ФОРМУЛА 1 (F1) автомобілі є найшвидшими регульованими гоночними транспортними засобами у світі. Хоча ці автомобілі з відкритими колесами лише на 20–30 кілометрів (або 12–18 миль) на годину швидше, ніж топові спортивні автомобілі, вони можуть рухатися на поворотах у п’ять разів швидше завдяки потужній аеродинаміці. притискну силу, яку вони створюють. Примусова сила це вертикальна сила, що створюється аеродинамічними поверхнями, яка притискає автомобіль до дороги, підвищуючи зчеплення шин. Аеродинаміки Формули-1 також повинні стежити за опором повітря або лобовим опором, який обмежує швидкість на прямій.
Команда інженерів Формули-1 відповідає за проектування наступного покоління автомобілів Формули-1 і складання технічного регламенту для спорту. Протягом останніх 3 років їм було доручено розробити автомобіль, який зберігає нинішні високі рівні притискної сили та максимальних швидкостей, але також не має негативного впливу від руху позаду іншого автомобіля. Це важливо, тому що автомобілі попереднього покоління можуть втрачати до 50% своєї притискної сили під час перегонів впритул за іншим автомобілем через турбулентну хвилю, створювану крилами та кузовом.
Замість того, щоб покладатися на трудомісткі та дорогі випробування на трасі чи в аеродинамічній трубі, F1 використовує обчислювальну гідродинаміку (CFD), яка забезпечує віртуальне середовище для вивчення потоку рідин (у цьому випадку повітря навколо автомобіля F1) без необхідності виготовлення однієї деталі. За допомогою CFD аеродинаміки F1 перевіряють різні концепції геометрії, оцінюють їхній аеродинамічний вплив і неодноразово оптимізують свої конструкції. Протягом останніх 3 років команда інженерів Формули-1 співпрацювала з AWS для створення масштабований і економічно ефективний робочий процес CFD це втричі збільшило пропускну здатність циклів CFD і вдвічі скоротило час виконання кожного циклу.
F1 знаходиться в процесі вивчення служб машинного навчання (ML) AWS, таких як Amazon SageMaker щоб допомогти оптимізувати конструкцію та продуктивність автомобіля за допомогою даних моделювання CFD для побудови моделей з додатковими знаннями. Мета полягає в тому, щоб виявити перспективні напрямки проектування та зменшити кількість симуляцій CFD, таким чином скоротивши час, необхідний для зближення до оптимальних проектів.
У цій публікації ми пояснюємо, як F1 співпрацювала з Професійні послуги AWS команда розробить індивідуальний робочий процес Design of Experiments (DoE) на основі ML, щоб порадити аеродинамікам Формули-1, які концепції дизайну перевірити в CFD, щоб максимізувати навчання та ефективність.
Постановка проблеми
Досліджуючи нові аеродинамічні концепції, аеродинаміки F1 іноді використовують процес, який називається Планування експериментів (DoE). Цей процес систематично вивчає зв’язок між кількома факторами. У випадку заднього крила це може бути хорда крила, розмах або розвал з огляду на аеродинамічні показники, такі як притискна сила або опір. Метою процесу DoE є ефективна вибірка простору дизайну та мінімізація кількості протестованих кандидатів перед досягненням оптимального результату. Це досягається ітеративною зміною багатьох конструктивних факторів, вимірюванням аеродинамічної реакції, вивченням впливу та взаємозв’язку між факторами, а потім продовженням тестування в найбільш оптимальному чи інформативному напрямку. На наступному малюнку ми представляємо приклад геометрії заднього крила, якою F1 люб’язно поділилася з нами зі своєї базової лінії UNIFORM. Позначено чотири параметри конструкції, які аеродинаміки Формули-1 можуть досліджувати під час процедури DoE.
