FORMULA 1 (F1) avtomobili so najhitrejša regulirana dirkalna vozila na svetu. Čeprav so ti avtomobili z odprtimi kolesi le 20–30 kilometrov (ali 12–18 milj) na uro hitrejši od vrhunskih športnih avtomobilov, lahko zaradi močne aerodinamike pospešijo okoli ovinkov do petkrat hitreje. tlačno silo, ki jo ustvarijo. Downforce je navpična sila, ki jo ustvarjajo aerodinamične površine, ki pritiskajo avtomobil proti cestišču in tako povečajo oprijem pnevmatik. Aerodinamiki F1 morajo spremljati tudi zračni upor ali upor, ki omejuje hitrost v ravni črti.
Inženirska ekipa F1 je zadolžena za oblikovanje naslednje generacije avtomobilov F1 in sestavljanje tehničnih predpisov za ta šport. V zadnjih 3 letih so bili zadolženi za oblikovanje avtomobila, ki ohranja trenutno visoko raven tlačne sile in najvišje hitrosti, vendar nanj tudi ne vpliva negativno vožnja za drugim avtomobilom. To je pomembno, ker lahko prejšnja generacija avtomobilov izgubi do 50 % svoje tlačne sile, ko dirkajo tesno za drugim avtomobilom zaradi turbulentnega nihanja, ki ga ustvarjajo krila in karoserija.
Namesto da bi se zanašal na zamudne in drage teste na stezi ali vetrovniku, F1 uporablja računalniško dinamiko tekočin (CFD), ki zagotavlja virtualno okolje za preučevanje pretoka tekočin (v tem primeru zraka okoli avtomobila F1), ne da bi bilo treba izdelavo enega dela. S CFD aerodinamiki F1 testirajo različne geometrijske koncepte, ocenjujejo njihov aerodinamični vpliv in iterativno optimizirajo svoje zasnove. V zadnjih 3 letih je inženirska ekipa F1 sodelovala z AWS pri vzpostavitvi razširljiv in stroškovno učinkovit potek dela CFD ki je potrojil pretok CFD potekov in za polovico skrajšal čas preobrata na potek.
F1 je v procesu proučevanja storitev strojnega učenja (ML) AWS, kot je npr Amazon SageMaker za pomoč pri optimizaciji zasnove in zmogljivosti avtomobila z uporabo simulacijskih podatkov CFD za izdelavo modelov z dodatnimi vpogledi. Cilj je odkriti obetavne smeri načrtovanja in zmanjšati število simulacij CFD, s čimer se skrajša čas, potreben za konvergenco k optimalnim načrtom.
V tej objavi pojasnjujemo, kako je F1 sodelovala z Strokovne storitve AWS ekipa za razvoj poteka dela po meri Design of Experiments (DoE), ki ga poganja ML, da bi aerodinamikom F1 svetoval, katere koncepte načrtovanja naj testirajo v CFD, da povečajo učenje in učinkovitost.
Izjava o težavi
Ko raziskujejo nove aerodinamične koncepte, aerodinamiki F1 včasih uporabijo postopek, imenovan Design of Experiments (DoE). Ta proces sistematično proučuje razmerje med več dejavniki. V primeru zadnjega krila je to lahko tetiva krila, razpon ali pregib, glede na aerodinamične metrike, kot sta tlačna sila ali upor. Cilj postopka DoE je učinkovito vzorčenje prostora načrtovanja in zmanjšanje števila testiranih kandidatov, preden se doseže optimalen rezultat. To se doseže z iterativnim spreminjanjem več dejavnikov zasnove, merjenjem aerodinamičnega odziva, preučevanjem vpliva in razmerja med dejavniki in nato nadaljevanjem testiranja v najbolj optimalni ali informativni smeri. Na naslednji sliki predstavljamo primer geometrije zadnjega krila, ki ga je F1 prijazno delila z nami iz njihove osnovne črte UNIFORM. Označeni so štirje konstrukcijski parametri, ki bi jih aerodinamiki F1 lahko raziskali v rutini DoE.
