FORMEL 1 (F1) bilar är de snabbast reglerade racerbilarna i världen. Även om dessa öppna hjul bara är 20–30 kilometer (eller 12–18 miles) per timme snabbare än toppklassiga sportbilar, kan de köra runt kurvor upp till fem gånger så snabbt tack vare den kraftfulla aerodynamiska downforce de skapar. downforce är den vertikala kraft som genereras av de aerodynamiska ytorna som pressar bilen mot vägen, vilket ökar greppet från däcken. F1-aerodynamiker måste också övervaka luftmotståndet eller luftmotståndet, vilket begränsar rätlinjehastigheten.
F1-ingenjörsteamet är ansvarigt för att designa nästa generations F1-bilar och sätta ihop den tekniska föreskriften för sporten. Under de senaste 3 åren har de fått i uppdrag att designa en bil som håller nuvarande höga nivåer av downforce och topphastigheter, men som inte heller påverkas negativt av att köra bakom en annan bil. Detta är viktigt eftersom den tidigare generationens bilar kan förlora upp till 50 % av sin downforce när de tävlar tätt bakom en annan bil på grund av det turbulenta vaket som genereras av vingar och kaross.
Istället för att förlita sig på tidskrävande och kostsamma spår- eller vindtunneltester använder F1 Computational Fluid Dynamics (CFD), som tillhandahåller en virtuell miljö för att studera vätskeflödet (i det här fallet luften runt F1-bilen) utan att någonsin behöva behöva tillverka en enda del. Med CFD testar F1-aerodynamiker olika geometrikoncept, bedömer deras aerodynamiska inverkan och optimerar iterativt sina konstruktioner. Under de senaste tre åren har F3-ingenjörsteamet samarbetat med AWS för att sätta upp en skalbart och kostnadseffektivt CFD-arbetsflöde som har tredubblat genomströmningen av CFD-körningar och halverat omloppstiden per körning.
F1 håller på att undersöka AWS-tjänster för maskininlärning (ML) som t.ex Amazon SageMaker för att hjälpa till att optimera bilens design och prestanda genom att använda CFD-simuleringsdata för att bygga modeller med ytterligare insikter. Syftet är att avslöja lovande designriktningar och minska antalet CFD-simuleringar, och därigenom minska tiden det tar att konvergera till optimal design.
I det här inlägget förklarar vi hur F1 samarbetade med AWS professionella tjänster team för att utveckla ett skräddarsytt Design of Experiments (DoE) arbetsflöde som drivs av ML för att ge råd till F1-aerodynamiker om vilka designkoncept som ska testas i CFD för att maximera inlärning och prestanda.
Problem uttalande
När de utforskar nya aerodynamiska koncept använder F1-aerodynamiker ibland en process som kallas Design of Experiments (DoE). Denna process studerar systematiskt sambandet mellan flera faktorer. I fallet med en bakvinge kan detta vara vingkorda, spann eller camber, med avseende på aerodynamiska mått som nedåtkraft eller drag. Målet med en DoE-process är att effektivt prova designutrymmet och minimera antalet testade kandidater innan de konvergerar till ett optimalt resultat. Detta uppnås genom att iterativt ändra flera designfaktorer, mäta den aerodynamiska responsen, studera påverkan och förhållandet mellan faktorer och sedan fortsätta testa i den mest optimala eller informativa riktningen. I följande figur presenterar vi ett exempel på bakvingsgeometri som F1 vänligt har delat med oss från deras UNIFORM-baslinje. Fyra designparametrar som F1-aerodynamiker skulle kunna undersöka i en DoE-rutin är märkta.
I det här projektet arbetade F1 med AWS Professional Services för att undersöka användningen av ML för att förbättra DoE-rutinerna. Traditionella DoE-metoder kräver ett välbefolkat designutrymme för att förstå sambandet mellan designparametrar och förlitar sig därför på ett stort antal CFD-simuleringar i förväg. ML-regressionsmodeller skulle kunna använda resultaten från tidigare CFD-simuleringar för att förutsäga den aerodynamiska responsen givet uppsättningen designparametrar, samt ge dig en indikation på den relativa betydelsen av varje designvariabel. Du kan använda dessa insikter för att förutsäga optimal design och hjälpa designers att konvergera till optimala lösningar med färre CFD-simuleringar i förväg. För det andra kan du använda datavetenskapliga tekniker för att förstå vilka regioner i designutrymmet som inte har utforskats och potentiellt kan dölja optimala mönster.
För att illustrera det skräddarsydda ML-drivna DoE-arbetsflödet går vi igenom ett verkligt exempel på att designa en framvinge.