У цьому проекті F1 працював із службою професійних послуг AWS, щоб дослідити використання ML для покращення процедур DoE. Традиційні методи DoE вимагають добре заповненого простору проектування, щоб зрозуміти взаємозв’язок між параметрами дизайну, і тому покладаються на велику кількість попередніх симуляцій CFD. Регресійні моделі ML можуть використовувати результати попередніх симуляцій CFD для прогнозування аеродинамічного відгуку з урахуванням набору проектних параметрів, а також дати вам індикацію відносної важливості кожної змінної проекту. Ви можете використовувати цю інформацію, щоб передбачити оптимальні проекти та допомогти дизайнерам знайти оптимальні рішення за допомогою меншої кількості попередніх симуляцій CFD. По-друге, ви можете використовувати методи науки про дані, щоб зрозуміти, які регіони в просторі дизайну не були досліджені та потенційно можуть приховати оптимальні проекти.
Щоб проілюструвати індивідуальний робочий процес DoE на базі ML, ми розглянемо реальний приклад проектування переднього антикрила.
Проектування переднього крила
Автомобілі Формули-1 покладаються на такі крила, як передні та задні крила, щоб створити більшу частину своєї притискної сили, яку ми називаємо в цьому прикладі коефіцієнтом Cz. У цьому прикладі значення притискної сили були нормалізовані. У цьому прикладі аеродинаміки Формули-1 використовували свій досвід у галузі, щоб параметризувати геометрію крила наступним чином (дивіться наступний малюнок для візуального представлення):
- LE-Висота – Висота переднього краю
- Мін-Z – Мінімальний дорожній просвіт
- Середній ЛЕ-Кут – Кут передньої кромки третього елемента
- TE-кут – Кут задньої кромки
- TE-Висота – Висота заднього краю
Цю геометрію переднього крила поділила F1 і вона є частиною базової лінії UNIFORM.
Ці параметри були вибрані тому, що вони достатні для ефективного опису основних аспектів геометрії, а також тому, що в минулому аеродинамічні характеристики демонстрували значну чутливість до цих параметрів. Метою цієї процедури DoE було знайти комбінацію п’яти конструктивних параметрів, яка максимізувала б аеродинамічну притискну силу (Cz). Свобода проектування також обмежена встановленням максимальних і мінімальних значень для параметрів дизайну, як показано в наступній таблиці.
. | мінімальний | Максимальний |
TE-Висота | 250.0 | 300.0 |
TE-кут | 145.0 | 165.0 |
Середній ЛЕ-Кут | 160.0 | 170.0 |
Мін-Z | 5.0 | 50.0 |
LE-Висота | 100.0 | 150.0 |
Встановивши параметри дизайну, метрику цільового результату та межі нашого простору проектування, ми маємо все, що нам потрібно, щоб почати роботу з програмою DoE. Схема робочого процесу нашого рішення представлена на наступному зображенні. У наступному розділі ми детально зануримося в різні етапи.
Початкова вибірка дизайнерського простору
Першим кроком робочого процесу DoE є запуск у CFD початкового набору кандидатів, які ефективно відбирають простір проектування та дозволяють нам створити перший набір регресійних моделей ML для вивчення впливу кожної функції. Спочатку ми створюємо пул N зразки використання Вибірка латинського гіперкуба (LHS) або метод звичайної сітки. Потім вибираємо k кандидатів для тестування в CFD за допомогою алгоритму жадібних вхідних даних, який спрямований на максимізацію дослідження простору дизайну. Починаючи з базового кандидата (поточний дизайн), ми ітеративно вибираємо кандидатів, які є найбільш віддаленими від усіх попередньо протестованих кандидатів. Припустимо, що ми вже тестували k конструкції; для решти проектних кандидатів знаходимо мінімальну відстань d по відношенню до випробуваного k дизайни:
Алгоритм жадібних вхідних даних вибирає кандидата, який максимізує відстань у просторі ознак до попередньо протестованих кандидатів:
У цьому DoE ми вибрали три кандидати на жадібні входи та перевірили їх у CFD, щоб оцінити їх аеродинамічну притискну силу (Cz). Жадібні кандидати досліджують межі проектного простору, і на цьому етапі жоден з них не виявився кращим за базового кандидата з точки зору аеродинамічної притискної сили (Cz). Результати цього початкового раунду тестування CFD разом із параметрами конструкції відображені в наступній таблиці.
