarea următoarei generații de mașini de F1 și de elaborarea regulamentului tehnic pentru acest sport. În ultimii 3 ani, ei au fost însărcinați cu proiectarea unei mașini care să mențină nivelurile ridicate actuale de forță aerodinamică și viteze de vârf, dar care să nu fie afectate negativ de conducerea în spatele unei alte mașini. Acest lucru este important pentru că generația anterioară de mașini poate pierde până la 50% din forța aerodinamică atunci când concurează aproape în spatele unei alte mașini, din cauza mersului turbulent generat de aripi și caroserie.
În loc să se bazeze pe teste consumatoare de timp și costisitoare pe pistă sau tunelul de vânt, F1 utilizează Computational Fluid Dynamics (CFD), care oferă un mediu virtual pentru a studia fluxul de fluide (în acest caz, aerul din jurul mașinii de F1) fără a fi nevoie vreodată fabricarea unei singure piese. Cu CFD, aerodinamiștii F1 testează diferite concepte de geometrie, evaluează impactul lor aerodinamic și își optimizează iterativ designul. În ultimii 3 ani, echipa de inginerie F1 a colaborat cu AWS pentru a înființa un flux de lucru CFD scalabil și rentabil care a triplat debitul de rulări CFD și a redus la jumătate timpul de rulare pe rulare.
F1 se află în proces de investigare a serviciilor de învățare automată (ML) AWS, cum ar fi Amazon SageMaker pentru a ajuta la optimizarea designului și a performanței mașinii prin utilizarea datelor de simulare CFD pentru a construi modele cu informații suplimentare. Scopul este de a descoperi direcții de proiectare promițătoare și de a reduce numărul de simulări CFD, reducând astfel timpul necesar pentru a converge către proiectele optime.
În această postare, explicăm modul în care F1 a colaborat cu Servicii profesionale AWS echipă să dezvolte un flux de lucru personalizat de Design of Experiments (DoE) alimentat de ML, pentru a-i sfătui pe aerodinamiștii F1 cu privire la conceptele de proiectare pe care să le testeze în CFD pentru a maximiza învățarea și performanța.
Declarație problemă
Când explorează noi concepte aerodinamice, aerodinamiștii F1 folosesc uneori un proces numit Design of Experiments (DoE). Acest proces studiază sistematic relația dintre factorii multipli. În cazul unei aripi din spate, aceasta ar putea fi coardă, deschidere sau camber, în ceea ce privește metrica aerodinamică, cum ar fi forța aerodinamică sau rezistența. Scopul unui proces DoE este de a eșantiona eficient spațiul de proiectare și de a minimiza numărul de candidați testați înainte de a converge către un rezultat optim. Acest lucru se realizează prin modificarea iterativă a mai multor factori de proiectare, măsurarea răspunsului aerodinamic, studierea impactului și relația dintre factori și apoi continuând testarea în direcția cea mai optimă sau informativă. În figura următoare, prezentăm un exemplu de geometrie a aripii spate pe care F1 ni l-a împărtășit cu amabilitate de la linia de bază UNIFORMĂ. Sunt etichetați patru parametri de proiectare pe care aerodinamiștii F1 i-ar putea investiga într-o rutină DoE.
În acest proiect, F1 a colaborat cu AWS Professional Services pentru a investiga utilizarea ML pentru a îmbunătăți rutinele DoE. Metodele DoE tradiționale necesită un spațiu de proiectare bine populat pentru a înțelege relația dintre parametrii de proiectare și, prin urmare, se bazează pe un număr mare de simulări CFD inițiale. Modelele de regresie ML ar putea folosi rezultatele din simulările CFD anterioare pentru a prezice răspunsul aerodinamic dat fiind setul de parametri de proiectare, precum și pentru a vă oferi o indicație a importanței relative a fiecărei variabile de proiectare. Puteți folosi aceste informații pentru a prezice proiecte optime și pentru a ajuta proiectanții să converge către soluții optime cu mai puține simulări CFD inițiale. În al doilea rând, puteți utiliza tehnici de știință a datelor pentru a înțelege care regiuni din spațiul de proiectare nu au fost explorate și ar putea ascunde modelele optime.