V tem projektu je F1 sodeloval s strokovnimi storitvami AWS, da bi raziskal uporabo ML za izboljšanje rutin DoE. Tradicionalne metode DoE zahtevajo dobro poseljen prostor načrtovanja, da bi razumeli razmerje med parametri načrtovanja in se zato zanašajo na veliko število vnaprejšnjih simulacij CFD. Regresijski modeli ML bi lahko uporabili rezultate prejšnjih simulacij CFD za napovedovanje aerodinamičnega odziva glede na nabor konstrukcijskih parametrov, prav tako pa vam dajo navedbo relativne pomembnosti vsake konstrukcijske spremenljivke. Te vpoglede lahko uporabite za napovedovanje optimalnih načrtov in pomagate načrtovalcem, da se zbližajo z optimalnimi rešitvami z manj vnaprejšnjimi simulacijami CFD. Drugič, lahko bi uporabili tehnike podatkovne znanosti, da bi razumeli, katera območja v prostoru zasnove še niso bila raziskana in bi lahko skrila optimalne zasnove.
Za ponazoritev poteka dela DoE, ki ga poganja ML, se sprehodimo skozi resničen primer oblikovanja sprednjega krila.
Oblikovanje prednjega krila
Avtomobili Formule 1 se zanašajo na krila, kot so sprednja in zadnja krila, da ustvarijo večino svoje tlačne sile, ki jo v tem primeru označujemo s koeficientom Cz. V tem primeru so bile vrednosti tlačne sile normalizirane. V tem primeru so aerodinamiki F1 uporabili svoje strokovno znanje na področju, da so parametrirali geometrijo krila, kot sledi (glejte naslednjo sliko za vizualno predstavitev):
- LE-Višina – Višina vodilnega roba
- Min-Z – Minimalna oddaljenost od tal
- Mid-LE-Angle – Kot prednjega roba tretjega elementa
- TE-Kot – Kot zadnjega roba
- TE-Višina – Višina zadnjega roba
To geometrijo prednjega krila je delila F1 in je del osnovne črte UNIFORM.
Ti parametri so bili izbrani, ker zadoščajo za učinkovit opis glavnih vidikov geometrije in ker je v preteklosti aerodinamična zmogljivost pokazala opazno občutljivost glede na te parametre. Cilj te rutine DoE je bil najti kombinacijo petih konstrukcijskih parametrov, ki bi povečali aerodinamično tlačno silo (Cz). Svoboda načrtovanja je omejena tudi z nastavitvijo največjih in najmanjših vrednosti parametrov načrtovanja, kot je prikazano v naslednji tabeli.
. | Minimalna | največja |
TE-Višina | 250.0 | 300.0 |
TE-Kot | 145.0 | 165.0 |
Mid-LE-Angle | 160.0 | 170.0 |
Min-Z | 5.0 | 50.0 |
LE-Višina | 100.0 | 150.0 |
Ko smo določili parametre načrtovanja, metriko ciljnega izhoda in meje našega prostora načrtovanja, imamo vse, kar potrebujemo za začetek rutine DoE. Diagram poteka dela naše rešitve je predstavljen na naslednji sliki. V naslednjem razdelku se poglobimo v različne stopnje.
Začetno vzorčenje prostora za oblikovanje
Prvi korak delovnega toka DoE je zagon začetnega niza kandidatov v CFD, ki učinkovito vzorčijo prostor načrtovanja in nam omogočajo, da zgradimo prvi niz regresijskih modelov ML za preučevanje vpliva vsake funkcije. Najprej ustvarimo skupino N vzorce uporabo Vzorčenje latinske hiperkocke (LHS) ali običajna mrežna metoda. Nato izberemo k kandidate za testiranje v CFD s pomočjo algoritma požrešnih vnosov, katerega namen je čim bolj povečati raziskovanje prostora načrtovanja. Začenši z osnovnim kandidatom (trenutna zasnova) iterativno izberemo kandidate, ki so najbolj oddaljeni od vseh predhodno testiranih kandidatov. Recimo, da smo že testirali k modeli; za preostale kandidate za oblikovanje najdemo najmanjšo razdaljo d glede na testirano k modelov:
Algoritem pohlepnih vnosov izbere kandidata, ki maksimira razdaljo v prostoru funkcij do predhodno testiranih kandidatov:
V tem DoE smo izbrali tri kandidate za požrešne vnose in jih preizkusili v CFD, da bi ocenili njihovo aerodinamično tlačno silo (Cz). Pohlepni kandidati za vložke raziskujejo meje prostora zasnove in na tej stopnji se nobeden od njih ni izkazal za boljšega od osnovnega kandidata v smislu aerodinamične sile pritiska (Cz). Rezultati tega začetnega kroga testiranja CFD skupaj z načrtovalnimi parametri so prikazani v naslednji tabeli.
