สูตร 1 (F1) รถยนต์เป็นรถแข่งบนถนนที่มีการควบคุมเร็วที่สุดในโลก แม้ว่ารถยนต์ล้อเปิดเหล่านี้จะเร็วกว่ารถสปอร์ตรุ่นท็อปเพียง 20–30 กิโลเมตร (หรือ 12–18 ไมล์) ต่อชั่วโมง แต่ก็สามารถเร่งความเร็วรอบโค้งได้เร็วกว่าถึงห้าเท่าเนื่องจากแอโรไดนามิกอันทรงพลัง แรงกดที่พวกเขาสร้างขึ้น downforce คือแรงแนวตั้งที่เกิดจากพื้นผิวแอโรไดนามิกที่กดรถเข้าหาถนน ช่วยเพิ่มการยึดเกาะของยาง นักแอโรไดนามิกของ F1 ยังต้องเฝ้าติดตามแรงต้านของอากาศหรือแรงต้าน ซึ่งจำกัดความเร็วของเส้นตรง
ทีมวิศวกรของ F1 มีหน้าที่ออกแบบรถยนต์ F1 เจเนอเรชันต่อไปและรวบรวมกฎระเบียบทางเทคนิคสำหรับกีฬาประเภทนี้ ในช่วง 3 ปีที่ผ่านมา พวกเขาได้รับมอบหมายให้ออกแบบรถยนต์ที่รักษาระดับดาวน์ฟอร์ซและความเร็วสูงสุดไว้สูงในปัจจุบัน แต่ก็ไม่ได้รับผลกระทบในทางลบจากการขับรถตามหลังรถคันอื่น นี่เป็นสิ่งสำคัญเนื่องจากรถยนต์รุ่นก่อนอาจสูญเสียดาวน์ฟอร์ซได้ถึง 50% เมื่อวิ่งตามรถคันอื่นอย่างใกล้ชิดเนื่องจากการปลุกปั่นป่วนที่เกิดจากปีกและตัวถัง
แทนที่จะต้องอาศัยการทดสอบลู่วิ่งหรืออุโมงค์ลมที่ใช้เวลานานและมีราคาแพง F1 ใช้ Computational Fluid Dynamics (CFD) ซึ่งให้สภาพแวดล้อมเสมือนจริงเพื่อศึกษาการไหลของของเหลว (ในกรณีนี้คืออากาศรอบรถ F1) โดยไม่ต้องทำ ผลิตชิ้นส่วนเดียว ด้วย CFD นักแอโรไดนามิกของ F1 จะทดสอบแนวคิดทางเรขาคณิตต่างๆ ประเมินผลกระทบตามหลักอากาศพลศาสตร์ และปรับปรุงการออกแบบซ้ำๆ ในช่วง 3 ปีที่ผ่านมา ทีมวิศวกรรม F1 ได้ร่วมมือกับ AWS เพื่อตั้งค่า a เวิร์กโฟลว์ CFD ที่ปรับขนาดได้และคุ้มค่า ที่เพิ่มทรูพุตของการรัน CFD สามเท่า และลดเวลาตอบสนองต่อการรันลงครึ่งหนึ่ง
F1 อยู่ในขั้นตอนการค้นหาบริการการเรียนรู้ของเครื่อง AWS (ML) เช่น อเมซอน SageMaker เพื่อช่วยเพิ่มประสิทธิภาพการออกแบบและประสิทธิภาพของรถโดยใช้ข้อมูลการจำลอง CFD เพื่อสร้างโมเดลที่มีข้อมูลเชิงลึกเพิ่มเติม จุดมุ่งหมายคือการเปิดเผยทิศทางการออกแบบที่มีแนวโน้มดี และลดจำนวนการจำลอง CFD ซึ่งจะช่วยลดเวลาในการผสานกับการออกแบบที่เหมาะสมที่สุด
ในโพสต์นี้ เราจะอธิบายว่า F1 ร่วมมือกับ บริการระดับมืออาชีพของ AWS ทีมพัฒนาเวิร์กโฟลว์ Design of Experiments (DoE) ตามความต้องการซึ่งขับเคลื่อนโดย ML เพื่อให้คำแนะนำนักแอโรไดนามิก F1 เกี่ยวกับแนวคิดการออกแบบที่จะทดสอบใน CFD เพื่อเพิ่มการเรียนรู้และประสิทธิภาพสูงสุด
คำชี้แจงปัญหา
