ФОРМУЛА 1 (Ф1) автомобили являются самыми быстрыми регулируемыми гоночными автомобилями в мире. Хотя эти автомобили с открытыми колесами всего на 20–30 километров (или 12–18 миль) в час быстрее, чем первоклассные спортивные автомобили, они могут проходить повороты в пять раз быстрее благодаря мощной аэродинамической прижимную силу они создают. Прижимная это вертикальная сила, создаваемая аэродинамическими поверхностями, которая прижимает автомобиль к дороге, увеличивая сцепление шин с дорогой. Специалисты по аэродинамике Формулы-1 также должны следить за сопротивлением воздуха или лобовым сопротивлением, которое ограничивает скорость на прямой.
Команда инженеров F1 отвечает за разработку следующего поколения автомобилей F1 и составление технических регламентов для этого вида спорта. За последние 3 года перед ними была поставлена задача разработать автомобиль, который поддерживает текущие высокие уровни прижимной силы и максимальной скорости, но при этом не подвергается неблагоприятному влиянию движения позади другого автомобиля. Это важно, потому что автомобили предыдущего поколения могут терять до 50% своей прижимной силы, когда мчатся вплотную за другим автомобилем из-за турбулентного следа, создаваемого крыльями и кузовом.
Вместо того, чтобы полагаться на трудоемкие и дорогостоящие испытания на трассе или в аэродинамической трубе, F1 использует вычислительную гидродинамику (CFD), которая предоставляет виртуальную среду для изучения потока жидкостей (в данном случае воздуха вокруг болида F1) без необходимости изготовить одну деталь. С помощью CFD специалисты по аэродинамике Формулы-1 проверяют различные концепции геометрии, оценивают их аэродинамическое воздействие и итеративно оптимизируют свои конструкции. За последние 3 года команда инженеров F1 сотрудничала с AWS для создания масштабируемый и экономичный рабочий процесс CFD это утроило производительность прогонов CFD и вдвое сократило время обработки каждого прогона.
F1 находится в процессе изучения сервисов машинного обучения (ML) AWS, таких как Создатель мудреца Амазонки чтобы помочь оптимизировать конструкцию и характеристики автомобиля, используя данные моделирования CFD для создания моделей с дополнительной информацией. Цель состоит в том, чтобы выявить перспективные направления проектирования и сократить количество CFD-симуляций, тем самым сократив время, необходимое для приведения к оптимальным проектам.
В этом посте мы объясняем, как F1 сотрудничала с Профессиональные услуги AWS Команда разработчиков разработала индивидуальный рабочий процесс «Дизайн экспериментов» (Design of Experiments, DoE) на основе машинного обучения, чтобы посоветовать аэродинамикам F1, какие концепции дизайна следует тестировать в CFD, чтобы максимизировать обучение и производительность.
Постановка задачи
При изучении новых аэродинамических концепций специалисты по аэродинамике Формулы-1 иногда используют процесс, называемый планированием экспериментов (DoE). Этот процесс систематически изучает взаимосвязь между несколькими факторами. В случае заднего крыла это может быть хорда крыла, размах или изгиб по отношению к аэродинамическим показателям, таким как прижимная сила или сопротивление. Целью процесса DoE является эффективная выборка проектного пространства и минимизация числа протестированных кандидатов до достижения оптимального результата. Это достигается итеративным изменением нескольких конструктивных факторов, измерением аэродинамических характеристик, изучением влияния и взаимосвязи между факторами, а затем продолжением испытаний в наиболее оптимальном или информативном направлении. На следующем рисунке мы представляем пример геометрии заднего крыла, которым F1 любезно поделился с нами из их базовой линии UNIFORM. Помечены четыре конструктивных параметра, которые аэродинамики Формулы-1 могли бы исследовать в рамках программы DoE.