Designa en framvinge
F1-bilar förlitar sig på vingar som de främre och bakre vingarna för att generera det mesta av sin nedåtkraft, vilket vi refererar till genom hela detta exempel med koefficienten Cz. Under hela detta exempel har downforce-värdena normaliserats. I det här exemplet använde F1-aerodynamiker sin domänexpertis för att parametrisera vinggeometrin enligt följande (se följande figur för en visuell representation):
- LE-höjd – Framkantshöjd
- Min-Z – Minsta markfrigång
- Mid-LE-Angle – Framkantsvinkel för det tredje elementet
- TE-vinkel – Bakkantsvinkel
- TE-höjd – Bakkantshöjd
Denna främre vinggeometri delades av F1 och är en del av UNIFORM-baslinjen.
Dessa parametrar valdes ut för att de är tillräckliga för att effektivt beskriva de viktigaste aspekterna av geometrin och för att aerodynamisk prestanda tidigare har visat en anmärkningsvärd känslighet med avseende på dessa parametrar. Målet med denna DoE-rutin var att hitta kombinationen av de fem designparametrarna som skulle maximera aerodynamisk nedåtkraft (Cz). Designfriheten begränsas också genom att sätta maximala och minimivärden på designparametrarna, som visas i följande tabell.
. | Minsta | Maximal |
TE-höjd | 250.0 | 300.0 |
TE-vinkel | 145.0 | 165.0 |
Mid-LE-Angle | 160.0 | 170.0 |
Min-Z | 5.0 | 50.0 |
LE-höjd | 100.0 | 150.0 |
Efter att ha fastställt designparametrarna, målutdatamåttet och gränserna för vårt designutrymme, har vi allt vi behöver för att komma igång med DoE-rutinen. Ett arbetsflödesdiagram av vår lösning presenteras i följande bild. I följande avsnitt dyker vi djupt ner i de olika stadierna.
Inledande provtagning av designutrymmet
Det första steget i DoE-arbetsflödet är att i CFD köra en första uppsättning kandidater som effektivt samplar designutrymmet och låter oss bygga den första uppsättningen ML-regressionsmodeller för att studera inflytandet av varje funktion. Först genererar vi en pool av N prover med hjälp av Latin Hypercube Sampling (LHS) eller en vanlig rutnätsmetod. Sedan väljer vi k kandidater att testa i CFD med hjälp av en girig ingångsalgoritm, som syftar till att maximera utforskningen av designutrymmet. Börjar med en baslinjekandidat (den nuvarande designen), väljer vi iterativt kandidater längst bort från alla tidigare testade kandidater. Anta att vi redan testat k mönster; för de återstående designkandidaterna hittar vi minimiavståndet d med hänsyn till de testade k mönster:
Algoritmen för giriga inmatningar väljer den kandidat som maximerar avståndet i funktionsutrymmet till de tidigare testade kandidaterna:
I detta DoE valde vi ut tre giriga ingångskandidater och körde dem i CFD för att bedöma deras aerodynamiska downforce (Cz). De giriga ingångskandidaterna utforskar gränserna för designutrymmet och i detta skede visade sig ingen av dem vara överlägsen baslinjekandidaten när det gäller aerodynamisk nedåtkraft (Cz). Resultaten av denna första omgång av CFD-testning tillsammans med designparametrarna visas i följande tabell.
. | TE-höjd | TE-vinkel | Mid-LE-Angle | Min-Z | LE-höjd | Normaliserad Cz |
Baslinje | 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 |
Initiala ML-regressionsmodeller
Målet med regressionsmodellen är att förutsäga Cz för valfri kombination av de fem designparametrarna. Med en så liten datamängd prioriterade vi enkla modeller, tillämpade modellreglering för att undvika överanpassning och kombinerade förutsägelser från olika modeller där det var möjligt. Följande ML-modeller konstruerades:
- Vanliga minsta kvadrater (OLS)
- Stöd Vector Regression (SVM) med en RBF-kärna
- Gaussisk processregression (GP) med en Matérn-kärna
- XGBoost
Dessutom byggdes en staplad modell med två nivåer, där förutsägelserna från GP-, SVM- och XGBoost-modellerna assimileras av en Lasso-algoritm för att producera det slutliga svaret. Denna modell hänvisas till i det här inlägget som staplad modell. För att rangordna de prediktiva kapaciteterna hos de fem modellerna vi beskrev, implementerades en upprepad k-faldig korsvalideringsrutin.
