فارمولا 1 (F1) کاریں دنیا کی تیز ترین ریگولیٹڈ روڈ کورس ریسنگ گاڑیاں ہیں۔ اگرچہ یہ اوپن وہیل آٹوموبائلز صرف 20–30 کلومیٹر (یا 12–18 میل) فی گھنٹہ تیز ترین اسپورٹس کاروں کے مقابلے میں تیز ہیں، لیکن یہ طاقتور ایروڈائینامک کی وجہ سے کونوں کے گرد پانچ گنا تک تیز رفتاری سے چل سکتی ہیں۔ وہ تخلیق کرتے ہیں. Downforce ایروڈینامک سطحوں سے پیدا ہونے والی عمودی قوت ہے جو گاڑی کو سڑک کی طرف دباتی ہے، ٹائروں سے گرفت کو بڑھاتی ہے۔ F1 ایروڈائینامکسٹ کو ہوا کی مزاحمت یا ڈریگ کی بھی نگرانی کرنی چاہیے، جو سیدھی لائن کی رفتار کو محدود کرتی ہے۔
F1 انجینئرنگ ٹیم F1 کاروں کی اگلی نسل کو ڈیزائن کرنے اور اس کھیل کے لیے تکنیکی ضابطے کو یکجا کرنے کی ذمہ دار ہے۔ پچھلے 3 سالوں میں، انہیں ایک ایسی کار ڈیزائن کرنے کا کام سونپا گیا ہے جو موجودہ اعلی درجے کی کمی اور تیز رفتار کو برقرار رکھتی ہے، لیکن دوسری کار کے پیچھے گاڑی چلانے سے بھی بری طرح متاثر نہیں ہوتی ہے۔ یہ اس لیے اہم ہے کیونکہ پچھلی نسل کی کاریں جب پروں اور باڈی ورک سے پیدا ہونے والے ہنگامہ خیز ویک کی وجہ سے دوسری کار کے پیچھے قریب سے دوڑتی ہیں تو ان کی 50% تک کمی ہو سکتی ہے۔
وقت گزارنے والے اور مہنگے ٹریک یا ونڈ ٹنل ٹیسٹ پر انحصار کرنے کے بجائے، F1 کمپیوٹیشنل فلوئڈ ڈائنامکس (CFD) کا استعمال کرتا ہے، جو سیالوں کے بہاؤ کا مطالعہ کرنے کے لیے ایک مجازی ماحول فراہم کرتا ہے (اس صورت میں F1 کار کے ارد گرد ہوا) ایک حصہ تیار کریں. CFD کے ساتھ، F1 ایروڈینامکسٹ جیومیٹری کے مختلف تصورات کی جانچ کرتے ہیں، ان کے ایروڈینامک اثرات کا جائزہ لیتے ہیں، اور بار بار ان کے ڈیزائن کو بہتر بناتے ہیں۔ گزشتہ 3 سالوں کے دوران، F1 انجینئرنگ ٹیم نے AWS کے ساتھ تعاون کیا ہے تاکہ a قابل توسیع اور لاگت سے موثر CFD ورک فلو جس نے CFD رنز کے تھرو پٹ کو تین گنا بڑھا دیا ہے اور فی رن کے بدلے جانے کے وقت کو نصف کر دیا ہے۔
F1 AWS مشین لرننگ (ML) خدمات جیسے کہ تلاش کرنے کے عمل میں ہے۔ ایمیزون سیج میکر اضافی بصیرت کے ساتھ ماڈلز بنانے کے لیے CFD سمولیشن ڈیٹا کا استعمال کرکے کار کے ڈیزائن اور کارکردگی کو بہتر بنانے میں مدد کرنے کے لیے۔ اس کا مقصد ڈیزائن کی امید افزا سمتوں کو سامنے لانا اور CFD سمولیشنز کی تعداد کو کم کرنا ہے، اس طرح زیادہ سے زیادہ ڈیزائنوں پر اکٹھا ہونے میں لگنے والے وقت کو کم کرنا ہے۔