В этом проекте F1 работала с AWS Professional Services над исследованием использования машинного обучения для улучшения процедур DoE. Традиционные методы DoE требуют хорошо заполненного пространства для проектирования, чтобы понять взаимосвязь между параметрами проекта, и поэтому полагаются на большое количество предварительных CFD-симуляций. Регрессионные модели машинного обучения могут использовать результаты предыдущих CFD-симуляций для прогнозирования аэродинамической реакции с учетом набора конструктивных параметров, а также дать вам представление об относительной важности каждой конструктивной переменной. Вы можете использовать эту информацию для прогнозирования оптимальных конструкций и помочь разработчикам прийти к оптимальным решениям с меньшим количеством предварительных расчетов CFD. Во-вторых, вы можете использовать методы науки о данных, чтобы понять, какие области в области проектирования не были исследованы и потенциально могут скрывать оптимальные проекты.
Чтобы проиллюстрировать индивидуальный рабочий процесс DoE на основе машинного обучения, мы рассмотрим реальный пример проектирования переднего крыла.
Проектирование переднего крыла
Автомобили F1 полагаются на крылья, такие как переднее и заднее крылья, для создания большей части прижимной силы, которую мы будем называть в этом примере коэффициентом Ч. В этом примере значения прижимной силы были нормализованы. В этом примере специалисты по аэродинамике Формулы-1 использовали свой опыт в предметной области для параметризации геометрии крыла следующим образом (наглядное представление см. на следующем рисунке):
- LE-высота – Высота передней кромки
- Мин-Z - Минимальный дорожный просвет
- Средний LE-угол – Угол передней кромки третьего элемента
- TE-угол – Угол задней кромки
- TE-Высота – Высота задней кромки
Эта геометрия переднего крыла использовалась F1 и является частью базовой линии UNIFORM.
Эти параметры были выбраны потому, что они достаточны для эффективного описания основных аспектов геометрии, а также потому, что в прошлом аэродинамические характеристики демонстрировали заметную чувствительность к этим параметрам. Цель этой процедуры DoE состояла в том, чтобы найти комбинацию пяти конструктивных параметров, которая максимизировала бы аэродинамическую прижимную силу (Cz). Свобода проектирования также ограничивается установкой максимальных и минимальных значений параметров конструкции, как показано в следующей таблице.
. | минимальный | максимальная |
TE-Высота | 250.0 | 300.0 |
TE-угол | 145.0 | 165.0 |
Средний LE-угол | 160.0 | 170.0 |
Мин-Z | 5.0 | 50.0 |
LE-высота | 100.0 | 150.0 |
Установив параметры проектирования, целевую выходную метрику и границы нашего проектного пространства, у нас есть все, что нам нужно, чтобы начать работу с подпрограммой DoE. Схема рабочего процесса нашего решения представлена на следующем изображении. В следующем разделе мы углубимся в различные этапы.
Первоначальная выборка проектного пространства
Первым шагом рабочего процесса DoE является запуск в CFD начального набора кандидатов, которые эффективно выбирают пространство проектирования и позволяют нам построить первый набор моделей регрессии ML для изучения влияния каждой функции. Сначала мы создаем пул N образцы через Латинская выборка гиперкуба (LHS) или метод обычной сетки. Затем мы выбираем k кандидаты для тестирования в CFD с помощью жадного алгоритма ввода, целью которого является максимальное исследование пространства проектирования. Начиная с базового кандидата (текущий дизайн), мы итеративно отбираем кандидатов, наиболее удаленных от всех ранее протестированных кандидатов. Предположим, что мы уже протестировали k конструкции; для остальных вариантов дизайна находим минимальное расстояние d по отношению к испытанному k конструкции:
Алгоритм жадных входов выбирает кандидата, который максимизирует расстояние в пространстве признаков до ранее проверенных кандидатов:
В этом DoE мы выбрали трех жадных входных данных-кандидатов и запустили их в CFD, чтобы оценить их аэродинамическую прижимную силу (Cz). Жадные входные кандидаты исследуют границы проектного пространства, и на данном этапе ни один из них не показал превосходства над базовым кандидатом с точки зрения аэродинамической прижимной силы (Cz). Результаты этого начального раунда испытаний CFD вместе с параметрами конструкции показаны в следующей таблице.