Genererar nästa designkandidat att testa i CFD
Att välja vilken kandidat som ska testas härnäst kräver noggrant övervägande. F1-aerodynamikern måste balansera fördelarna med att utnyttja alternativ som förutspås av ML-modellen för att ge hög downforce med kostnaden för att misslyckas med att utforska okända områden i designutrymmet, vilket kan ge ännu högre downforce. Av den anledningen föreslår vi i denna DoE-rutin tre kandidater: en prestationsdriven och två prospekteringsdriven. Syftet med de utforskningsdrivna kandidaterna är också att tillhandahålla ytterligare datapunkter till ML-algoritmen i områden i designutrymmet där osäkerheten kring förutsägelsen är störst. Detta leder i sin tur till mer exakta förutsägelser i nästa omgång av designiteration.
Genetisk algoritmoptimering för att maximera downforce
För att erhålla kandidaten med den högsta förväntade aerodynamiska nedkraften kunde vi köra en förutsägelse över alla möjliga designkandidater. Detta skulle dock inte vara effektivt. För detta optimeringsproblem använder vi en genetisk algoritm (GA). Målet är att effektivt söka igenom ett enormt lösningsutrymme (erhållen via ML-förutsägelsen av Cz) och returnera den mest optimala kandidaten. GA:er är fördelaktiga när lösningsutrymmet är komplext och icke-konvext, så att klassiska optimeringsmetoder som gradientnedstigning är ett ineffektivt sätt att hitta en global lösning. GA är en undergrupp av evolutionära algoritmer och inspirerad av koncept från naturligt urval, genetisk korsning och mutation för att lösa sökproblemet. Under en serie iterationer (känd som generationer), kombineras de bästa kandidaterna från en initialt slumpmässigt utvald uppsättning designkandidater (ungefär som reproduktion). Så småningom låter denna mekanism dig hitta de mest optimala kandidaterna på ett effektivt sätt. För mer information om GA, se Använda genetiska algoritmer på AWS för optimeringsproblem.
Generera prospekteringsdrivna kandidater
För att generera vad vi kallar prospekteringsdrivna kandidater måste en bra urvalsstrategi kunna anpassas till en situation med effekt gleshet, där endast en delmängd av parametrarna påverkar lösningen signifikant. Därför bör samplingsstrategin sprida ut kandidaterna över indatadesignutrymmet men också undvika onödiga CFD-körningar, ändra variabler som har liten effekt på prestandan. Samplingsstrategin måste ta hänsyn till den svarsyta som förutsägs av ML-regressorn. Två provtagningsstrategier användes för att erhålla prospekteringsdrivna kandidater.
I fallet med Gaussiska processregressorer (GP), standardavvikelsen av den förutsagda responsytan kan användas som en indikation på modellens osäkerhet. Urvalsstrategin består av att välja ut ur poolen av N prover , kandidaten som maximerar . Genom att göra det samplar vi i den region av designutrymmet där regressorn är minst säker på sin förutsägelse. I matematiska termer väljer vi den kandidat som uppfyller följande ekvation:
Alternativt använder vi en girig samplingsstrategi för input och output, som maximerar både avstånden i funktionsutrymmet och i svarsutrymmet mellan den föreslagna kandidaten och de redan testade designerna. Detta tar itu med effekt gleshet situation eftersom kandidater som modifierar en designparameter med liten relevans har ett liknande svar, och därför är avstånden i svarsytan minimala. I matematiska termer väljer vi den kandidat som uppfyller följande ekvation, där funktionen f är ML-regressionsmodellen:
Kandidaturval, CFD-testning och optimeringsslinga
I detta skede presenteras användaren för både prestationsdrivna och utforskningsdrivna kandidater. Nästa steg består av att välja en delmängd av de föreslagna kandidaterna, köra CFD-simuleringar med dessa designparametrar och registrera det aerodynamiska nedtryckssvaret.
Efter detta tränar DoE-arbetsflödet om ML-regressionsmodellerna, kör den genetiska algoritmoptimeringen och föreslår en ny uppsättning prestationsdrivna och utforskningsdrivna kandidater. Användaren kör en delmängd av de föreslagna kandidaterna och fortsätter att iterera på detta sätt tills stoppkriterierna är uppfyllda. Stoppkriterierna är i allmänhet uppfyllda när en kandidat som bedöms som optimal erhålls.