اس پوسٹ میں، ہم وضاحت کرتے ہیں کہ کس طرح F1 نے کے ساتھ تعاون کیا۔ AWS پروفیشنل سروسز ٹیم F1 ایروڈائینامک ماہرین کو مشورہ دینے کے لیے ML کے ذریعے طاقت سے تیار کردہ تجرباتی ڈیزائن (DoE) ورک فلو کو تیار کرے گی جس پر سیکھنے اور کارکردگی کو زیادہ سے زیادہ کرنے کے لیے CFD میں ڈیزائن کے تصورات کی جانچ کی جائے۔
مسئلہ یہ بیان
نئے ایروڈائنامک تصورات کی کھوج کرتے وقت، F1 ایروڈینامکسٹ بعض اوقات ڈیزائن آف ایکسپیریمنٹس (DoE) نامی عمل کو استعمال کرتے ہیں۔ یہ عمل منظم طریقے سے متعدد عوامل کے درمیان تعلق کا مطالعہ کرتا ہے۔ پچھلے بازو کی صورت میں، یہ ونگ کورڈ، اسپین، یا کیمبر ہو سکتا ہے، ایرو ڈائنامک میٹرکس جیسے کہ نیچے کی طاقت یا ڈریگ کے حوالے سے۔ DoE کے عمل کا مقصد ڈیزائن کی جگہ کو مؤثر طریقے سے نمونہ بنانا اور ایک بہترین نتیجہ پر آنے سے پہلے جانچے گئے امیدواروں کی تعداد کو کم کرنا ہے۔ یہ متعدد ڈیزائن کے عوامل کو بار بار تبدیل کرنے، ایروڈائنامک ردعمل کی پیمائش کرنے، عوامل کے درمیان اثرات اور تعلق کا مطالعہ کرنے، اور پھر انتہائی بہترین یا معلوماتی سمت میں جانچ جاری رکھنے سے حاصل ہوتا ہے۔ مندرجہ ذیل تصویر میں، ہم ریئر ونگ جیومیٹری کی ایک مثال پیش کرتے ہیں جسے F1 نے اپنی UNIFORM بیس لائن سے ہمارے ساتھ شیئر کیا ہے۔ چار ڈیزائن کے پیرامیٹرز جن کی F1 ایروڈینامکسٹ ایک DoE روٹین میں تفتیش کر سکتے ہیں ان پر لیبل لگایا گیا ہے۔
اس پروجیکٹ میں، F1 نے AWS پروفیشنل سروسز کے ساتھ کام کیا تاکہ DoE کے معمولات کو بہتر بنانے کے لیے ML کا استعمال کیا جا سکے۔ روایتی DoE طریقوں کو ڈیزائن کے پیرامیٹرز کے درمیان تعلق کو سمجھنے کے لیے ایک اچھی طرح سے آبادی والے ڈیزائن کی جگہ کی ضرورت ہوتی ہے اور اس لیے بڑی تعداد میں CFD سمیلیشنز پر انحصار کرتے ہیں۔ ایم ایل ریگریشن ماڈلز ڈیزائن کے پیرامیٹرز کے سیٹ کے پیش نظر ایروڈائنامک ردعمل کی پیشین گوئی کرنے کے لیے پچھلے CFD سمولیشنز کے نتائج کا استعمال کر سکتے ہیں، اور ساتھ ہی آپ کو ہر ڈیزائن متغیر کی نسبتی اہمیت کا اشارہ بھی دے سکتے ہیں۔ آپ ان بصیرت کا استعمال بہترین ڈیزائنوں کی پیشین گوئی کرنے کے لیے کر سکتے ہیں اور ڈیزائنرز کو کم سی ایف ڈی سمولیشنز کے ساتھ زیادہ سے زیادہ حل کرنے میں مدد کر سکتے ہیں۔ دوم، آپ ڈیٹا سائنس کی تکنیکوں کو یہ سمجھنے کے لیے استعمال کر سکتے ہیں کہ ڈیزائن کی جگہ کے کن علاقوں کی تلاش نہیں کی گئی ہے اور ممکنہ طور پر بہترین ڈیزائن کو چھپا سکتے ہیں۔