Pentru a ilustra fluxul de lucru DoE bazat pe ML, parcurgem un exemplu real de proiectare a unei aripi frontale.
Proiectarea unei aripi din față
Mașinile de F1 se bazează pe aripi precum aripile din față și din spate pentru a genera cea mai mare parte a forței aerodinamice, la care ne referim în acest exemplu prin coeficient Cz. Pe parcursul acestui exemplu, valorile forței de apăsare au fost normalizate. În acest exemplu, aerodinamiștii F1 și-au folosit expertiza în domeniu pentru a parametriza geometria aripii după cum urmează (consultați figura următoare pentru o reprezentare vizuală):
- LE-Înălțime – Înălțimea marginii anterioare
- Min-Z - Garda minima la sol
- Mijloc-LE-unghi – Unghiul marginii anterioare al celui de-al treilea element
- TE-unghi – Unghiul marginii de fugă
- TE-Înălțime – Înălțimea marginii de fugă
Această geometrie a aripii față a fost împărtășită de F1 și face parte din linia de bază UNIFORM.
Acești parametri au fost selectați pentru că sunt suficienți pentru a descrie în mod eficient principalele aspecte ale geometriei și pentru că în trecut, performanța aerodinamică a demonstrat o sensibilitate notabilă față de acești parametri. Scopul acestei rutine DoE a fost de a găsi combinația celor cinci parametri de proiectare care ar maximiza forța aerodinamică aerodinamică (Cz). Libertatea de proiectare este, de asemenea, limitată prin setarea valorilor maxime și minime la parametrii de proiectare, așa cum se arată în tabelul următor.
. | Minim | Maxim |
TE-Înălțime | 250.0 | 300.0 |
TE-unghi | 145.0 | 165.0 |
Mijloc-LE-unghi | 160.0 | 170.0 |
Min-Z | 5.0 | 50.0 |
LE-Înălțime | 100.0 | 150.0 |
După ce am stabilit parametrii de proiectare, metrica de ieșire țintă și limitele spațiului nostru de proiectare, avem tot ce ne trebuie pentru a începe cu rutina DoE. O diagramă a fluxului de lucru a soluției noastre este prezentată în imaginea următoare. În secțiunea următoare, ne scufundăm adânc în diferitele etape.
Eșantionarea inițială a spațiului de proiectare
Primul pas al fluxului de lucru DoE este să rulăm în CFD un set inițial de candidați care eșantionează eficient spațiul de proiectare și ne permit să construim primul set de modele de regresie ML pentru a studia influența fiecărei caracteristici. În primul rând, generăm un pool de N probe folosind Eșantionarea hipercubului latin (LHS) sau o metodă de grilă obișnuită. Apoi, selectăm k candidații să testeze în CFD prin intermediul unui algoritm de intrări greedy, care își propune să maximizeze explorarea spațiului de proiectare. Începând cu un candidat de bază (designul actual), selectăm în mod iterativ candidații cei mai îndepărtați de toți candidații testați anterior. Să presupunem că am testat deja k desene; pentru candidații de proiect rămași, găsim distanța minimă d cu privire la testat k modele:
Algoritmul de intrări greedy selectează candidatul care maximizează distanța din spațiul de caracteristici față de candidații testați anterior:
În acest DoE, am selectat trei candidați lacomi de intrare și le-am rulat în CFD pentru a le evalua forța aerodinamică (Cz). Candidații lacomi de intrare explorează limitele spațiului de proiectare și, în această etapă, niciunul dintre ei nu s-a dovedit superior candidatului de bază în ceea ce privește forța aerodinamică aerodinamică (Cz). Rezultatele acestei runde inițiale de testare CFD împreună cu parametrii de proiectare sunt afișate în tabelul următor.