Resultat
I följande figur registrerar vi den normaliserade aerodynamiska nedkraften (Cz) från CFD-simuleringen (blå) och den som förutspåtts i förväg med den valda ML-regressionsmodellen (rosa) för varje iteration av DoE-arbetsflödet. Målet var att maximera aerodynamisk nedåtkraft (Cz). De första fyra körningarna (till vänster om den röda linjen) var baslinjen och de tre giriga ingångskandidaterna som beskrivits tidigare. Därefter testades en kombination av prestationsdrivna och prospekteringsdrivna kandidater. I synnerhet var kandidaterna vid iterationerna 6 och 8 undersökande kandidater, båda uppvisade lägre nivåer av downforce än baslinjekandidaten (iteration 1). Som förväntat, när vi spelade in fler kandidater, blev ML-förutsägelsen allt mer exakt, vilket betecknas av det minskande avståndet mellan det förutspådda och faktiska Cz. Vid iteration 9 lyckades DoE-arbetsflödet hitta en kandidat med liknande prestanda som baslinjen, och vid iteration 12 avslutades DoE-arbetsflödet när den prestationsdrivna kandidaten överträffade baslinjen.
De slutliga designparametrarna tillsammans med det resulterande normaliserade nedtrycksvärdet presenteras i följande tabell. Den normaliserade downforce-nivån för baslinjekandidaten var 0.975, medan den optimala kandidaten för DoE-arbetsflödet registrerade en normaliserad downforce-nivå på 1.000. Detta är en viktig relativ ökning på 2.5 %.
För sammanhanget skulle en traditionell DoE-metod med fem variabler kräva 25 CFD-simuleringar i förväg innan man uppnår en tillräckligt bra passform för att förutsäga ett optimum. Å andra sidan konvergerade detta aktiva lärande till ett optimum i 12 iterationer.
. | TE-höjd | TE-vinkel | Mid-LE-Angle | Min-Z | LE-höjd | Normaliserad Cz |
Baslinje | 292.25 | 154.86 | 166 | 5 | 130 | 0.975 |
Optimal | 299.97 | 156.79 | 166.27 | 5.01 | 135.26 | 1.000 |
Funktionens betydelse
Att förstå den relativa egenskapens betydelse för en prediktiv modell kan ge en användbar insikt i data. Det kan hjälpa funktionsval med mindre viktiga variabler att tas bort, och därigenom minska dimensionaliteten hos problemet och potentiellt förbättra regressionsmodellens prediktiva förmåga, särskilt i den lilla dataregimen. I detta designproblem ger det F1-aerodynamiker en insikt i vilka variabler som är mest känsliga och därför kräver mer noggrann inställning.
I denna rutin implementerade vi en modellagnostisk teknik som kallas permutations betydelse. Den relativa betydelsen av varje variabel mäts genom att beräkna ökningen av modellens prediktionsfel efter att enbart slumpmässigt blandat värdena för den variabeln. Om en funktion är viktig för modellen ökar prediktionsfelet kraftigt och vice versa för mindre viktiga funktioner. I följande figur presenterar vi permutationsvikten för en Gaussisk processregressor (GP) som förutsäger aerodynamisk nedåtkraft (Cz). Bakkantshöjden (TE-Height) ansågs vara den viktigaste.
Slutsats
I det här inlägget förklarade vi hur F1-aerodynamiker använder ML-regressionsmodeller i DoE-arbetsflöden när de designar nya aerodynamiska geometrier. Det ML-drivna DoE-arbetsflödet som utvecklats av AWS Professional Services ger insikter i vilka designparametrar som kommer att maximera prestanda eller utforska okända områden i designutrymmet. I motsats till att iterativt testa kandidater i CFD i ett rutnätssökningssätt, kan det ML-drivna DoE-arbetsflödet konvergera till optimala designparametrar med färre iterationer. Detta sparar både tid och resurser eftersom färre CFD-simuleringar krävs.
Oavsett om du är ett läkemedelsföretag som vill påskynda optimeringen av kemisk sammansättning eller ett tillverkningsföretag som vill hitta designdimensionerna för de mest robusta designerna, kan DoE-arbetsflöden hjälpa dig att nå optimala kandidater mer effektivt. AWS Professional Services är redo att komplettera ditt team med specialiserade ML-kunskaper och erfarenhet för att utveckla verktygen för att effektivisera DoE-arbetsflöden och hjälpa dig att uppnå bättre affärsresultat. För mer information, se AWS professionella tjänster, eller kontakta din kontoansvariga för att komma i kontakt.
Om författarna
Pablo Hermoso Moreno är en dataforskare i AWS Professional Services Team. Han arbetar med kunder i olika branscher med hjälp av maskininlärning för att berätta historier med data och nå mer välgrundade tekniska beslut snabbare. Pablos bakgrund är inom Aerospace Engineering och efter att ha arbetat inom motorsportbranschen har han ett intresse av att överbrygga fysik och domänexpertis med ML. På fritiden tycker han om att rodda och spela gitarr.