Bespoke ML سے چلنے والے DoE ورک فلو کو واضح کرنے کے لیے، ہم فرنٹ ونگ کو ڈیزائن کرنے کی ایک حقیقی مثال کے ذریعے چلتے ہیں۔
فرنٹ ونگ ڈیزائن کرنا
F1 کاریں اپنی زیادہ تر ڈاون فورس پیدا کرنے کے لیے پروں جیسے آگے اور پیچھے کے پروں پر انحصار کرتی ہیں، جس کا ہم اس پورے مثال میں گتانک کے ذریعے حوالہ دیتے ہیں۔ Cz اس پوری مثال کے دوران، نیچے کی قدروں کو معمول بنا دیا گیا ہے۔ اس مثال میں، F1 ایروڈائینامکسٹ نے اپنی ڈومین کی مہارت کو ونگ جیومیٹری کو پیرامیٹرائز کرنے کے لیے اس طرح استعمال کیا (بصری نمائندگی کے لیے درج ذیل تصویر دیکھیں):
- LE-اونچائی - معروف کنارے کی اونچائی
- Min-Z - کم سے کم گراؤنڈ کلیئرنس
- درمیانی-LE-زاویہ - تیسرے عنصر کا لیڈنگ ایج اینگل
- ٹی ای اینگل - پچھلے کنارے کا زاویہ
- ٹی ای - اونچائی - پچھلے کنارے کی اونچائی
اس فرنٹ ونگ جیومیٹری کو F1 نے شیئر کیا تھا اور یہ UNIFORM بیس لائن کا حصہ ہے۔
ان پیرامیٹرز کا انتخاب اس لیے کیا گیا تھا کہ یہ جیومیٹری کے اہم پہلوؤں کو مؤثر طریقے سے بیان کرنے کے لیے کافی ہیں اور ماضی میں، ایروڈینامک کارکردگی نے ان پیرامیٹرز کے حوالے سے قابل ذکر حساسیت ظاہر کی ہے۔ اس DoE روٹین کا مقصد پانچ ڈیزائن پیرامیٹرز کے امتزاج کو تلاش کرنا تھا جو زیادہ سے زیادہ ایروڈینامک ڈاؤن فورس (Cz)۔ ڈیزائن کے پیرامیٹرز کے لیے زیادہ سے زیادہ اور کم سے کم قدروں کو ترتیب دے کر ڈیزائن کی آزادی بھی محدود ہے، جیسا کہ درج ذیل جدول میں دکھایا گیا ہے۔
. | کم از کم کے | زیادہ سے زیادہ |
ٹی ای - اونچائی | 250.0 | 300.0 |
ٹی ای اینگل | 145.0 | 165.0 |
درمیانی-LE-زاویہ | 160.0 | 170.0 |
Min-Z | 5.0 | 50.0 |
LE-اونچائی | 100.0 | 150.0 |
ڈیزائن کے پیرامیٹرز، ٹارگٹ آؤٹ پٹ میٹرک، اور اپنے ڈیزائن کی جگہ کی حدود قائم کرنے کے بعد، ہمارے پاس وہ سب کچھ ہے جو ہمیں DoE روٹین کے ساتھ شروع کرنے کی ضرورت ہے۔ ہمارے حل کا ورک فلو ڈایاگرام درج ذیل تصویر میں پیش کیا گیا ہے۔ مندرجہ ذیل حصے میں، ہم مختلف مراحل میں گہرائی میں ڈوبتے ہیں۔
ڈیزائن کی جگہ کا ابتدائی نمونہ لینا