. | TE-Висота | TE-кут | Середній ЛЕ-Кут | Мін-Z | LE-Висота | Нормований Cz |
Базова лінія | 292.25 | 154.86 | 166 | 5 | 130 | 0.975 |
ГІ 0 | 250 | 165 | 160 | 50 | 100 | 0.795 |
ГІ 1 | 300 | 145 | 170 | 50 | 100 | 0.909 |
ГІ 2 | 250 | 145 | 170 | 5 | 100 | 0.847 |
Початкові регресійні моделі ML
Метою регресійної моделі є прогнозування Cz для будь-якої комбінації п'яти параметрів конструкції. З таким невеликим набором даних ми визначили пріоритетність простих моделей, застосували регулярізацію моделі, щоб уникнути переобладнання, і поєднали прогнози різних моделей, де це було можливо. Були побудовані такі моделі ML:
- Звичайні найменші квадрати (OLS)
- Підтримка векторної регресії (SVM) з ядром RBF
- Регресія процесу Гауса (GP) з ядром Матерна
- XGBoost
Крім того, була побудована дворівнева стекова модель, де прогнози моделей GP, SVM і XGBoost асимілюються алгоритмом Lasso для отримання остаточної відповіді. Цю модель у цій публікації називають складена модель. Для ранжирування можливостей прогнозування п’яти описаних нами моделей була реалізована процедура повторної k-кратної перехресної перевірки.
Створення наступного кандидата на дизайн для тестування в CFD
Вибір кандидата для тестування вимагає ретельного розгляду. Аеродинамік Формули-1 повинен збалансувати переваги використання опцій, передбачених моделлю ML, щоб забезпечити високу притискну силу, з вартістю невміння досліджувати незвідані області дизайну, що може забезпечити ще більшу притискну силу. З цієї причини в цій процедурі DoE ми пропонуємо три кандидати: один, орієнтований на продуктивність, і два, керовані дослідженням. Метою дослідницьких кандидатів також є надання додаткових точок даних для алгоритму машинного навчання в регіонах простору проектування, де невизначеність щодо прогнозу найвища. Це, у свою чергу, призводить до більш точних прогнозів у наступному раунді ітерації дизайну.
Оптимізація генетичного алгоритму для максимізації притискної сили
Щоб отримати кандидата з найвищою очікуваною аеродинамічною притискною силою, ми могли б виконати прогноз для всіх можливих кандидатів на дизайн. Однак це не буде ефективним. Для цієї задачі оптимізації ми використовуємо генетичний алгоритм (GA). Мета полягає в ефективному пошуку у величезному просторі рішень (отриманому за допомогою передбачення ML). Cz) і повертає найбільш оптимального кандидата. GA є перевагою, коли простір рішень є складним і невипуклим, тому класичні методи оптимізації, такі як градієнтний спуск, є неефективним засобом пошуку глобального рішення. GA – це підмножина еволюційних алгоритмів, натхненних концепціями природного відбору, генетичного кросинговеру та мутації для вирішення проблеми пошуку. Протягом серії ітерацій (відомих як покоління) найкращі кандидати з початково випадково вибраного набору проектів-кандидатів об’єднуються (подібно до відтворення). Зрештою, цей механізм дозволяє ефективно знаходити найбільш оптимальних кандидатів. Додаткову інформацію про GA див Використання генетичних алгоритмів на AWS для задач оптимізації.