- Myntsmart. Europas bästa bitcoin- och kryptobörs.
- Platoblockchain. Web3 Metaverse Intelligence. Kunskap förstärkt. FRI TILLGÅNG.
- CryptoHawk. Altcoin radar. Gratis provperiod.
- Källa: https://aws.amazon.com/blogs/machine-learning/optimize-f1-aerodynamic-geometries-via-design-of-experiments-and-machine-learning/
- "
- 000
- 100
- 28
- 9
- Om Oss
- Konto
- exakt
- Uppnå
- uppnås
- tvärs
- aktiv
- Dessutom
- Annat
- Aerospace
- algoritm
- algoritmer
- Alla
- redan
- Även
- amason
- Annan
- tillvägagångssätt
- runt
- AWS
- bakgrund
- Baslinje
- innan
- Där vi får lov att vara utan att konstant prestera,
- fördel
- BÄST
- SLUTRESULTAT
- företag
- kandidat
- kandidater
- kapacitet
- bil
- bilar
- laddning
- kemisk
- val
- klienter
- kombination
- kombinerad
- företag
- komplex
- säker
- övervägande
- fortsätter
- konvergerar
- kunde
- skapa
- Aktuella
- datum
- datavetenskap
- datavetare
- beslut
- beskriva
- beskriven
- Designa
- design
- mönster
- utveckla
- utvecklade
- olika
- avstånd
- domän
- drivande
- Dynamiken
- kant
- effekt
- effektiv
- effektivt
- Teknik
- Miljö
- etablerade
- exempel
- förväntat
- erfarenhet
- expertis
- utforskning
- utforska
- faktorer
- Mode
- SNABB
- snabbare
- Leverans
- Funktioner
- Figur
- Förnamn
- passa
- flöda
- efter
- följer
- Frihet
- främre
- fungera
- GAS
- allmänhet
- generera
- generera
- generering
- generationer
- Välgörenhet
- Målet
- god
- GP
- kraftigt
- Rutnät
- har
- höjd
- hjälpa
- Dölja
- Hög
- högre
- Hur ser din drömresa ut
- Men
- HTTPS
- stor
- bild
- Inverkan
- genomföras
- vikt
- med Esport
- förbättra
- Öka
- ökande
- alltmer
- industrin
- påverka
- informationen
- informativ
- informeras
- ingång
- insikt
- insikter
- inspirerat
- intresse
- undersöka
- IT
- känd
- Large
- ledande
- Leads
- inlärning
- Nivå
- Begränsad
- linje
- liten
- du letar
- Maskinen
- maskininlärning
- förvaltade
- chef
- sätt
- Produktion
- matematisk
- betyder
- metoder
- Metrics
- kanske
- minsta
- ML
- modell
- modeller
- Övervaka
- mer
- mest
- motorsport
- multipel
- Natural
- antal
- erhållna
- optimering
- Optimera
- optimal
- Tillbehör
- beställa
- Övriga
- del
- särskilt
- särskilt
- prestanda
- Läkemedelsindustrin
- Fysik
- i
- poäng
- poolen
- möjlig
- den mäktigaste
- förutse
- förutsägelse
- Förutsägelser
- presentera
- föregående
- Problem
- process
- producera
- professionell
- projektet
- lovande
- föreslå
- föreslagen
- ge
- ger
- Syftet
- Racing
- nå
- post
- minska
- reducerande
- regelbunden
- reglering
- relation
- Återstående
- representation
- reproduktion
- kräver
- Obligatorisk
- Kräver
- Resurser
- respons
- Resultat
- avkastning
- rund
- Körning
- rinnande
- Vetenskap
- Forskare
- Sök
- vald
- Serier
- Tjänster
- in
- inställning
- delas
- visas
- liknande
- Enkelt
- simulering
- färdigheter
- Small
- So
- lösning
- Lösningar
- LÖSA
- Utrymme
- specialiserad
- fart
- Sporter
- Sporter
- spridning
- Etapp
- stadier
- standard
- igång
- Upplevelser för livet
- strategier
- Strategi
- studier
- Läsa på
- överlägsen
- yta
- Målet
- grupp
- Teknisk
- tekniker
- testa
- Testning
- tester
- världen
- därför
- Genom
- hela
- tid
- tidskrävande
- gånger
- däck
- tillsammans
- verktyg
- Rör
- mot
- spår
- traditionell
- avslöja
- förstå
- us
- användning
- godkännande
- värde
- fordon
- Virtuell
- Vad
- wikipedia
- vind
- utan
- arbetade
- fungerar
- världen
- skulle
- år