. | TE-Высота | TE-угол | Средний LE-угол | Мин-Z | LE-высота | Нормализованный Cz |
Базовая линия | 292.25 | 154.86 | 166 | 5 | 130 | 0.975 |
ГИ 0 | 250 | 165 | 160 | 50 | 100 | 0.795 |
ГИ 1 | 300 | 145 | 170 | 50 | 100 | 0.909 |
ГИ 2 | 250 | 145 | 170 | 5 | 100 | 0.847 |
Исходные регрессионные модели машинного обучения
Цель регрессионной модели состоит в том, чтобы предсказать Cz для любой комбинации пяти расчетных параметров. С таким небольшим набором данных мы отдали предпочтение простым моделям, применили регуляризацию моделей, чтобы избежать переобучения, и по возможности объединили прогнозы разных моделей. Были построены следующие модели ML:
- Обычные наименьшие квадраты (OLS)
- Поддержка векторной регрессии (SVM) с ядром RBF
- Регрессия гауссовского процесса (GP) с ядром Матерна
- XGBoost
Кроме того, была построена двухуровневая многоуровневая модель, в которой прогнозы моделей GP, SVM и XGBoost ассимилируются алгоритмом Лассо для получения окончательного ответа. Эта модель упоминается в этом посте как сложенная модель. Чтобы ранжировать прогностические возможности пяти описанных нами моделей, была реализована повторная процедура перекрестной проверки в k-кратном порядке.
Генерация следующего кандидата проекта для тестирования в CFD
Выбор следующего кандидата для тестирования требует тщательного рассмотрения. Специалист по аэродинамике Формулы-1 должен сбалансировать преимущества использования вариантов, предсказанных моделью машинного обучения для обеспечения высокой прижимной силы, с ценой отказа от исследования неизведанных областей проектного пространства, что может обеспечить еще более высокую прижимную силу. По этой причине в этой процедуре DoE мы предлагаем три кандидата: один, ориентированный на производительность, и два, ориентированных на исследования. Цель кандидатов, основанных на исследованиях, также состоит в том, чтобы предоставить дополнительные точки данных для алгоритма ML в областях пространства проектирования, где неопределенность прогноза является самой высокой. Это, в свою очередь, приводит к более точным прогнозам на следующем этапе итерации проекта.
Оптимизация генетического алгоритма для максимизации прижимной силы
Чтобы получить кандидата с самой высокой ожидаемой аэродинамической прижимной силой, мы могли бы выполнить прогноз для всех возможных вариантов конструкции. Однако это было бы неэффективно. Для этой задачи оптимизации мы используем генетический алгоритм (ГА). Цель состоит в том, чтобы эффективно искать в огромном пространстве решений (полученном с помощью ML-прогнозирования). Cz) и вернуть наиболее оптимального кандидата. ГА выгодны, когда пространство решений сложное и невыпуклое, так что классические методы оптимизации, такие как градиентный спуск, являются неэффективными средствами для поиска глобального решения. ГА — это подмножество эволюционных алгоритмов, вдохновленных концепциями естественного отбора, генетического скрещивания и мутации для решения проблемы поиска. В течение серии итераций (известных как поколения) объединяются лучшие кандидаты из изначально случайно выбранного набора вариантов дизайна (во многом подобно воспроизведению). В конечном итоге этот механизм позволяет эффективно находить наиболее оптимальных кандидатов. Для получения дополнительной информации о GA см. Использование генетических алгоритмов на AWS для решения задач оптимизации.