Створення кандидатів, орієнтованих на дослідження
У створенні того, що ми називаємо дослідницькими кандидатами, хороша стратегія вибірки повинна мати можливість адаптуватися до ситуації ефект розрідженості, де лише підмножина параметрів істотно впливає на рішення. Таким чином, стратегія вибірки повинна розподіляти кандидатів по всьому простору проектування вхідних даних, але також уникати непотрібних прогонів CFD, змінюючи змінні, які мало впливають на продуктивність. Стратегія вибірки повинна враховувати поверхню відгуку, передбачену регресором ML. Було використано дві стратегії вибірки для отримання кандидатів, орієнтованих на розвідку.
У випадку регресорів процесу Гауса (GP) стандартне відхилення прогнозованої поверхні відгуку можна використовувати як показник невизначеності моделі. Стратегія вибірки полягає у виборі з пулу N зразки , кандидат, який максимізує . Таким чином, ми беремо вибірку в тій області простору проектування, де регресор найменше впевнений у своєму прогнозі. З математичної точки зору ми вибираємо кандидата, який задовольняє таке рівняння:
В якості альтернативи ми використовуємо жадібну стратегію вибірки входів і виходів, яка максимізує як відстані в просторі ознак, так і в просторі відповідей між запропонованим кандидатом і вже перевіреними проектами. Це стосується ефект розрідженості тому, що кандидати, які змінюють малозначущий параметр конструкції, мають подібну реакцію, і тому відстані на поверхні реагування є мінімальними. З математичної точки зору ми вибираємо кандидата, який задовольняє наступне рівняння, де функція f це регресійна модель ML:
Відбір кандидатів, тестування CFD і цикл оптимізації
На цьому етапі користувачеві представлені кандидати, орієнтовані як на продуктивність, так і на дослідження. Наступний крок складається з вибору підмножини запропонованих кандидатів, запуску CFD моделювання з цими параметрами конструкції та запису реакції аеродинамічної притискної сили.
Після цього робочий процес DoE перенавчає регресійні моделі машинного навчання, запускає оптимізацію генетичного алгоритму та пропонує новий набір кандидатів, керованих продуктивністю та дослідженнями. Користувач запускає підмножину запропонованих кандидатів і продовжує повторювати таким чином, доки не буде виконано критерій зупинки. Критерії зупинки, як правило, виконуються, коли знайдено кандидата, який вважається оптимальним.
результати
На наступному малюнку ми фіксуємо нормовану аеродинамічну притискну силу (Cz) із симуляції CFD (синій) і прогнозований заздалегідь за допомогою вибраної моделі регресії ML (рожевий) для кожної ітерації робочого процесу DoE. Метою було максимізувати аеродинамічну притискну силу (Cz). Перші чотири запуски (ліворуч від червоної лінії) були базовою лінією та трьома жадібними кандидатами на входи, описаними раніше. З цього моменту тестувалася комбінація кандидатів, орієнтованих на продуктивність, і на дослідження. Зокрема, кандидати на ітераціях 6 і 8 були дослідницькими кандидатами, обидва демонстрували нижчі рівні притискної сили, ніж базовий кандидат (ітерація 1). Як і очікувалося, оскільки ми записували більше кандидатів, прогноз ML ставав дедалі точнішим, про що свідчить зменшення відстані між прогнозованим і фактичним Cz. На ітерації 9 робочому циклу DoE вдалося знайти кандидата з продуктивністю, подібною до базової, а на ітерації 12 робочий процес DoE було завершено, коли кандидат, керований продуктивністю, перевищив базовий рівень.
Остаточні параметри конструкції разом із результуючим нормалізованим значенням притискної сили представлені в наступній таблиці. Нормований рівень притискної сили для базового кандидата становив 0.975, тоді як оптимальний кандидат для робочого процесу DoE зафіксував нормалізований рівень притискної сили 1.000. Це важливе відносне збільшення на 2.5%.
Щодо контексту, традиційний підхід DoE із п’ятьма змінними вимагав би 25 попередніх симуляцій CFD перед досягненням достатньої відповідності для прогнозування оптимуму. З іншого боку, цей підхід до активного навчання досяг оптимуму за 12 ітерацій.