เมื่อสำรวจแนวคิดแอโรไดนามิกใหม่ บางครั้งนักแอโรไดนามิกของ F1 ใช้กระบวนการที่เรียกว่า Design of Experiments (DoE) กระบวนการนี้ศึกษาความสัมพันธ์ระหว่างปัจจัยหลายอย่างอย่างเป็นระบบ ในกรณีของปีกหลัง นี่อาจเป็นวิงคอร์ด สแปน หรือแคมเบอร์ โดยคำนึงถึงการวัดตามหลักอากาศพลศาสตร์ เช่น ดาวน์ฟอร์ซหรือแรงต้าน เป้าหมายของกระบวนการ DoE คือการสุ่มตัวอย่างพื้นที่การออกแบบอย่างมีประสิทธิภาพ และลดจำนวนผู้สมัครที่ทดสอบก่อนที่จะบรรจบกันเพื่อให้ได้ผลลัพธ์ที่ดีที่สุด สิ่งนี้ทำได้โดยการเปลี่ยนแปลงปัจจัยการออกแบบหลายๆ อย่างซ้ำๆ การวัดการตอบสนองตามหลักอากาศพลศาสตร์ ศึกษาผลกระทบและความสัมพันธ์ระหว่างปัจจัยต่างๆ แล้วทำการทดสอบต่อไปในทิศทางที่เหมาะสมที่สุดหรือให้ข้อมูลมากที่สุด ในรูปต่อไปนี้ เรานำเสนอตัวอย่างเรขาคณิตของปีกหลังที่ F1 ได้แบ่งปันกับเราจากพื้นฐาน UNIFORM พารามิเตอร์การออกแบบสี่ตัวที่นักแอโรไดนามิก F1 สามารถตรวจสอบได้ในรูทีน DoE มีการระบุไว้
ในโครงการนี้ F1 ทำงานร่วมกับ AWS Professional Services เพื่อตรวจสอบโดยใช้ ML เพื่อปรับปรุงกิจวัตร DoE วิธีการ DoE แบบดั้งเดิมต้องการพื้นที่การออกแบบที่มีประชากรหนาแน่น เพื่อให้เข้าใจถึงความสัมพันธ์ระหว่างพารามิเตอร์การออกแบบ ดังนั้นจึงต้องอาศัยการจำลอง CFD ล่วงหน้าจำนวนมาก ตัวแบบการถดถอย ML สามารถใช้ผลลัพธ์จากการจำลอง CFD ก่อนหน้าเพื่อคาดการณ์การตอบสนองตามหลักอากาศพลศาสตร์โดยพิจารณาจากชุดพารามิเตอร์การออกแบบ รวมทั้งให้การบ่งชี้ถึงความสำคัญเชิงสัมพันธ์ของตัวแปรการออกแบบแต่ละรายการ คุณสามารถใช้ข้อมูลเชิงลึกเหล่านี้เพื่อคาดการณ์การออกแบบที่เหมาะสมที่สุด และช่วยให้นักออกแบบมาบรรจบกับโซลูชันที่เหมาะสมที่สุดด้วยการจำลอง CFD ล่วงหน้าที่น้อยลง ประการที่สอง คุณสามารถใช้เทคนิควิทยาศาสตร์ข้อมูลเพื่อทำความเข้าใจว่าภูมิภาคใดในพื้นที่การออกแบบยังไม่ได้สำรวจและอาจซ่อนการออกแบบที่เหมาะสมที่สุดได้
เพื่อแสดงเวิร์กโฟลว์ DoE ที่ขับเคลื่อนด้วย ML ตามความต้องการ เราได้ดูตัวอย่างที่แท้จริงของการออกแบบปีกด้านหน้า
การออกแบบปีกหน้า
รถยนต์ F1 อาศัยปีกเช่นปีกด้านหน้าและด้านหลังเพื่อสร้างแรงกดส่วนใหญ่ซึ่งเราอ้างถึงในตัวอย่างนี้โดยสัมประสิทธิ์ เช็ก ตลอดตัวอย่างนี้ ค่าดาวน์ฟอร์ซได้รับการปรับให้เป็นมาตรฐาน ในตัวอย่างนี้ นักแอโรไดนามิกของ F1 ใช้ความเชี่ยวชาญโดเมนของตนเพื่อสร้างพารามิเตอร์ของเรขาคณิตของปีกดังนี้ (ดูรูปต่อไปนี้สำหรับการแสดงภาพ):
- LE-ความสูง – ความสูงของขอบชั้นนำ
- มิน-ซี – ระยะห่างจากพื้นดินขั้นต่ำ
- กลาง-LE-มุม – มุมขอบนำขององค์ประกอบที่สาม
- TE-มุม – มุมขอบท้าย
- TE-ความสูง – ความสูงของขอบท้าย
รูปทรงปีกด้านหน้านี้ใช้ร่วมกันโดย F1 และเป็นส่วนหนึ่งของพื้นฐาน UNIFORM
พารามิเตอร์เหล่านี้ได้รับการคัดเลือกเนื่องจากเพียงพอที่จะอธิบายลักษณะสำคัญของเรขาคณิตได้อย่างมีประสิทธิภาพ และเนื่องจากในอดีต ประสิทธิภาพแอโรไดนามิกได้แสดงความไวที่โดดเด่นในส่วนที่เกี่ยวกับพารามิเตอร์เหล่านี้ เป้าหมายของรูทีน DoE นี้คือการค้นหาการรวมกันของพารามิเตอร์การออกแบบห้าตัวที่จะเพิ่มแรงกดตามหลักอากาศพลศาสตร์สูงสุด (Cz). อิสระในการออกแบบยังถูกจำกัดด้วยการตั้งค่าสูงสุดและต่ำสุดให้กับพารามิเตอร์การออกแบบ ดังแสดงในตารางต่อไปนี้