. | TE-Înălțime | TE-unghi | Mijloc-LE-unghi | Min-Z | LE-Înălțime | Cz normalizat |
De bază | 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 |
Modele inițiale de regresie ML
Scopul modelului de regresie este de a prezice Cz pentru orice combinație a celor cinci parametri de proiectare. Cu un set de date atât de mic, am prioritizat modelele simple, am aplicat regularizarea modelului pentru a evita supraadaptarea și am combinat predicțiile diferitelor modele acolo unde este posibil. Au fost construite următoarele modele ML:
- Cele mai mici pătrate obișnuite (OLS)
- Acceptă regresia vectorială (SVM) cu un nucleu RBF
- Regresia procesului gaussian (GP) cu un nucleu Matérn
- XGBoost
În plus, a fost construit un model stivuit pe două niveluri, în care predicțiile modelelor GP, SVM și XGBoost sunt asimilate de un algoritm Lasso pentru a produce răspunsul final. Acest model este denumit în această postare ca model stivuit. Pentru a clasifica capacitățile predictive ale celor cinci modele pe care le-am descris, a fost implementată o rutină repetată de validare încrucișată de k ori.
Generarea următorului candidat de design pentru testare în CFD
Selectarea candidatului pe care urmează să îl testeze necesită o analiză atentă. Aerodinamistul F1 trebuie să echilibreze beneficiul exploatării opțiunilor prezise de modelul ML pentru a oferi forță aerodinamică ridicată cu costul eșecului în explorarea regiunilor neexplorate ale spațiului de proiectare, ceea ce poate oferi o forță aerodinamică și mai mare. Din acest motiv, în această rutină DoE, propunem trei candidați: unul bazat pe performanță și doi bazați pe explorare. Scopul candidaților bazați pe explorare este, de asemenea, de a furniza puncte de date suplimentare algoritmului ML în regiunile spațiului de proiectare în care incertitudinea în jurul predicției este cea mai mare. Acest lucru duce, la rândul său, la predicții mai precise în următoarea rundă de iterare a designului.
Optimizarea algoritmului genetic pentru a maximiza forța aerodinamică
Pentru a obține candidatul cu cea mai mare forță aerodinamică așteptată, am putea rula o predicție pentru toți candidații de proiectare posibili. Totuși, acest lucru nu ar fi eficient. Pentru această problemă de optimizare, folosim un algoritm genetic (GA). Scopul este de a căuta eficient printr-un spațiu uriaș de soluții (obținut prin predicția ML a Cz) și returnați cel mai optim candidat. GA sunt avantajoase atunci când spațiul soluției este complex și neconvex, astfel încât metodele clasice de optimizare, cum ar fi coborârea gradientului, sunt un mijloc ineficient de a găsi o soluție globală. GA este un subset de algoritmi evolutivi și este inspirat de concepte de selecție naturală, încrucișare genetică și mutație pentru a rezolva problema de căutare. Pe parcursul unei serii de iterații (cunoscute ca generații), cei mai buni candidați ai unui set inițial aleatoriu de candidați de design sunt combinați (la fel ca reproducerea). În cele din urmă, acest mecanism vă permite să găsiți cei mai optimi candidați într-o manieră eficientă. Pentru mai multe informații despre GA, consultați Utilizarea algoritmilor genetici pe AWS pentru probleme de optimizare.
Generarea de candidați bazați pe explorare
În generarea a ceea ce numim candidați bazați pe explorare, o bună strategie de eșantionare trebuie să fie capabilă să se adapteze la o situație de efect raritatea, unde doar un subset al parametrilor afectează în mod semnificativ soluția. Prin urmare, strategia de eșantionare ar trebui să împartă candidații în spațiul de proiectare de intrare, dar și să evite rulările CFD inutile, modificând variabilele care au un efect redus asupra performanței. Strategia de eșantionare trebuie să țină cont de suprafața de răspuns prezisă de regresorul ML. Au fost utilizate două strategii de eșantionare pentru a obține candidați bazați pe explorare.