DoE ورک فلو کا پہلا مرحلہ CFD میں امیدواروں کا ایک ابتدائی سیٹ چلانا ہے جو ڈیزائن کی جگہ کو مؤثر طریقے سے نمونہ بناتا ہے اور ہمیں ہر خصوصیت کے اثر و رسوخ کا مطالعہ کرنے کے لیے ML ریگریشن ماڈلز کا پہلا سیٹ بنانے کی اجازت دیتا ہے۔ سب سے پہلے، ہم کا ایک پول تیار کرتے ہیں۔ N نمونے کا استعمال کرتے ہوئے لاطینی ہائپر کیوب سیمپلنگ (LHS) یا باقاعدہ گرڈ کا طریقہ۔ پھر، ہم منتخب کرتے ہیں k امیدواروں کو لالچی ان پٹ الگورتھم کے ذریعے CFD میں ٹیسٹ کرنا ہے، جس کا مقصد ڈیزائن کی جگہ کی زیادہ سے زیادہ تلاش کرنا ہے۔ ایک بنیادی امیدوار (موجودہ ڈیزائن) کے ساتھ شروع کرتے ہوئے، ہم بار بار امیدواروں کو منتخب کرتے ہیں جو پہلے ٹیسٹ کیے گئے تمام امیدواروں سے دور ہوتے ہیں۔ فرض کریں کہ ہم نے پہلے ہی تجربہ کیا ہے۔ k ڈیزائن باقی ڈیزائن کے امیدواروں کے لیے، ہم کم از کم فاصلہ تلاش کرتے ہیں۔ d ٹیسٹ کے حوالے سے k ڈیزائن:
لالچی ان پٹس الگورتھم امیدوار کا انتخاب کرتا ہے جو پہلے ٹیسٹ کیے گئے امیدواروں کے لیے خصوصیت کی جگہ میں فاصلہ زیادہ سے زیادہ کرتا ہے:
اس DoE میں، ہم نے تین لالچی ان پٹ امیدواروں کو منتخب کیا اور CFD میں ان کی ایروڈینامک ڈاون فورس (Cz)۔ لالچی ان پٹ امیدوار ڈیزائن کی جگہ کی حدود کو تلاش کرتے ہیں اور اس مرحلے پر، ان میں سے کوئی بھی ایروڈینامک ڈاؤن فورس کے لحاظ سے بیس لائن امیدوار سے برتر ثابت نہیں ہوا (Cz)۔ ڈیزائن کے پیرامیٹرز کے ساتھ CFD ٹیسٹنگ کے اس ابتدائی دور کے نتائج درج ذیل جدول میں دکھائے گئے ہیں۔
. | ٹی ای - اونچائی | ٹی ای اینگل | درمیانی-LE-زاویہ | Min-Z | LE-اونچائی | نارملائزڈ Cz |
بیس لائن | 292.25 | 154.86 | 166 | 5 | 130 | 0.975 |
جی آئی 0 | 250 | 165 | 160 | 50 | 100 | 0.795 |
جی آئی 1 | 300 | 145 | 170 | 50 | 100 | 0.909 |
جی آئی 2 | 250 | 145 | 170 | 5 | 100 | 0.847 |
ابتدائی ایم ایل ریگریشن ماڈلز
ریگریشن ماڈل کا مقصد پیشین گوئی کرنا ہے۔ Cz پانچ ڈیزائن پیرامیٹرز کے کسی بھی مجموعہ کے لیے۔ اتنے چھوٹے ڈیٹا سیٹ کے ساتھ، ہم نے سادہ ماڈلز کو ترجیح دی، اوور فٹنگ سے بچنے کے لیے ماڈل ریگولرائزیشن کا اطلاق کیا، اور جہاں ممکن ہو مختلف ماڈلز کی پیشین گوئیوں کو یکجا کیا۔ درج ذیل ایم ایل ماڈلز بنائے گئے تھے۔
- عام کم سے کم مربع (OLS)
- RBF کرنل کے ساتھ ویکٹر ریگریشن (SVM) کو سپورٹ کریں۔
- Gaussian Process Regression (GP) Matérn دانا کے ساتھ
- XGBoost
اس کے علاوہ، ایک دو سطحی اسٹیکڈ ماڈل بنایا گیا تھا، جہاں GP، SVM، اور XGBoost ماڈلز کی پیشین گوئیوں کو Lasso الگورتھم کے ذریعے ضم کیا جاتا ہے تاکہ حتمی ردعمل پیدا کیا جا سکے۔ اس ماڈل کو اس پوسٹ میں بطور کہا جاتا ہے۔ سجا ہوا ماڈل. ہم نے جن پانچ ماڈلز کو بیان کیا ہے ان کی پیشین گوئی کی صلاحیتوں کی درجہ بندی کرنے کے لیے، ایک بار بار k-fold کراس توثیق کا معمول نافذ کیا گیا تھا۔