Генерация кандидатов на основе исследований
При создании того, что мы называем кандидатами, ориентированными на исследование, хорошая стратегия выборки должна быть способна адаптироваться к ситуации эффект разреженности, где только подмножество параметров существенно влияет на решение. Следовательно, стратегия выборки должна распределять кандидатов по входному пространству проектирования, а также избегать ненужных прогонов CFD, изменяя переменные, которые мало влияют на производительность. Стратегия выборки должна учитывать поверхность отклика, предсказанную регрессором ML. Для получения кандидатов, ориентированных на исследования, использовались две стратегии выборки.
В случае регрессоров гауссовых процессов (GP) стандартное отклонение прогнозируемой поверхности отклика можно использовать как показатель неопределенности модели. Стратегия выборки состоит в том, чтобы выбрать из пула N образцы , кандидат, который максимизирует . Поступая таким образом, мы делаем выборку в области пространства проектирования, где регрессор наименее уверен в своем прогнозе. Говоря математическим языком, мы выбираем кандидата, который удовлетворяет следующему уравнению:
В качестве альтернативы мы используем жадную стратегию выборки входных и выходных данных, которая максимизирует расстояния как в пространстве признаков, так и в пространстве откликов между предложенным кандидатом и уже протестированными проектами. Это решает эффект разреженности ситуация, потому что кандидаты, которые изменяют маловажный проектный параметр, имеют аналогичный отклик, и, следовательно, расстояния на поверхности отклика минимальны. С математической точки зрения, мы выбираем кандидата, который удовлетворяет следующему уравнению, где функция f модель регрессии ML:
Отбор кандидатов, тестирование CFD и цикл оптимизации
На этом этапе пользователю представлены кандидаты, ориентированные как на производительность, так и на исследования. Следующий шаг состоит из выбора подмножества предложенных кандидатов, запуска CFD-симуляций с этими конструктивными параметрами и записи аэродинамической реакции прижимной силы.
После этого рабочий процесс DoE повторно обучает регрессионные модели ML, запускает оптимизацию генетического алгоритма и предлагает новый набор кандидатов, ориентированных на производительность и исследование. Пользователь запускает подмножество предложенных кандидатов и продолжает итерацию таким образом, пока не будут соблюдены критерии остановки. Критерии остановки обычно выполняются, когда получен кандидат, считающийся оптимальным.
Итоги
На следующем рисунке мы записываем нормированную аэродинамическую прижимную силу (Cz) из моделирования CFD (синий) и предсказанный заранее с использованием выбранной модели регрессии машинного обучения (розовый) для каждой итерации рабочего процесса DoE. Цель состояла в том, чтобы максимизировать аэродинамическую прижимную силу (Cz). Первые четыре прогона (слева от красной линии) были базовой линией и тремя жадными входными кандидатами, описанными ранее. С этого момента было протестировано сочетание кандидатов, ориентированных на производительность и ориентированных на исследования. В частности, кандидаты на итерациях 6 и 8 были исследовательскими кандидатами, оба показали более низкий уровень прижимной силы, чем базовый кандидат (итерация 1). Как и ожидалось, по мере того, как мы регистрировали больше кандидатов, предсказание машинного обучения становилось все более точным, о чем свидетельствует уменьшение расстояния между предсказанным и фактическим значением. Ч. На итерации 9 рабочему процессу DoE удалось найти кандидата с производительностью, аналогичной базовому уровню, а на итерации 12 рабочий процесс DoE был завершен, когда кандидат, ориентированный на производительность, превзошел базовый уровень.
Окончательные расчетные параметры вместе с результирующим нормализованным значением прижимной силы представлены в следующей таблице. Нормализованный уровень прижимной силы для базового кандидата составлял 0.975, тогда как оптимальный кандидат для рабочего процесса DoE зафиксировал нормализованный уровень прижимной силы 1.000. Это важное относительное увеличение на 2.5%.
Для контекста, традиционный подход DoE с пятью переменными потребует 25 предварительных симуляций CFD, прежде чем будет достигнуто достаточно хорошее соответствие, чтобы предсказать оптимум. С другой стороны, этот подход к активному обучению достиг оптимума за 12 итераций.