În cazul regresorilor de proces gaussien (GP), abaterea standard a suprafeței de răspuns prezise poate fi folosită ca un indiciu al incertitudinii modelului. Strategia de eșantionare constă în selectarea din grupul de N probe , candidatul care maximizează . Procedând astfel, eșantionăm în regiunea spațiului de proiectare în care regresorul este cel mai puțin încrezător în predicția sa. Din punct de vedere matematic, selectăm candidatul care satisface următoarea ecuație:
Alternativ, folosim o strategie de eșantionare lacomă a intrărilor și ieșirilor, care maximizează atât distanțele din spațiul de caracteristici, cât și din spațiul de răspuns dintre candidatul propus și proiectele deja testate. Aceasta abordează efect raritatea situație deoarece candidații care modifică un parametru de proiectare de mică relevanță au un răspuns similar și, prin urmare, distanțele din suprafața de răspuns sunt minime. În termeni matematici, selectăm candidatul care satisface următoarea ecuație, unde funcția f este modelul de regresie ML:
Selectarea candidaților, testarea CFD și bucla de optimizare
În această etapă, utilizatorului i se prezintă atât candidați bazați pe performanță, cât și candidați bazați pe explorare. Următorul pas constă în selectarea unui subset de candidați propuși, rularea simulărilor CFD cu acei parametri de proiectare și înregistrarea răspunsului aerodinamic la forța aerodinamică.
După aceasta, fluxul de lucru DoE reantrenează modelele de regresie ML, rulează optimizarea algoritmului genetic și propune un nou set de candidați bazați pe performanță și pe explorare. Utilizatorul rulează un subset al candidaților propuși și continuă să repete în acest mod până când criteriile de oprire sunt îndeplinite. Criteriile de oprire sunt în general îndeplinite atunci când se obține un candidat considerat optim.
REZULTATE
În figura următoare, înregistrăm forța aerodinamică normalizată (Cz) din simularea CFD (albastru) și cea prezisă în prealabil folosind modelul de regresie ML la alegere (roz) pentru fiecare iterație a fluxului de lucru DoE. Scopul a fost de a maximiza forța aerodinamică aerodinamică (Cz). Primele patru runde (în stânga liniei roșii) au fost linia de bază și cele trei candidați lacomi subliniați anterior. De aici încolo, a fost testată o combinație de candidați bazați pe performanță și pe cei bazați pe explorare. În special, candidații de la iterațiile 6 și 8 au fost candidați exploratori, ambii prezentând niveluri mai scăzute de forță aerodinamică decât candidatul de bază (iterația 1). Așa cum era de așteptat, pe măsură ce am înregistrat mai mulți candidați, predicția ML a devenit din ce în ce mai precisă, așa cum este indicată de distanța descrescătoare dintre cele prezise și cele reale. Cz. La iterația 9, fluxul de lucru DoE a reușit să găsească un candidat cu o performanță similară cu linia de bază, iar la iterația 12, fluxul de lucru DoE a fost încheiat când candidatul bazat pe performanță a depășit linia de bază.
Parametrii finali de proiectare împreună cu valoarea normalizată rezultantă a forței de apăsare sunt prezentați în tabelul următor. Nivelul normalizat de forță de apăsare pentru candidatul de bază a fost 0.975, în timp ce candidatul optim pentru fluxul de lucru DoE a înregistrat un nivel normalizat de forță de apăsare de 1.000. Aceasta este o creștere relativă importantă de 2.5%.
Pentru context, o abordare DoE tradițională cu cinci variabile ar necesita 25 de simulări CFD în avans înainte de a obține o potrivire suficient de bună pentru a prezice un optim. Pe de altă parte, această abordare de învățare activă a convergit la un optim în 12 iterații.