CFD میں ٹیسٹ کرنے کے لیے اگلے ڈیزائن کے امیدوار کو تیار کرنا
اگلا امتحان لینے والے امیدوار کو منتخب کرنے کے لیے محتاط غور و فکر کی ضرورت ہے۔ F1 ایروڈینامکسٹ کو ML ماڈل کی طرف سے پیش گوئی کی گئی اختیارات کے استحصال کے فائدے میں توازن رکھنا چاہیے تاکہ ڈیزائن کی جگہ کے نامعلوم خطوں کو تلاش کرنے میں ناکامی کی لاگت کے ساتھ اعلی نیچے کی قوت فراہم کی جا سکے، جو اس سے بھی زیادہ نیچے کی قوت فراہم کر سکتے ہیں۔ اسی وجہ سے، اس DoE روٹین میں، ہم تین امیدواروں کی تجویز پیش کرتے ہیں: ایک کارکردگی پر مبنی اور دو ریسرچ پر مبنی۔ تلاش سے چلنے والے امیدواروں کا مقصد ڈیزائن کی جگہ کے ان علاقوں میں ایم ایل الگورتھم کو اضافی ڈیٹا پوائنٹس فراہم کرنا بھی ہے جہاں پیشین گوئی کے ارد گرد غیر یقینی صورتحال سب سے زیادہ ہے۔ اس کے نتیجے میں ڈیزائن کی تکرار کے اگلے دور میں زیادہ درست پیشین گوئیاں ہوتی ہیں۔
نیچے کی طاقت کو زیادہ سے زیادہ کرنے کے لیے جینیاتی الگورتھم کی اصلاح
سب سے زیادہ متوقع ایروڈینامک ڈاون فورس کے ساتھ امیدوار کو حاصل کرنے کے لیے، ہم ڈیزائن کے تمام ممکنہ امیدواروں پر پیشین گوئی کر سکتے ہیں۔ تاہم، یہ کارآمد نہیں ہوگا۔ اصلاح کے اس مسئلے کے لیے، ہم ایک جینیاتی الگورتھم (GA) استعمال کرتے ہیں۔ مقصد ایک بہت بڑی حل کی جگہ کے ذریعے مؤثر طریقے سے تلاش کرنا ہے (ایم ایل کی پیشن گوئی کے ذریعے حاصل کیا گیا ہے۔ Cz) اور سب سے بہترین امیدوار واپس کریں۔ جب محلول کی جگہ پیچیدہ اور غیر محدب ہو تو GA فائدہ مند ہوتے ہیں، اس لیے کلاسیکی اصلاح کے طریقے جیسے کہ تدریجی نزول عالمی حل تلاش کرنے کا ایک غیر موثر ذریعہ ہے۔ GA ارتقائی الگورتھم کا ایک ذیلی سیٹ ہے اور تلاش کے مسئلے کو حل کرنے کے لیے قدرتی انتخاب، جینیاتی کراس اوور اور میوٹیشن کے تصورات سے متاثر ہے۔ تکرار کی ایک سیریز میں (جن کو نسلوں کے نام سے جانا جاتا ہے)، ڈیزائن کے امیدواروں کے ابتدائی طور پر تصادفی طور پر منتخب کردہ سیٹ کے بہترین امیدواروں کو اکٹھا کیا جاتا ہے (زیادہ تر تولید کی طرح)۔ آخر کار، یہ طریقہ کار آپ کو موثر انداز میں بہترین امیدواروں کو تلاش کرنے کی اجازت دیتا ہے۔ GAs کے بارے میں مزید معلومات کے لیے، رجوع کریں۔ اصلاحی مسائل کے لیے AWS پر جینیاتی الگورتھم کا استعمال.