. | TE-Višina | TE-Kot | Mid-LE-Angle | Min-Z | LE-Višina | Normaliziran Cz |
Izhodišče | 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 |
Začetni regresijski modeli ML
Cilj regresijskega modela je predvidevanje Cz za katero koli kombinacijo petih konstrukcijskih parametrov. S tako majhnim naborom podatkov smo dali prednost preprostim modelom, uporabili regularizacijo modela, da bi se izognili pretiranemu opremljanju, in združili napovedi različnih modelov, kjer je bilo to mogoče. Konstruirani so bili naslednji modeli ML:
- Navadni najmanjši kvadratki (OLS)
- Podpora za vektorsko regresijo (SVM) z jedrom RBF
- Gaussova procesna regresija (GP) z Matérnovim jedrom
- XGBoost
Poleg tega je bil zgrajen dvonivojski zložen model, kjer napovedi modelov GP, SVM in XGBoost asimilira algoritem Lasso, da proizvede končni odziv. Ta model se v tej objavi imenuje zložen model. Za razvrščanje napovednih zmožnosti petih modelov, ki smo jih opisali, je bila izvedena ponavljajoča se k-kratna navzkrižna validacija.
Ustvarjanje naslednjega kandidata za načrtovanje za testiranje v CFD
Izbira naslednjega kandidata za testiranje zahteva skrben premislek. Aerodinamiki F1 morajo uravnotežiti prednosti izkoriščanja možnosti, ki jih napoveduje model ML za zagotavljanje velikega pritiska na tla, s stroški neuspešnega raziskovanja neoznačenih območij zasnovnega prostora, kar lahko zagotovi še večjo tlačno silo. Zato v tej rutini DoE predlagamo tri kandidate: enega, ki temelji na uspešnosti, in dva, ki temeljita na raziskovanju. Namen kandidatov, ki temeljijo na raziskovanju, je tudi zagotoviti dodatne podatkovne točke algoritmu ML v regijah načrtovalnega prostora, kjer je negotovost glede napovedi največja. To pa vodi do natančnejših napovedi v naslednjem krogu ponovitve oblikovanja.
Optimizacija genetskega algoritma za čim večjo tlačno silo
Da bi dobili kandidata z najvišjo pričakovano aerodinamično tlačno silo, bi lahko izvedli napoved za vse možne kandidate za zasnovo. Vendar to ne bi bilo učinkovito. Za ta problem optimizacije uporabljamo genetski algoritem (GA). Cilj je učinkovito iskanje po ogromnem prostoru rešitev (pridobljenem z napovedjo ML of Cz) in vrne najbolj optimalnega kandidata. GA so ugodne, kadar je prostor rešitev zapleten in nekonveksen, tako da so klasične metode optimizacije, kot je gradientni spust, neučinkovito sredstvo za iskanje globalne rešitve. GA je podmnožica evolucijskih algoritmov in se zgleduje po konceptih naravne selekcije, genetskega križanja in mutacije za rešitev težave iskanja. V nizu iteracij (znanih kot generacije) se združijo najboljši kandidati iz prvotno naključno izbranega nabora kandidatov za oblikovanje (podobno kot reprodukcija). Sčasoma vam ta mehanizem omogoča, da na učinkovit način poiščete najbolj optimalne kandidate. Za več informacij o GA glejte Uporaba genetskih algoritmov na AWS za optimizacijske probleme.