. | TE-Înălțime | TE-unghi | Mijloc-LE-unghi | Min-Z | LE-Înălțime | Cz normalizat |
De bază | 292.25 | 154.86 | 166 | 5 | 130 | 0.975 |
Optimal | 299.97 | 156.79 | 166.27 | 5.01 | 135.26 | 1.000 |
Importanța caracteristicii
Înțelegerea importanței relative a caracteristicilor pentru un model predictiv poate oferi o perspectivă utilă asupra datelor. Poate ajuta la selectarea caracteristicilor cu variabilele mai puțin importante fiind eliminate, reducând astfel dimensionalitatea problemei și potențial îmbunătățind puterile predictive ale modelului de regresie, în special în regimul de date mici. În această problemă de design, oferă aerodinamiștilor F1 o perspectivă asupra variabilelor care sunt cele mai sensibile și, prin urmare, necesită o reglare mai atentă.
În această rutină, am implementat o tehnică agnostică a modelului numită importanța permutării. Importanța relativă a fiecărei variabile este măsurată prin calcularea creșterii erorii de predicție a modelului după amestecarea aleatorie a valorilor doar pentru acea variabilă. Dacă o caracteristică este importantă pentru model, eroarea de predicție crește foarte mult și invers pentru caracteristicile mai puțin importante. În figura următoare, prezentăm importanța permutării pentru un regresor de proces Gaussian (GP) care prezice forța aerodinamică aerodinamică (Cz). Înălțimea marginii de fugă (TE-Height) a fost considerată cea mai importantă.
Concluzie
În această postare, am explicat modul în care aerodinamiștii F1 folosesc modele de regresie ML în fluxurile de lucru DoE atunci când proiectează geometrii aerodinamice noi. Fluxul de lucru DoE bazat pe ML dezvoltat de AWS Professional Services oferă informații despre parametrii de proiectare care vor maximiza performanța sau vor explora regiuni neexplorate din spațiul de proiectare. Spre deosebire de testarea iterativă a candidaților în CFD într-un mod de căutare în grilă, fluxul de lucru DoE alimentat de ML este capabil să convergă către parametrii optimi de proiectare în mai puține iterații. Acest lucru economisește atât timp, cât și resurse, deoarece sunt necesare mai puține simulări CFD.
Fie că sunteți o companie farmaceutică care dorește să accelereze optimizarea compoziției chimice sau o companie de producție care dorește să găsească dimensiunile de proiectare pentru cele mai robuste modele, fluxurile de lucru DoE vă pot ajuta să ajungeți mai eficient la candidații optimi. AWS Professional Services este gata să vă suplimenteze echipa cu abilități și experiență specializate ML, pentru a dezvolta instrumentele pentru a eficientiza fluxurile de lucru DoE și pentru a vă ajuta să obțineți rezultate mai bune în afaceri. Pentru mai multe informații, vezi Servicii profesionale AWS, sau contactați-vă prin intermediul managerului de cont pentru a lua legătura.
Despre Autori
Pablo Hermoso Moreno este Data Scientist în echipa AWS Professional Services. Lucrează cu clienți din diverse industrii folosind Machine Learning pentru a spune povești cu date și pentru a lua decizii de inginerie mai informate mai rapid. Antecedentele lui Pablo sunt în inginerie aerospațială și, după ce a lucrat în industria sporturilor cu motor, este interesat de a pune legătura între fizica și expertiza în domeniu cu ML. În timpul liber, îi place să cânte și să cânte la chitară.
- Coinsmart. Cel mai bun schimb de Bitcoin și Crypto din Europa.
- Platoblockchain. Web3 Metaverse Intelligence. Cunoștințe amplificate. ACCES LIBER.
- CryptoHawk. Radar Altcoin. Încercare gratuită.