ریسرچ پر مبنی امیدوار پیدا کرنا
جس چیز کو ہم تلاش سے چلنے والے امیدوار کہتے ہیں، اسے پیدا کرنے میں، نمونے لینے کی ایک اچھی حکمت عملی کی صورت حال کے مطابق ڈھالنے کے قابل ہونا چاہیے۔ اثر sparsity، جہاں پیرامیٹرز کا صرف ایک ذیلی سیٹ نمایاں طور پر حل کو متاثر کرتا ہے۔ لہذا، نمونے لینے کی حکمت عملی کو امیدواروں کو ان پٹ ڈیزائن کی جگہ پر پھیلا دینا چاہیے لیکن غیر ضروری CFD رنز سے بھی بچنا چاہیے، متغیرات کو تبدیل کرنا چاہیے جس کا کارکردگی پر بہت کم اثر پڑتا ہے۔ نمونے لینے کی حکمت عملی میں ML regressor کی طرف سے پیش گوئی کی گئی ردعمل کی سطح کو مدنظر رکھنا چاہیے۔ تلاش سے چلنے والے امیدواروں کو حاصل کرنے کے لیے دو نمونے لینے کی حکمت عملیوں کا استعمال کیا گیا تھا۔
Gaussian Process Regressors (GP) کی صورت میں، معیاری انحراف پیشن گوئی شدہ ردعمل کی سطح کو ماڈل کی غیر یقینی صورتحال کے اشارے کے طور پر استعمال کیا جا سکتا ہے۔ نمونے لینے کی حکمت عملی کے پول میں سے انتخاب پر مشتمل ہے۔ N نمونے , وہ امیدوار جو زیادہ سے زیادہ کرتا ہے۔ . ایسا کرنے سے، ہم ڈیزائن کی جگہ کے اس علاقے میں نمونے لے رہے ہیں جہاں رجعت کرنے والا اپنی پیشین گوئی کے بارے میں کم سے کم پر اعتماد ہے۔ ریاضیاتی اصطلاحات میں، ہم امیدوار کو منتخب کرتے ہیں جو درج ذیل مساوات کو پورا کرتا ہے:
متبادل کے طور پر، ہم ایک لالچی ان پٹ اور آؤٹ پٹس کے نمونے لینے کی حکمت عملی استعمال کرتے ہیں، جو فیچر کی جگہ اور مجوزہ امیدوار اور پہلے سے ٹیسٹ شدہ ڈیزائن کے درمیان رسپانس اسپیس میں فاصلوں کو زیادہ سے زیادہ کرتا ہے۔ اس سے نمٹتا ہے۔ اثر sparsity صورت حال کیونکہ جو امیدوار تھوڑی مطابقت کے ڈیزائن کے پیرامیٹر میں ترمیم کرتے ہیں ان کا ردعمل ایک جیسا ہوتا ہے، اور اس وجہ سے رسپانس کی سطح میں فاصلے کم سے کم ہوتے ہیں۔ ریاضیاتی اصطلاحات میں، ہم امیدوار کو منتخب کرتے ہیں جو درج ذیل مساوات کو پورا کرتا ہے، جہاں فنکشن f ایم ایل ریگریشن ماڈل ہے:
امیدواروں کا انتخاب، CFD ٹیسٹنگ، اور آپٹیمائزیشن لوپ
اس مرحلے پر، صارف کو کارکردگی سے چلنے والے اور تلاش سے چلنے والے دونوں امیدواروں کے ساتھ پیش کیا جاتا ہے۔ اگلا مرحلہ مجوزہ امیدواروں کے ذیلی سیٹ کا انتخاب، ان ڈیزائن پیرامیٹرز کے ساتھ CFD سمولیشن چلانا، اور ایروڈینامک ڈاؤن فورس ردعمل کو ریکارڈ کرنے پر مشتمل ہے۔
اس کے بعد، DoE ورک فلو ML ریگریشن ماڈلز کو دوبارہ تربیت دیتا ہے، جینیاتی الگورتھم کی اصلاح کو چلاتا ہے، اور کارکردگی پر مبنی اور تلاش سے چلنے والے امیدواروں کا ایک نیا سیٹ تجویز کرتا ہے۔ صارف مجوزہ امیدواروں کا ایک ذیلی سیٹ چلاتا ہے اور اس انداز میں اعادہ کرتا رہتا ہے جب تک کہ رکنے کے معیار کو پورا نہیں کیا جاتا۔ روکنے کے معیار کو عام طور پر پورا کیا جاتا ہے جب ایک امیدوار کو زیادہ سے زیادہ سمجھا جاتا ہے۔