Ustvarjanje raziskovalno usmerjenih kandidatov
Pri ustvarjanju kandidatov, ki jih imenujemo raziskovalno usmerjeni, mora biti dobra strategija vzorčenja sposobna prilagoditi se situaciji učinek redkosti, kjer le podskupina parametrov bistveno vpliva na rešitev. Zato mora strategija vzorčenja razporediti kandidate po celotnem prostoru načrtovanja vnosa, hkrati pa se izogibati nepotrebnim zagonom CFD, spreminjanju spremenljivk, ki imajo majhen učinek na uspešnost. Strategija vzorčenja mora upoštevati odzivno površino, ki jo napoveduje regresor ML. Za pridobitev kandidatov, ki temeljijo na raziskovanju, sta bili uporabljeni dve strategiji vzorčenja.
V primeru Gaussovih procesnih regresorjev (GP) standardni odklon predvidene odzivne površine se lahko uporabi kot pokazatelj negotovosti modela. Strategija vzorčenja je sestavljena iz izbire iz skupine N vzorce , kandidat, ki maksimira . S tem vzorčimo na območju načrtovalnega prostora, kjer je regresor najmanj prepričan o svoji napovedi. V matematičnem smislu izberemo kandidata, ki izpolnjuje naslednjo enačbo:
Druga možnost je, da uporabimo požrešno strategijo vzorčenja vhodov in izhodov, ki maksimira tako razdalje v prostoru funkcij kot v odzivnem prostoru med predlaganim kandidatom in že preizkušenimi načrti. To obravnava učinek redkosti situaciji, ker imajo kandidati, ki spremenijo konstrukcijski parameter, ki je malo pomemben, podoben odziv, zato so razdalje v odzivni površini minimalne. V matematičnem smislu izberemo kandidata, ki izpolnjuje naslednjo enačbo, kjer je funkcija f je regresijski model ML:
Izbira kandidatov, testiranje CFD in optimizacijska zanka
Na tej stopnji so uporabniku predstavljeni kandidati, ki temeljijo na uspešnosti in na raziskovanju. Naslednji korak je sestavljen iz izbire podmnožice predlaganih kandidatov, izvajanja simulacij CFD s temi konstrukcijskimi parametri in beleženja odziva aerodinamičnega pritiska.
Po tem potek dela DoE ponovno usposobi regresijske modele ML, zažene optimizacijo genetskega algoritma in predlaga nov nabor kandidatov, ki temeljijo na zmogljivosti in raziskovanju. Uporabnik zažene podmnožico predlaganih kandidatov in nadaljuje s ponavljanjem na ta način, dokler ni izpolnjen kriterij za zaustavitev. Merila za zaustavitev so na splošno izpolnjena, ko je izbran kandidat, ki velja za najboljšega.
Rezultati
Na naslednji sliki zabeležimo normalizirano aerodinamično tlačno silo (Cz) iz simulacije CFD (modra) in tista, ki je bila vnaprej predvidena z uporabo izbranega regresijskega modela ML (roza) za vsako ponovitev poteka dela DoE. Cilj je bil povečati aerodinamično tlačno silo (Cz). Prvi štirje zagoni (levo od rdeče črte) so bili izhodišče in trije kandidati za požrešne vnose, opisani prej. Od tam naprej je bila preizkušena kombinacija kandidatov, ki jih je vodila učinkovitost, in kandidatov, ki so bili usmerjeni v raziskovanje. Zlasti kandidati pri iteracijah 6 in 8 so bili raziskovalni kandidati, pri čemer sta oba kazala nižje ravni pritisne sile kot osnovni kandidat (iteracija 1). Kot je bilo pričakovano, ko smo zabeležili več kandidatov, je napoved ML postala vse bolj natančna, kar je razvidno iz vse manjše razdalje med napovedano in dejansko Cz. Pri iteraciji 9 je potek dela DoE uspel najti kandidata s podobno zmogljivostjo kot izhodišče, pri iteraciji 12 pa se je potek dela DoE zaključil, ko je kandidat, ki temelji na uspešnosti, presegel izhodišče.
Končni konstrukcijski parametri skupaj s posledično normalizirano vrednostjo tlačne sile so predstavljeni v naslednji tabeli. Normalizirana stopnja tlačne sile za osnovnega kandidata je bila 0.975, medtem ko je optimalni kandidat za potek dela DoE zabeležil normalizirano raven tlačne sile 1.000. To je pomembno 2.5-odstotno relativno povečanje.