. | ขั้นต่ำ | สูงสุด |
TE-ความสูง | 250.0 | 300.0 |
TE-มุม | 145.0 | 165.0 |
กลาง-LE-มุม | 160.0 | 170.0 |
มิน-ซี | 5.0 | 50.0 |
LE-ความสูง | 100.0 | 150.0 |
หลังจากกำหนดพารามิเตอร์การออกแบบ เมตริกผลลัพธ์เป้าหมาย และขอบเขตของพื้นที่การออกแบบแล้ว เรามีทั้งหมดที่จำเป็นในการเริ่มต้นใช้งานรูทีน DoE ไดอะแกรมเวิร์กโฟลว์ของโซลูชันของเราแสดงอยู่ในภาพต่อไปนี้ ในส่วนต่อไปนี้ เราจะเจาะลึกไปยังขั้นตอนต่างๆ
การสุ่มตัวอย่างเบื้องต้นของพื้นที่การออกแบบ
ขั้นตอนแรกของเวิร์กโฟลว์ DoE คือการเรียกใช้ CFD ชุดเริ่มต้นของผู้สมัครที่สุ่มตัวอย่างพื้นที่การออกแบบอย่างมีประสิทธิภาพ และช่วยให้เราสร้างแบบจำลองการถดถอย ML ชุดแรกเพื่อศึกษาอิทธิพลของแต่ละคุณลักษณะ ขั้นแรก เราสร้างพูลของ N ตัวอย่าง การใช้ การสุ่มตัวอย่างละติน Hypercube (LHS) หรือวิธีกริดแบบปกติ จากนั้นเราเลือก k ผู้สมัครเพื่อทดสอบใน CFD โดยใช้อัลกอริธึมอินพุตที่โลภซึ่งมีจุดมุ่งหมายเพื่อเพิ่มการสำรวจพื้นที่การออกแบบให้มากที่สุด เริ่มจากผู้สมัครพื้นฐาน (การออกแบบปัจจุบัน) เราจะเลือกผู้สมัครซ้ำๆ ให้ไกลที่สุดจากผู้สมัครที่ทดสอบก่อนหน้านี้ทั้งหมด สมมุติว่าเราทดสอบแล้ว k การออกแบบ; สำหรับผู้ออกแบบที่เหลือ เราจะหาระยะทางขั้นต่ำ d เกี่ยวกับการทดสอบ k การออกแบบ:
อัลกอริธึมอินพุตที่โลภจะเลือกตัวเลือกที่เพิ่มระยะทางในพื้นที่คุณสมบัติให้สูงสุดกับตัวเลือกที่ทดสอบก่อนหน้านี้:
ใน DoE นี้ เราเลือกผู้สมัครรับข้อมูลที่มีความโลภสามตัวและดำเนินการใน CFD เพื่อประเมินดาวน์ฟอร์ซตามหลักอากาศพลศาสตร์ (Cz). ผู้สมัครที่มีความโลภเข้ามาสำรวจขอบเขตของพื้นที่การออกแบบ และในขั้นตอนนี้ ไม่มีใครพิสูจน์ได้ดีกว่าตัวเลือกพื้นฐานในแง่ของแรงกดตามหลักอากาศพลศาสตร์ (Cz). ผลการทดสอบ CFD รอบแรกนี้พร้อมกับพารามิเตอร์การออกแบบจะแสดงในตารางต่อไปนี้
. | TE-ความสูง | TE-มุม | กลาง-LE-มุม | มิน-ซี | LE-ความสูง | ทำให้เป็นมาตรฐาน Cz |
baseline | 292.25 | 154.86 | 166 | 5 | 130 | 0.975 |
จีไอ 0 | 250 | 165 | 160 | 50 | 100 | 0.795 |
จีไอ 1 | 300 | 145 | 170 | 50 | 100 | 0.909 |
จีไอ 2 | 250 | 145 | 170 | 5 | 100 | 0.847 |
ตัวแบบการถดถอย ML เริ่มต้น
เป้าหมายของตัวแบบการถดถอยคือการทำนาย Cz สำหรับการรวมกันของห้าพารามิเตอร์การออกแบบ ด้วยชุดข้อมูลขนาดเล็กดังกล่าว เราจัดลำดับความสำคัญของโมเดลอย่างง่าย ใช้การปรับโมเดลให้เป็นมาตรฐานเพื่อหลีกเลี่ยงการ overfitting และรวมการคาดการณ์ของโมเดลต่างๆ ที่เป็นไปได้ โมเดล ML ต่อไปนี้ถูกสร้างขึ้น:
- สี่เหลี่ยมจัตุรัสน้อยที่สุดสามัญ (OLS)
- รองรับ Vector Regression (SVM) ด้วยเคอร์เนล RBF
- การถดถอยกระบวนการเกาส์เซียน (GP) ด้วยเคอร์เนล Matérn
- XGBoost
นอกจากนี้ ยังมีการสร้างโมเดลสแต็กสองระดับ ซึ่งการคาดการณ์ของโมเดล GP, SVM และ XGBoost จะถูกหลอมรวมโดยอัลกอริธึม Lasso เพื่อสร้างการตอบสนองขั้นสุดท้าย โมเดลนี้ถูกอ้างถึงตลอดทั้งโพสต์นี้ว่า โมเดลซ้อน. เพื่อจัดอันดับความสามารถในการคาดการณ์ของแบบจำลองทั้งห้าที่เราอธิบาย มีการใช้รูทีนการตรวจสอบความถูกต้องข้าม k-fold ซ้ำๆ
กำลังสร้างผู้สมัครออกแบบรายต่อไปเพื่อทดสอบใน CFD
การเลือกผู้สมัครที่จะทดสอบต่อไปต้องพิจารณาอย่างรอบคอบ นักแอโรไดนามิกของ F1 จะต้องสร้างสมดุลระหว่างประโยชน์ของการใช้ประโยชน์จากตัวเลือกที่คาดการณ์โดยโมเดล ML เพื่อให้ดาวน์ฟอร์ซที่สูงพร้อมกับค่าใช้จ่ายในการสำรวจพื้นที่ที่ไม่คุ้นเคยของพื้นที่การออกแบบ ซึ่งอาจทำให้ดาวน์ฟอร์ซสูงขึ้นไปอีก ด้วยเหตุผลดังกล่าว ในรูทีน DoE นี้ เราขอเสนอผู้สมัครสามคน: หนึ่งรายที่ขับเคลื่อนด้วยประสิทธิภาพและสองคนที่ขับเคลื่อนด้วยการสำรวจ วัตถุประสงค์ของผู้สมัครที่ขับเคลื่อนด้วยการสำรวจคือเพื่อให้ข้อมูลเพิ่มเติมแก่อัลกอริทึม ML ในพื้นที่ของพื้นที่การออกแบบซึ่งความไม่แน่นอนเกี่ยวกับการคาดคะเนนั้นสูงที่สุด ซึ่งจะนำไปสู่การคาดการณ์ที่แม่นยำยิ่งขึ้นในการทำซ้ำการออกแบบรอบถัดไป
การเพิ่มประสิทธิภาพอัลกอริทึมทางพันธุกรรมเพื่อเพิ่มแรงกดสูงสุด
เพื่อให้ได้ผู้สมัครที่มีแรงกดตามหลักอากาศพลศาสตร์ที่คาดหวังไว้สูงสุด เราสามารถเรียกใช้การคาดคะเนเหนือตัวเลือกการออกแบบที่เป็นไปได้ทั้งหมด อย่างไรก็ตาม สิ่งนี้จะไม่มีประสิทธิภาพ สำหรับปัญหาการปรับให้เหมาะสมนี้ เราใช้อัลกอริทึมทางพันธุกรรม (GA) เป้าหมายคือการค้นหาอย่างมีประสิทธิภาพผ่านพื้นที่โซลูชันขนาดใหญ่ (ได้จากการทำนาย ML ของ Cz) และส่งคืนผู้สมัครที่เหมาะสมที่สุด GA มีประโยชน์เมื่อพื้นที่โซลูชันมีความซับซ้อนและไม่นูน ดังนั้นวิธีการปรับให้เหมาะสมแบบคลาสสิก เช่น การไล่ระดับสีแบบไล่ระดับเป็นวิธีที่ไม่มีประสิทธิภาพในการหาโซลูชันระดับโลก GA เป็นชุดย่อยของอัลกอริธึมวิวัฒนาการและได้รับแรงบันดาลใจจากแนวคิดจากการคัดเลือกโดยธรรมชาติ ครอสโอเวอร์ทางพันธุกรรม และการกลายพันธุ์เพื่อแก้ปัญหาการค้นหา ในชุดของการทำซ้ำ (เรียกว่ารุ่น) ผู้สมัครที่ดีที่สุดของชุดตัวเลือกการออกแบบที่ได้รับการสุ่มเลือกในขั้นต้นจะถูกรวมเข้าด้วยกัน (เหมือนกับการทำซ้ำ) ในที่สุด กลไกนี้ช่วยให้คุณค้นหาผู้ที่เหมาะสมที่สุดในลักษณะที่มีประสิทธิภาพ สำหรับข้อมูลเพิ่มเติมเกี่ยวกับ GA โปรดดูที่ การใช้อัลกอริทึมทางพันธุกรรมบน AWS สำหรับปัญหาการเพิ่มประสิทธิภาพ.