. | TE-Высота | TE-угол | Средний LE-угол | Мин-Z | LE-высота | Нормализованный Cz |
Базовая линия | 292.25 | 154.86 | 166 | 5 | 130 | 0.975 |
Оптимальный | 299.97 | 156.79 | 166.27 | 5.01 | 135.26 | 1.000 |
Важность функции
Понимание относительной важности признаков для прогностической модели может дать полезную информацию о данных. Это может помочь в выборе признаков с удалением менее важных переменных, тем самым уменьшая размерность проблемы и потенциально улучшая прогностические возможности регрессионной модели, особенно в режиме малых данных. В этой проблеме дизайна он дает аэродинамикам Формулы-1 понимание того, какие переменные являются наиболее чувствительными и, следовательно, требуют более тщательной настройки.
В этой процедуре мы реализовали независимый от модели метод, называемый важность перестановки. Относительная важность каждой переменной измеряется путем расчета увеличения ошибки предсказания модели после случайного перетасовки значений только для этой переменной. Если признак важен для модели, ошибка предсказания сильно возрастает, и наоборот для менее важных признаков. На следующем рисунке мы представляем важность перестановки для регрессора гауссовского процесса (GP), предсказывающего аэродинамическую прижимную силу (Cz). Высота задней кромки (TE-Height) считалась наиболее важной.
Заключение
В этом посте мы объяснили, как аэродинамики F1 используют регрессионные модели ML в рабочих процессах DoE при разработке новых аэродинамических геометрий. Рабочий процесс DoE на основе машинного обучения, разработанный AWS Professional Services, дает представление о том, какие параметры проектирования будут способствовать максимальной производительности или исследовать неизведанные области в области проектирования. В отличие от итеративного тестирования кандидатов в CFD методом поиска по сетке, рабочий процесс DoE на основе машинного обучения может сходиться к оптимальным проектным параметрам за меньшее количество итераций. Это экономит время и ресурсы, поскольку требуется меньше моделирования CFD.
Независимо от того, являетесь ли вы фармацевтической компанией, стремящейся ускорить оптимизацию химического состава, или производственной компанией, стремящейся определить размеры конструкции для наиболее надежных конструкций, рабочие процессы DoE могут помочь более эффективно найти оптимальных кандидатов. AWS Professional Services готов дополнить вашу команду специальными навыками и опытом в области машинного обучения, чтобы разработать инструменты для оптимизации рабочих процессов DoE и помочь вам достичь лучших бизнес-результатов. Для получения дополнительной информации см. Профессиональные услуги AWSили свяжитесь с менеджером своего аккаунта, чтобы связаться.
Об авторах
Пабло Эрмосо Морено является специалистом по данным в группе профессиональных услуг AWS. Он работает с клиентами из разных отраслей, используя машинное обучение, чтобы рассказывать истории с данными и быстрее принимать более обоснованные инженерные решения. Пабло имеет опыт работы в области аэрокосмической техники, и, работая в индустрии автоспорта, он заинтересован в объединении физики и знаний в предметной области с машинным обучением. В свободное время он увлекается греблей и игрой на гитаре.
- Коинсмарт. Лучшая в Европе биржа биткойнов и криптовалют.
- Платоблокчейн. Интеллект метавселенной Web3. Расширение знаний. БЕСПЛАТНЫЙ ДОСТУП.
- КриптоХок. Альткоин Радар. Бесплатная пробная версия.