Za kontekst bi tradicionalni pristop DoE s petimi spremenljivkami zahteval 25 vnaprejšnjih simulacij CFD, preden bi dosegel dovolj dobro prileganje za napovedovanje optimuma. Po drugi strani pa se je ta pristop aktivnega učenja približal optimumu v 12 ponovitvah.
. | TE-Višina | TE-Kot | Mid-LE-Angle | Min-Z | LE-Višina | Normaliziran Cz |
Izhodišče | 292.25 | 154.86 | 166 | 5 | 130 | 0.975 |
Optimalno | 299.97 | 156.79 | 166.27 | 5.01 | 135.26 | 1.000 |
Pomembnost funkcije
Razumevanje relativne pomembnosti lastnosti za napovedni model lahko zagotovi koristen vpogled v podatke. Pomaga lahko pri izbiri funkcij z odstranjenimi manj pomembnimi spremenljivkami, s čimer se zmanjša dimenzionalnost problema in potencialno izboljša napovedna moč regresijskega modela, zlasti v režimu majhnih podatkov. Pri tej konstrukcijski težavi aerodinamikom F1 nudi vpogled v to, katere spremenljivke so najbolj občutljive in zato zahtevajo natančnejšo nastavitev.
V tej rutini smo implementirali modelno-agnostično tehniko, imenovano pomembnost permutacije. Relativna pomembnost vsake spremenljivke se meri z izračunom povečanja napake napovedi modela po naključnem premešanju vrednosti samo te spremenljivke. Če je značilnost pomembna za model, se napaka napovedi močno poveča, pri manj pomembnih pa obratno. Na naslednji sliki predstavljamo pomembnost permutacije za Gaussov procesni regresor (GP), ki napoveduje aerodinamično tlačno silo (Cz). Najpomembnejša je bila višina zadnjega roba (TE-Height).
zaključek
V tej objavi smo razložili, kako aerodinamiki F1 uporabljajo regresijske modele ML v potekih dela DoE pri načrtovanju novih aerodinamičnih geometrij. Potek dela DoE, ki ga poganja ML, ki so ga razvile AWS Professional Services, ponuja vpogled v to, kateri parametri načrtovanja bodo povečali zmogljivost ali raziskali neoznačena območja v prostoru načrtovanja. V nasprotju z iterativnim testiranjem kandidatov v CFD na način iskanja v omrežju se delovni tok DoE, ki ga poganja ML, lahko približa optimalnim parametrom načrtovanja v manj ponovitvah. To prihrani čas in sredstva, ker je potrebnih manj simulacij CFD.
Ne glede na to, ali ste farmacevtsko podjetje, ki želi pospešiti optimizacijo kemijske sestave, ali proizvodno podjetje, ki želi najti oblikovne dimenzije za najbolj robustne modele, lahko delovni tokovi DoE pomagajo učinkoviteje doseči optimalne kandidate. AWS Professional Services je pripravljen dopolniti vašo ekipo s specializiranimi znanji in izkušnjami ML za razvoj orodij za racionalizacijo delovnih tokov DoE in vam pomaga doseči boljše poslovne rezultate. Za več informacij glejte Strokovne storitve AWSali stopite v stik prek upravitelja računa.
O avtorjih
Pablo Hermoso Moreno je podatkovni znanstvenik v skupini za profesionalne storitve AWS. Sodeluje s strankami v različnih panogah in uporablja strojno učenje, da pripoveduje zgodbe s podatki in hitreje sprejema inženirske odločitve na podlagi informacij. Pablovo ozadje je na področju vesoljskega inženiringa in ker je delal v industriji motošporta, ga zanima povezovanje fizike in domenskega strokovnega znanja z ML. V prostem času se ukvarja z veslanjem in igranjem kitare.
- Coinsmart. Najboljša evropska borza bitcoinov in kriptovalut.
- Platoblockchain. Web3 Metaverse Intelligence. Razširjeno znanje. PROST DOSTOP.
- CryptoHawk. Altcoin radar. Brezplačen preizkus.