การสร้างผู้สมัครที่ขับเคลื่อนด้วยการสำรวจ
ในการสร้างสิ่งที่เราเรียกว่าผู้สมัครที่ขับเคลื่อนด้วยการสำรวจ กลยุทธ์การสุ่มตัวอย่างที่ดีจะต้องสามารถปรับให้เข้ากับสถานการณ์ของ ผลกระทบเบาบางซึ่งมีเพียงชุดย่อยของพารามิเตอร์เท่านั้นที่ส่งผลกระทบอย่างมีนัยสำคัญต่อโซลูชัน ดังนั้น กลยุทธ์การสุ่มตัวอย่างควรกระจายตัวเลือกที่เสนอผ่านพื้นที่การออกแบบอินพุต แต่ยังหลีกเลี่ยงการรัน CFD ที่ไม่จำเป็น การเปลี่ยนแปลงตัวแปรที่มีผลเพียงเล็กน้อยต่อประสิทธิภาพ กลยุทธ์การสุ่มตัวอย่างต้องคำนึงถึงพื้นผิวการตอบสนองที่คาดการณ์โดยตัวถดถอย ML ใช้กลยุทธ์การสุ่มตัวอย่างสองแบบเพื่อให้ได้ผู้สมัครที่ขับเคลื่อนด้วยการสำรวจ
ในกรณีของ Gaussian Process Regressors (GP) ค่าเบี่ยงเบนมาตรฐาน ของพื้นผิวการตอบสนองที่คาดการณ์ไว้สามารถใช้เป็นตัวบ่งชี้ความไม่แน่นอนของแบบจำลองได้ กลยุทธ์การสุ่มตัวอย่างประกอบด้วยการเลือกออกจากกลุ่ม N ตัวอย่าง , ผู้สมัครที่ขยายสูงสุด . โดยการทำเช่นนี้ เรากำลังสุ่มตัวอย่างในพื้นที่ของพื้นที่การออกแบบที่ตัวถดถอยมีความมั่นใจน้อยที่สุดเกี่ยวกับการคาดการณ์ ในทางคณิตศาสตร์ เราเลือกผู้สมัครที่ตรงกับสมการต่อไปนี้:
อีกทางหนึ่ง เราใช้กลยุทธ์สุ่มตัวอย่างอินพุตและเอาต์พุตที่โลภ ซึ่งเพิ่มทั้งระยะทางในพื้นที่คุณลักษณะและในพื้นที่ตอบสนองระหว่างตัวเลือกที่เสนอและการออกแบบที่ทดสอบแล้ว นี้โหม่ง ผลกระทบเบาบาง สถานการณ์เนื่องจากผู้สมัครที่ปรับเปลี่ยนพารามิเตอร์การออกแบบที่มีความเกี่ยวข้องน้อยมีการตอบสนองที่คล้ายคลึงกัน ดังนั้นระยะทางในพื้นผิวการตอบสนองจึงน้อยที่สุด ในทางคณิตศาสตร์ เราเลือกผู้สมัครที่ตรงกับสมการต่อไปนี้ โดยที่ฟังก์ชัน f เป็นแบบจำลองการถดถอย ML:
การคัดเลือกผู้สมัคร การทดสอบ CFD และลูปการเพิ่มประสิทธิภาพ
ในขั้นตอนนี้ ผู้ใช้จะถูกนำเสนอด้วยทั้งผู้สมัครที่ขับเคลื่อนด้วยประสิทธิภาพและที่ขับเคลื่อนด้วยการสำรวจ ขั้นตอนต่อไปประกอบด้วยการเลือกชุดย่อยของผู้สมัครที่เสนอ เรียกใช้การจำลอง CFD ด้วยพารามิเตอร์การออกแบบเหล่านั้น และบันทึกการตอบสนองของแรงกดตามหลักอากาศพลศาสตร์
หลังจากนี้ เวิร์กโฟลว์ DoE จะฝึกแบบจำลองการถดถอย ML อีกครั้ง เรียกใช้การเพิ่มประสิทธิภาพอัลกอริธึมทางพันธุกรรม และเสนอชุดใหม่ของผู้สมัครที่ขับเคลื่อนประสิทธิภาพและขับเคลื่อนด้วยการสำรวจ ผู้ใช้เรียกใช้ชุดย่อยของผู้สมัครที่เสนอและวนซ้ำในลักษณะนี้จนกว่าจะตรงตามเกณฑ์การหยุด โดยทั่วไปจะเป็นไปตามเกณฑ์การหยุดเมื่อได้ผู้สมัครที่ถือว่าเหมาะสมที่สุด
ผลสอบ
ในรูปต่อไปนี้ เราบันทึกแรงกดตามหลักอากาศพลศาสตร์ที่ทำให้เป็นมาตรฐาน (Cz) จากการจำลอง CFD (สีน้ำเงิน) และการจำลองที่คาดการณ์ไว้ล่วงหน้าโดยใช้แบบจำลองการถดถอย ML ที่เลือก (สีชมพู) สำหรับการทำซ้ำแต่ละครั้งของเวิร์กโฟลว์ DoE เป้าหมายคือการเพิ่มแรงกดตามหลักอากาศพลศาสตร์สูงสุด (Cz). การวิ่งสี่ครั้งแรก (ทางด้านซ้ายของเส้นสีแดง) เป็นเส้นฐานและผู้สมัครรับข้อมูลที่มีความโลภสามรายการที่ระบุไว้ก่อนหน้านี้ จากนั้นจึงทำการทดสอบทั้งผู้สมัครที่ขับเคลื่อนด้วยผลงานและที่ขับเคลื่อนด้วยการสำรวจ โดยเฉพาะอย่างยิ่ง ผู้สมัครที่ทำซ้ำ 6 และ 8 เป็นผู้สมัครที่สำรวจ ทั้งคู่แสดงระดับดาวน์ฟอร์ซที่ต่ำกว่าผู้สมัครที่พื้นฐาน (วนซ้ำ 1) ตามที่คาดไว้ เมื่อเราบันทึกผู้สมัครมากขึ้น การคาดคะเน ML มีความแม่นยำมากขึ้น โดยแสดงโดยระยะห่างระหว่างการคาดการณ์กับจริงที่ลดลง เช็ก ในการทำซ้ำ 9 เวิร์กโฟลว์ DoE สามารถค้นหาผู้สมัครที่มีผลการทำงานใกล้เคียงกับพื้นฐาน และเมื่อทำซ้ำ 12 เวิร์กโฟลว์ DoE ได้รับการสรุปเมื่อผู้สมัครที่ขับเคลื่อนด้วยประสิทธิภาพเหนือกว่าเกณฑ์พื้นฐาน
พารามิเตอร์การออกแบบขั้นสุดท้ายพร้อมกับค่าแรงกดที่เป็นมาตรฐานที่ได้แสดงไว้ในตารางต่อไปนี้ ระดับดาวน์ฟอร์ซที่ปรับให้เป็นมาตรฐานสำหรับตัวเลือกพื้นฐานคือ 0.975 ในขณะที่ตัวเลือกที่เหมาะสมที่สุดสำหรับเวิร์กโฟลว์ DoE บันทึกระดับดาวน์ฟอร์ซปกติที่ 1.000 นี่เป็นการเพิ่มขึ้นสัมพัทธ์ที่สำคัญ 2.5%
สำหรับบริบท วิธีการ DoE แบบดั้งเดิมที่มีตัวแปร 25 ตัวจะต้องใช้การจำลอง CFD ล่วงหน้า 12 แบบก่อนที่จะได้ค่าที่เหมาะสมพอที่จะคาดการณ์ค่าที่เหมาะสมที่สุด ในทางกลับกัน แนวทางการเรียนรู้เชิงรุกนี้หลอมรวมเป็นวิธีที่ดีที่สุดในการทำซ้ำ XNUMX ครั้ง
. | TE-ความสูง | TE-มุม | กลาง-LE-มุม | มิน-ซี | LE-ความสูง | ทำให้เป็นมาตรฐาน Cz |
baseline | 292.25 | 154.86 | 166 | 5 | 130 | 0.975 |
ดีที่สุด | 299.97 | 156.79 | 166.27 | 5.01 | 135.26 | 1.000 |
ความสำคัญของคุณลักษณะ
การทำความเข้าใจเกี่ยวกับความสำคัญของคุณลักษณะที่เกี่ยวข้องสำหรับแบบจำลองการคาดการณ์สามารถให้ข้อมูลเชิงลึกที่เป็นประโยชน์เกี่ยวกับข้อมูลได้ สามารถช่วยเลือกคุณลักษณะโดยลบตัวแปรที่มีความสำคัญน้อยกว่าออกไป ซึ่งจะช่วยลดมิติของปัญหาและอาจปรับปรุงพลังการทำนายของแบบจำลองการถดถอย โดยเฉพาะอย่างยิ่งในระบอบข้อมูลขนาดเล็ก ในปัญหาการออกแบบนี้ นักแอโรไดนามิกของ F1 จะได้รับข้อมูลเชิงลึกว่าตัวแปรใดมีความอ่อนไหวมากที่สุด ดังนั้นจึงต้องมีการปรับแต่งอย่างระมัดระวังมากขึ้น
ในรูทีนนี้ เราได้ใช้เทคนิคที่ไม่อิงแบบจำลองที่เรียกว่า ความสำคัญการเปลี่ยนแปลง. ความสำคัญสัมพัทธ์ของตัวแปรแต่ละตัววัดโดยการคำนวณการเพิ่มขึ้นของข้อผิดพลาดในการทำนายของแบบจำลอง หลังจากการสุ่มสุ่มค่าสำหรับตัวแปรนั้นเพียงอย่างเดียว หากคุณลักษณะมีความสำคัญสำหรับโมเดล ข้อผิดพลาดในการคาดการณ์จะเพิ่มขึ้นอย่างมาก และในทางกลับกันสำหรับคุณลักษณะที่มีความสำคัญน้อยกว่า ในรูปต่อไปนี้ เรานำเสนอความสำคัญของการเปลี่ยนแปลงสำหรับ Gaussian Process Regressor (GP) ที่คาดการณ์ดาวน์ฟอร์ซตามหลักอากาศพลศาสตร์ (Cz). ความสูงของขอบท้าย (TE-Height) ถือว่าสำคัญที่สุด
สรุป