- Источник: https://aws.amazon.com/blogs/machine-learning/optimize-f1-aerodynamic-geometries-via-design-of-experiments-and-machine-learning/
- "
- 000
- 100
- 28
- 9
- О нас
- Учетная запись
- точный
- Достигать
- достигнутый
- через
- активный
- дополнение
- дополнительный
- Аэрокосмическая индустрия
- алгоритм
- алгоритмы
- Все
- уже
- Несмотря на то, что
- Amazon
- Другой
- подхода
- около
- AWS
- фон
- Базовая линия
- до
- не являетесь
- польза
- ЛУЧШЕЕ
- строить
- бизнес
- кандидат
- кандидатов
- возможности
- автомобиль
- легковые автомобили
- заряд
- химический
- выбор
- клиентов
- сочетание
- сочетании
- Компания
- комплекс
- уверенный
- рассмотрение
- продолжается
- сходиться
- может
- Создайте
- Текущий
- данным
- наука о данных
- ученый данных
- решения
- описывать
- описано
- Проект
- проектирование
- конструкций
- развивать
- развитый
- различный
- расстояние
- домен
- вождение
- динамика
- Edge
- эффект
- эффективный
- эффективно
- Проект и
- Окружающая среда
- установленный
- пример
- ожидаемый
- опыт
- опыта
- исследование
- Больше
- факторы
- Фэшн
- БЫСТРО
- быстрее
- Особенность
- Особенности
- фигура
- Во-первых,
- соответствовать
- поток
- после
- следующим образом
- Freedom
- передний
- функция
- ГАЗ
- в общем
- порождать
- порождающий
- поколение
- поколения
- Глобальный
- цель
- хорошо
- GP
- значительно
- сетка
- имеющий
- высота
- помощь
- Спрятать
- High
- высший
- Как
- Однако
- HTTPS
- огромный
- изображение
- Влияние
- в XNUMX году
- значение
- важную
- улучшение
- Увеличение
- повышение
- все больше и больше
- промышленность
- повлиять
- информация
- информативный
- сообщил
- вход
- понимание
- размышления
- вдохновленный
- интерес
- исследовать
- IT
- известный
- большой
- ведущий
- Лиды
- изучение
- уровень
- Ограниченный
- линия
- мало
- искать
- машина
- обучение с помощью машины
- управляемого
- менеджер
- способ
- производство
- математический
- означает
- методы
- Метрика
- может быть
- минимальный
- ML
- модель
- Модели
- монитор
- БОЛЕЕ
- самых
- автоспорт
- с разными
- натуральный
- номер
- полученный
- оптимизация
- Оптимизировать
- оптимальный
- Опции
- заказ
- Другое
- часть
- особый
- особенно
- производительность
- в Фармацевтической отрасли
- Физика
- игры
- пунктов
- бассейн
- возможное
- мощный
- предсказывать
- прогноз
- Predictions
- представить
- предыдущий
- Проблема
- процесс
- производит
- профессиональный
- Проект
- многообещающий
- предлагает
- предложило
- обеспечивать
- приводит
- цель
- гоночный
- достигать
- запись
- уменьшить
- снижение
- регулярный
- "Регулирование"
- отношения
- осталось
- представление
- воспроизводство
- требовать
- обязательный
- требуется
- Полезные ресурсы
- ответ
- Итоги
- возвращают
- год
- Run
- Бег
- Наука
- Ученый
- Поиск
- выбранный
- Серии
- Услуги
- набор
- установка
- общие
- показанный
- аналогичный
- просто
- моделирование
- навыки
- небольшой
- So
- Решение
- Решения
- РЕШАТЬ
- Space
- специализированный
- скорость
- Спорт
- Спорт
- распространение
- Этап
- этапы
- стандарт
- и политические лидеры
- Истории
- стратегий
- Стратегия
- исследования
- Кабинет
- топ
- Поверхность
- цель
- команда
- Технический
- снижения вреда
- тестXNUMX
- Тестирование
- тестов
- мир
- следовательно
- Через
- по всему
- время
- кропотливый
- раз
- Шины
- вместе
- инструменты
- трогать
- к
- трек
- традиционный
- открывай
- понимать
- us
- использование
- Проверка
- ценностное
- Транспорт
- Виртуальный
- Что
- Википедия.
- ветер
- без
- работавший
- работает
- Мир
- бы
- лет