. | TE-Висота | TE-кут | Середній ЛЕ-Кут | Мін-Z | LE-Висота | Нормований Cz |
Базова лінія | 292.25 | 154.86 | 166 | 5 | 130 | 0.975 |
Оптимальний | 299.97 | 156.79 | 166.27 | 5.01 | 135.26 | 1.000 |
Важливість ознаки
Розуміння відносної важливості ознаки для прогнозної моделі може дати корисне розуміння даних. Це може допомогти у виборі ознак із видаленням менш важливих змінних, тим самим зменшуючи розмірність проблеми та потенційно покращуючи передбачувані можливості регресійної моделі, особливо в режимі невеликих даних. У цій проблемі проектування він дає аеродинамікам F1 зрозуміти, які змінні є найбільш чутливими та тому потребують більш ретельного налаштування.
У цій процедурі ми реалізували модельно-агностичну техніку під назвою важливість перестановки. Відносна важливість кожної змінної вимірюється шляхом обчислення збільшення помилки передбачення моделі після випадкового перетасування значень лише цієї змінної. Якщо функція важлива для моделі, помилка передбачення значно зростає, і навпаки для менш важливих функцій. На наступному малюнку ми представляємо важливість перестановки для регресора процесу Гауса (GP), який передбачає аеродинамічну притискну силу (Cz). Висота задньої кромки (TE-Height) була визнана найважливішою.
Висновок
У цій публікації ми пояснили, як аеродинаміки Формули-1 використовують регресійні моделі ML у робочих процесах DoE під час розробки нових аеродинамічних геометрій. Робочий процес DoE на основі ML, розроблений AWS Professional Services, дає зрозуміти, які параметри дизайну максимізують продуктивність або досліджують незвідані регіони в просторі дизайну. На відміну від ітеративного тестування кандидатів у CFD за допомогою пошуку в сітці, робочий процес DoE на основі ML здатний наблизитися до оптимальних параметрів проекту за меншу кількість ітерацій. Це економить як час, так і ресурси, оскільки потрібно менше симуляцій CFD.
Незалежно від того, чи є ви фармацевтичною компанією, яка прагне прискорити оптимізацію хімічного складу, чи виробничою компанією, яка прагне знайти розміри конструкції для найнадійніших конструкцій, робочі процеси DoE можуть допомогти ефективніше досягти оптимальних кандидатів. AWS Professional Services готова доповнити вашу команду спеціальними навичками та досвідом ML, щоб розробити інструменти для оптимізації робочих процесів DoE та допомогти вам досягти кращих бізнес-результатів. Для отримання додаткової інформації див Професійні послуги AWSабо зверніться до свого менеджера облікового запису, щоб зв’язатися.
Про авторів
Пабло Ермосо Морено є Data Scientist у групі професійних послуг AWS. Він працює з клієнтами в різних галузях, використовуючи машинне навчання, щоб розповідати історії за допомогою даних і швидше приймати обґрунтовані інженерні рішення. Пабло має досвід роботи в аерокосмічній інженерії, і, працюючи в індустрії автоспорту, він зацікавлений у поєднанні фізики та предметних знань із машинним навчанням. У вільний час захоплюється веслуванням і грою на гітарі.
- Coinsmart. Найкраща в Європі біржа біткойн та криптовалют.
- Платоблокчейн. Web3 Metaverse Intelligence. Розширені знання. БЕЗКОШТОВНИЙ ДОСТУП.
- CryptoHawk. Альткойн Радар. Безкоштовне випробування.