ในโพสต์นี้ เราอธิบายว่านักอากาศพลศาสตร์ F1 ใช้แบบจำลองการถดถอย ML ในเวิร์กโฟลว์ DoE อย่างไรเมื่อออกแบบรูปทรงตามหลักอากาศพลศาสตร์แบบใหม่ เวิร์กโฟลว์ DoE ที่ขับเคลื่อนด้วย ML ที่พัฒนาโดย AWS Professional Services ให้ข้อมูลเชิงลึกว่าพารามิเตอร์การออกแบบใดจะเพิ่มประสิทธิภาพสูงสุดหรือสำรวจภูมิภาคที่ไม่คุ้นเคยในพื้นที่การออกแบบ ตรงข้ามกับการทดสอบผู้สมัครซ้ำใน CFD ในรูปแบบการค้นหาแบบกริด เวิร์กโฟลว์ DoE ที่ขับเคลื่อนด้วย ML สามารถบรรจบกับพารามิเตอร์การออกแบบที่เหมาะสมที่สุดได้ด้วยการทำซ้ำน้อยลง ซึ่งช่วยประหยัดเวลาและทรัพยากรเนื่องจากต้องใช้การจำลอง CFD น้อยลง
ไม่ว่าคุณจะเป็นบริษัทยาที่ต้องการเร่งการเพิ่มประสิทธิภาพองค์ประกอบทางเคมีหรือบริษัทผู้ผลิตที่ต้องการค้นหามิติการออกแบบสำหรับการออกแบบที่แข็งแกร่งที่สุด เวิร์กโฟลว์ DoE สามารถช่วยให้เข้าถึงผู้สมัครที่เหมาะสมได้อย่างมีประสิทธิภาพมากขึ้น AWS Professional Services พร้อมที่จะเสริมทีมของคุณด้วยทักษะและประสบการณ์ ML เฉพาะทางเพื่อพัฒนาเครื่องมือเพื่อปรับปรุงเวิร์กโฟลว์ DoE และช่วยให้คุณบรรลุผลลัพธ์ทางธุรกิจที่ดีขึ้น ดูข้อมูลเพิ่มเติมได้ที่ บริการระดับมืออาชีพของ AWSหรือติดต่อผ่านผู้จัดการบัญชีของคุณเพื่อติดต่อ
เกี่ยวกับผู้เขียน
ปาโบล เอร์โมโซ โมเรโน เป็นนักวิทยาศาสตร์ข้อมูลในทีมบริการระดับมืออาชีพของ AWS เขาทำงานร่วมกับลูกค้าในอุตสาหกรรมต่างๆ โดยใช้แมชชีนเลิร์นนิงเพื่อบอกเล่าเรื่องราวด้วยข้อมูลและเข้าถึงการตัดสินใจด้านวิศวกรรมที่มีข้อมูลมากขึ้นได้เร็วยิ่งขึ้น ภูมิหลังของ Pablo อยู่ที่วิศวกรรมการบินและอวกาศ และเคยทำงานในอุตสาหกรรมมอเตอร์สปอร์ต เขามีความสนใจในการเชื่อมโยงฟิสิกส์และความเชี่ยวชาญด้านโดเมนกับ ML ในเวลาว่าง เขาชอบพายเรือและเล่นกีตาร์
- "
- 000
- 100
- 28
- 9
- เกี่ยวกับเรา
- ลงชื่อเข้าใช้
- ถูกต้อง
- บรรลุ
- ประสบความสำเร็จ
- ข้าม
- คล่องแคล่ว
- นอกจากนี้
- เพิ่มเติม
- การบินและอวกาศ
- ขั้นตอนวิธี
- อัลกอริทึม
- ทั้งหมด
- แล้ว
- แม้ว่า
- อเมซอน
- อื่น
- เข้าใกล้
- รอบ
- AWS
- พื้นหลัง
- baseline
- ก่อน
- กำลัง
- ประโยชน์
- ที่ดีที่สุด
- สร้าง
- ธุรกิจ
- ผู้สมัคร
- ผู้สมัคร
- ความสามารถในการ
- รถ
- รถยนต์
- รับผิดชอบ
- สารเคมี
- ทางเลือก
- ลูกค้า
- การผสมผสาน
- รวม
- บริษัท
- ซับซ้อน
- มั่นใจ
- การพิจารณา
- อย่างต่อเนื่อง
- ลู่
- ได้
- สร้าง
- ปัจจุบัน
- ข้อมูล
- วิทยาศาสตร์ข้อมูล
- นักวิทยาศาสตร์ข้อมูล
- การตัดสินใจ
- บรรยาย
- อธิบาย
- ออกแบบ
- การออกแบบ
- การออกแบบ
- พัฒนา
- พัฒนา
- ต่าง
- ระยะทาง
- โดเมน
- การขับขี่
- พลศาสตร์
- ขอบ
- ผล
- ที่มีประสิทธิภาพ
- อย่างมีประสิทธิภาพ
- ชั้นเยี่ยม
- สิ่งแวดล้อม
- ที่จัดตั้งขึ้น
- ตัวอย่าง
- ที่คาดหวัง
- ประสบการณ์
- ความชำนาญ
- การสำรวจ
- สำรวจ
- ปัจจัย
- แฟชั่น
- FAST
- เร็วขึ้น
- ลักษณะ
- คุณสมบัติ
- รูป
- ชื่อจริง
- พอดี
- ไหล
- ดังต่อไปนี้
- ดังต่อไปนี้
- เสรีภาพ
- ด้านหน้า
- ฟังก์ชัน
- GAS
- โดยทั่วไป
- สร้าง
- การสร้าง
- รุ่น
- ชั่วอายุคน
- เหตุการณ์ที่
- เป้าหมาย
- ดี
- GP
- อย่างมาก
- ตะแกรง
- มี
- ความสูง
- ช่วย
- ซ่อน
- จุดสูง
- สูงกว่า
- สรุป ความน่าเชื่อถือของ Olymp Trade?