- Vir: https://aws.amazon.com/blogs/machine-learning/optimize-f1-aerodynamic-geometries-via-design-of-experiments-and-machine-learning/
- "
- 000
- 100
- 28
- 9
- O meni
- Račun
- natančna
- Doseči
- doseže
- čez
- aktivna
- Poleg tega
- Dodatne
- Aerospace
- algoritem
- algoritmi
- vsi
- že
- Čeprav
- Amazon
- Še ena
- pristop
- okoli
- AWS
- ozadje
- Izhodišče
- pred
- počutje
- koristi
- BEST
- izgradnjo
- poslovni
- Kandidat
- kandidati
- Zmogljivosti
- voziček
- avtomobili
- naboj
- kemijske
- izbira
- stranke
- kombinacija
- kombinirani
- podjetje
- kompleksna
- Prepričani
- premislek
- se nadaljuje
- zbližati
- bi
- ustvarjajo
- Trenutna
- datum
- znanost o podatkih
- podatkovni znanstvenik
- odločitve
- opisati
- opisano
- Oblikovanje
- oblikovanje
- modeli
- Razvoj
- razvili
- drugačen
- razdalja
- domena
- vožnjo
- dinamika
- Edge
- učinek
- učinkovite
- učinkovito
- Inženiring
- okolje
- ustanovljena
- Primer
- Pričakuje
- izkušnje
- strokovno znanje
- raziskovanje
- raziskuje
- dejavniki
- Moda
- FAST
- hitreje
- Feature
- Lastnosti
- Slika
- prva
- fit
- Pretok
- po
- sledi
- Svoboda
- spredaj
- funkcija
- GAS
- splošno
- ustvarjajo
- ustvarjajo
- generacija
- generacije
- Globalno
- Cilj
- dobro
- GP
- zelo
- Mreža
- ob
- višina
- pomoč
- Skrij
- visoka
- več
- Kako
- Vendar
- HTTPS
- velika
- slika
- vpliv
- izvajali
- Pomembnost
- Pomembno
- izboljšanju
- Povečajte
- narašča
- vedno
- Industrija
- vplivajo
- Podatki
- informativni
- obvestila
- vhod
- vpogled
- vpogledi
- navdih
- obresti
- razišče
- IT
- znano
- velika
- vodi
- Interesenti
- učenje
- Stopnja
- Limited
- vrstica
- malo
- si
- stroj
- strojno učenje
- upravlja
- upravitelj
- Način
- proizvodnja
- matematični
- pomeni
- Metode
- Meritve
- morda
- minimalna
- ML
- Model
- modeli
- monitor
- več
- Najbolj
- motorsport
- več
- naravna
- Številka
- pridobljeni
- optimizacija
- Optimizirajte
- Optimalno
- možnosti
- Da
- Ostalo
- del
- zlasti
- zlasti
- performance
- Farmacevtska
- Fizika
- igranje
- točke
- bazen
- mogoče
- močan
- napovedati
- napoved
- Napovedi
- predstaviti
- prejšnja
- problem
- Postopek
- proizvodnjo
- strokovni
- Projekt
- obetaven
- predlaga
- predlagano
- zagotavljajo
- zagotavlja
- Namen
- racing
- dosežejo
- zapis
- zmanjša
- zmanjšanje
- redni
- Uredba
- Razmerje
- Preostalih
- zastopanje
- reprodukcija
- zahteva
- obvezna
- zahteva
- viri
- Odgovor
- Rezultati
- vrnitev
- krog
- Run
- tek
- Znanost
- Znanstvenik
- Iskalnik
- izbran
- Serija
- Storitve
- nastavite
- nastavitev
- deli
- pokazale
- Podoben
- Enostavno
- Simulacija
- spretnosti
- majhna
- So
- Rešitev
- rešitve
- SOLVE
- Vesolje
- specializirani
- hitrost
- Šport
- Šport
- namaz
- Stage
- postopka
- standardna
- začel
- zgodbe
- strategije
- Strategija
- Študije
- študija
- superior
- Površina
- ciljna
- skupina
- tehnični
- tehnike
- Test
- Testiranje
- testi
- svet
- zato
- skozi
- vsej
- čas
- zamudno
- krat
- Pnevmatike
- skupaj
- orodja
- na dotik
- proti
- sledenje
- tradicionalna
- odkrijte
- razumeli
- us
- uporaba
- potrjevanje
- vrednost
- Vozila
- Virtual
- Kaj
- Wikipedia
- veter
- brez
- delal
- deluje
- svet
- bi
- let