- Sursa: https://aws.amazon.com/blogs/machine-learning/optimize-f1-aerodynamic-geometries-via-design-of-experiments-and-machine-learning/
- "
- 000
- 100
- 28
- 9
- Despre Noi
- Cont
- precis
- Obține
- realizat
- peste
- activ
- plus
- Suplimentar
- Industria aerospațială
- Algoritmul
- algoritmi
- TOATE
- deja
- Cu toate ca
- Amazon
- O alta
- abordare
- în jurul
- AWS
- fundal
- De bază
- înainte
- fiind
- beneficia
- CEL MAI BUN
- construi
- afaceri
- candidat
- candidaţilor
- capacități
- mașină
- masini
- taxă
- chimic
- alegere
- clientii
- combinaţie
- combinate
- companie
- complex
- încrezător
- considerare
- continuă
- converg
- ar putea
- crea
- Curent
- de date
- știința datelor
- om de știință de date
- Deciziile
- descrie
- descris
- Amenajări
- proiect
- modele
- dezvolta
- dezvoltat
- diferit
- distanţă
- domeniu
- conducere
- dinamică
- Margine
- efect
- eficient
- eficient
- Inginerie
- Mediu inconjurator
- stabilit
- exemplu
- de aşteptat
- experienţă
- expertiză
- explorare
- explora
- factori
- Modă
- FAST
- mai repede
- Caracteristică
- DESCRIERE
- Figura
- First
- potrivi
- debit
- următor
- urmează
- Libertate
- faţă
- funcţie
- GAS
- în general
- genera
- generator
- generaţie
- generații
- Caritate
- scop
- bine
- GP
- foarte mult
- Grilă
- având în
- înălțime
- ajutor
- Ascunde
- Înalt
- superior
- Cum
- Totuși
- HTTPS
- mare
- imagine
- Impactul
- implementat
- importanță
- important
- îmbunătățirea
- Crește
- crescând
- tot mai mult
- industrie
- influență
- informații
- informativ
- informat
- intrare
- înţelegere
- perspective
- inspirat
- interes
- investiga
- IT
- cunoscut
- mare
- conducere
- Conduce
- învăţare
- Nivel
- Limitat
- Linie
- mic
- cautati
- maşină
- masina de învățare
- gestionate
- manager
- manieră
- de fabricaţie
- matematic
- mijloace
- Metode
- Metrici
- ar putea
- minim
- ML
- model
- Modele
- monitor
- mai mult
- cele mai multe
- sporturile cu motor
- multiplu
- Natural
- număr
- obținut
- optimizare
- Optimizați
- optim
- Opţiuni
- comandă
- Altele
- parte
- special
- în special
- performanță
- Farmaceutic
- Fizică
- joc
- puncte
- piscină
- posibil
- puternic
- prezice
- prezicere
- Predictii
- prezenta
- precedent
- Problemă
- proces
- produce
- profesional
- proiect
- promițător
- propune
- propus
- furniza
- furnizează
- scop
- curse
- ajunge
- record
- reduce
- reducerea
- regulat
- Regulament
- relaţie
- rămas
- reprezentare
- reproducere
- necesita
- necesar
- Necesită
- Resurse
- răspuns
- REZULTATE
- reveni
- rotund
- Alerga
- funcţionare
- Ştiinţă
- Om de stiinta
- Caută
- selectate
- serie
- Servicii
- set
- instalare
- comun
- indicat
- asemănător
- simplu
- simulare
- aptitudini
- mic
- So
- soluţie
- soluţii
- REZOLVAREA
- Spaţiu
- de specialitate
- viteză
- sportiv
- Sportul
- răspândire
- Etapă
- Stadiile
- standard
- început
- Istorii
- strategii
- Strategie
- studiu
- Studiu
- superior
- Suprafață
- Ţintă
- echipă
- Tehnic
- tehnici de
- test
- Testarea
- teste
- lumea
- prin urmare
- Prin
- de-a lungul
- timp
- consumă timp
- ori
- anvelope
- împreună
- Unelte
- atingeţi
- față de
- urmări
- tradiţional
- descoperi
- înţelege
- us
- utilizare
- validare
- valoare
- Vehicule
- Virtual
- Ce
- Wikipedia
- vânt
- fără
- a lucrat
- fabrică
- lume
- ar
- ani