- อย่างไรก็ตาม
- HTTPS
- ใหญ่
- ภาพ
- ส่งผลกระทบ
- การดำเนินการ
- ความสำคัญ
- สำคัญ
- การปรับปรุง
- เพิ่ม
- ที่เพิ่มขึ้น
- ขึ้น
- อุตสาหกรรม
- มีอิทธิพล
- ข้อมูล
- ให้ข้อมูล
- แจ้ง
- อินพุต
- ความเข้าใจ
- ข้อมูลเชิงลึก
- แรงบันดาลใจ
- อยากเรียนรู้
- สอบสวน
- IT
- ที่รู้จักกัน
- ใหญ่
- ชั้นนำ
- นำไปสู่
- การเรียนรู้
- ชั้น
- ถูก จำกัด
- Line
- น้อย
- ที่ต้องการหา
- เครื่อง
- เรียนรู้เครื่อง
- การจัดการ
- ผู้จัดการ
- ลักษณะ
- การผลิต
- คณิตศาสตร์
- วิธี
- วิธีการ
- ตัวชี้วัด
- อาจ
- ขั้นต่ำ
- ML
- แบบ
- โมเดล
- การตรวจสอบ
- ข้อมูลเพิ่มเติม
- มากที่สุด
- มอเตอร์สปอร์ต
- หลาย
- โดยธรรมชาติ
- จำนวน
- ที่ได้รับ
- การเพิ่มประสิทธิภาพ
- เพิ่มประสิทธิภาพ
- สูงสุด
- Options
- ใบสั่ง
- อื่นๆ
- ส่วนหนึ่ง
- ในสิ่งที่สนใจ
- โดยเฉพาะ
- การปฏิบัติ
- เภสัชกรรม
- ฟิสิกส์
- เล่น
- จุด
- สระ
- เป็นไปได้
- ที่มีประสิทธิภาพ
- คาดการณ์
- คำทำนาย
- การคาดการณ์
- นำเสนอ
- ก่อน
- ปัญหา
- กระบวนการ
- ก่อ
- มืออาชีพ
- โครงการ
- แวว
- เสนอ
- เสนอ
- ให้
- ให้
- วัตถุประสงค์
- การแข่งขัน
- มาถึง
- ระเบียน
- ลด
- ลด
- ปกติ
- การควบคุม
- ความสัมพันธ์
- ที่เหลืออยู่
- การแสดง
- การทำสำเนา
- ต้องการ
- จำเป็นต้องใช้
- ต้อง
- แหล่งข้อมูล
- คำตอบ
- ผลสอบ
- กลับ
- ปัดเศษ
- วิ่ง
- วิ่ง
- วิทยาศาสตร์
- นักวิทยาศาสตร์
- ค้นหา
- เลือก
- ชุด
- บริการ
- ชุด
- การตั้งค่า
- ที่ใช้ร่วมกัน
- แสดง
- คล้ายคลึงกัน
- ง่าย
- จำลอง
- ทักษะ
- เล็ก
- So
- ทางออก
- โซลูชัน
- แก้
- ช่องว่าง
- เฉพาะ
- ความเร็ว
- กีฬา
- กีฬา
- กระจาย
- ระยะ
- ขั้นตอน
- มาตรฐาน
- ข้อความที่เริ่ม
- จำนวนชั้น
- กลยุทธ์
- กลยุทธ์
- การศึกษา
- ศึกษา
- เหนือกว่า
- พื้นผิว
- เป้า
- ทีม
- วิชาการ
- เทคนิค
- ทดสอบ
- การทดสอบ
- การทดสอบ
- โลก
- ดังนั้น
- ตลอด
- ตลอด
- เวลา
- ต้องใช้เวลามาก
- ครั้ง
- ยาง
- ร่วมกัน
- เครื่องมือ
- แตะ
- ไปทาง
- ลู่
- แบบดั้งเดิม
- เปิดเผย
- เข้าใจ
- us
- ใช้
- การตรวจสอบ
- ความคุ้มค่า
- ยานพาหนะ
- เสมือน
- อะไร
- วิกิพีเดีย
- ลม
- ไม่มี
- ทำงาน
- โรงงาน
- โลก
- จะ
- ปี