- Джерело: https://aws.amazon.com/blogs/machine-learning/optimize-f1-aerodynamic-geometries-via-design-of-experiments-and-machine-learning/
- "
- 000
- 100
- 28
- 9
- МЕНЮ
- рахунки
- точний
- Achieve
- досягнутий
- через
- активний
- доповнення
- Додатковий
- Авіаційно-космічний
- алгоритм
- алгоритми
- ВСІ
- вже
- хоча
- Amazon
- Інший
- підхід
- навколо
- AWS
- фон
- Базова лінія
- перед тим
- буття
- користь
- КРАЩЕ
- будувати
- бізнес
- кандидат
- кандидатів
- можливості
- автомобіль
- автомобілів
- заряд
- хімічний
- вибір
- клієнтів
- поєднання
- комбінований
- компанія
- комплекс
- впевнений
- розгляду
- триває
- сходяться
- може
- створювати
- Поточний
- дані
- наука про дані
- вчений даних
- рішення
- описувати
- описаний
- дизайн
- проектування
- конструкцій
- розвивати
- розвиненою
- різний
- відстань
- домен
- водіння
- динаміка
- край
- ефект
- ефективний
- продуктивно
- Машинобудування
- Навколишнє середовище
- встановлений
- приклад
- очікуваний
- досвід
- експертиза
- дослідження
- дослідити
- фактори
- мода
- ШВИДКО
- швидше
- особливість
- риси
- Рисунок
- Перший
- відповідати
- потік
- після
- слідує
- Freedom
- перед
- функція
- ГАЗ
- в цілому
- породжувати
- породжує
- покоління
- покоління
- Глобальний
- мета
- добре
- GP
- значно
- сітка
- має
- висота
- допомога
- приховувати
- Високий
- вище
- Як
- Однак
- HTTPS
- величезний
- зображення
- Impact
- реалізовані
- значення
- важливо
- поліпшення
- Augmenter
- зростаючий
- все більше і більше
- промисловість
- вплив
- інформація
- інформативний
- повідомив
- вхід
- розуміння
- розуміння
- натхненний
- інтерес
- дослідити
- IT
- відомий
- великий
- провідний
- Веде за собою
- вивчення
- рівень
- обмеженою
- Лінія
- трохи
- шукати
- машина
- навчання за допомогою машини
- вдалося
- менеджер
- манера
- виробництво
- математичний
- засоби
- методика
- Метрика
- може бути
- мінімальний
- ML
- модель
- Моделі
- монітор
- більше
- найбільш
- автоспорт
- множинний
- Природний
- номер
- отриманий
- оптимізація
- Оптимізувати
- оптимальний
- Опції
- порядок
- Інше
- частина
- приватність
- особливо
- продуктивність
- фармацевтична
- Фізика
- ігри
- точок
- басейн
- це можливо
- потужний
- передбачати
- прогноз
- Прогнози
- представити
- попередній
- Проблема
- процес
- виробляти
- професійний
- проект
- перспективний
- пропонувати
- запропонований
- забезпечувати
- забезпечує
- мета
- racing
- досягати
- запис
- зменшити
- зниження
- регулярний
- Регулювання
- відносини
- решті
- подання
- відтворення
- вимагати
- вимагається
- Вимагається
- ресурси
- відповідь
- результати
- повертати
- круглий
- прогін
- біг
- наука
- вчений
- Пошук
- обраний
- Серія
- Послуги
- комплект
- установка
- загальні
- показаний
- аналогічний
- простий
- моделювання
- навички
- невеликий
- So
- рішення
- Рішення
- ВИРІШИТИ
- Простір
- спеціалізований
- швидкість
- Спорт
- SPORTS
- поширення
- Стажування
- етапи
- standard
- почалася
- історії
- стратегії
- Стратегія
- Дослідження
- Вивчення
- чудовий
- поверхню
- Мета
- команда
- технічний
- методи
- тест
- Тестування
- Тести
- світ
- отже
- через
- по всьому
- час
- трудомісткий
- times
- Шини
- разом
- інструменти
- торкатися
- до
- трек
- традиційний
- розкрити
- розуміти
- us
- використання
- перевірка достовірності
- значення
- Транспортні засоби
- Віртуальний
- Що
- Вікіпедія
- вітер
- без
- працював
- працює
- світ
- б
- років