نتائج کی نمائش
درج ذیل تصویر میں، ہم نارملائزڈ ایروڈینامک ڈاون فورس (Cz). مقصد ایروڈینامک ڈاون فورس کو زیادہ سے زیادہ کرنا تھا (Cz)۔ پہلے چار رنز (سرخ لکیر کے بائیں طرف) بیس لائن تھے اور تین لالچی ان پٹ امیدواروں نے پہلے بیان کیا تھا۔ وہاں سے، کارکردگی پر مبنی اور تلاش سے چلنے والے امیدواروں کے امتزاج کا تجربہ کیا گیا۔ خاص طور پر، اعادہ 6 اور 8 کے امیدوار تلاشی کے امیدوار تھے، دونوں ہی بیس لائن امیدوار (دوبارہ 1) کے مقابلے میں نیچے کی سطح کو ظاہر کرتے ہیں۔ جیسا کہ توقع کی گئی تھی، جیسا کہ ہم نے زیادہ امیدواروں کو ریکارڈ کیا، ایم ایل کی پیشن گوئی تیزی سے درست ہوتی گئی، جیسا کہ پیشین گوئی اور حقیقی کے درمیان کم ہوتے فاصلے سے ظاہر ہوتا ہے۔ Cz تکرار 9 پر، DoE ورک فلو بیس لائن سے ملتی جلتی کارکردگی کے حامل امیدوار کو تلاش کرنے میں کامیاب ہوا، اور تکرار 12 پر، DoE ورک فلو اس وقت ختم ہوا جب کارکردگی پر مبنی امیدوار نے بیس لائن کو عبور کیا۔
حتمی ڈیزائن کے پیرامیٹرز کے ساتھ نتیجے میں نارملائزڈ ڈاؤن فورس ویلیو کو مندرجہ ذیل جدول میں پیش کیا گیا ہے۔ بیس لائن امیدوار کے لیے نارملائزڈ ڈاون فورس لیول 0.975 تھا، جب کہ DoE ورک فلو کے لیے بہترین امیدوار نے 1.000 کی نارملائزڈ ڈاؤن فورس لیول ریکارڈ کیا۔ یہ ایک اہم 2.5% رشتہ دار اضافہ ہے۔
سیاق و سباق کے لیے، پانچ متغیرات کے ساتھ ایک روایتی DoE اپروچ کے لیے 25 اپ فرنٹ CFD سمولیشنز کی ضرورت ہوگی، اس سے پہلے کہ وہ ایک بہترین پیشین گوئی کرنے کے لیے کافی موزوں ہو۔ دوسری طرف، سیکھنے کا یہ فعال طریقہ 12 تکرار میں زیادہ سے زیادہ بدل گیا۔
. | ٹی ای - اونچائی | ٹی ای اینگل | درمیانی-LE-زاویہ | Min-Z | LE-اونچائی | نارملائزڈ Cz |
بیس لائن | 292.25 | 154.86 | 166 | 5 | 130 | 0.975 |
زیادہ سے زیادہ | 299.97 | 156.79 | 166.27 | 5.01 | 135.26 | 1.000 |
خصوصیت کی اہمیت
پیشین گوئی کرنے والے ماڈل کے لیے متعلقہ خصوصیت کی اہمیت کو سمجھنا ڈیٹا میں مفید بصیرت فراہم کر سکتا ہے۔ یہ کم اہم متغیرات کو ہٹانے کے ساتھ خصوصیت کے انتخاب میں مدد کرسکتا ہے، اس طرح مسئلہ کی جہت کو کم کرتا ہے اور ممکنہ طور پر ریگریشن ماڈل کی پیشین گوئی کی طاقتوں کو بہتر بناتا ہے، خاص طور پر چھوٹے ڈیٹا رجیم میں۔ اس ڈیزائن کے مسئلے میں، یہ F1 ایروڈائینامکسٹ کو ایک بصیرت فراہم کرتا ہے جس میں متغیر سب سے زیادہ حساس ہوتے ہیں اور اس لیے زیادہ محتاط ٹیوننگ کی ضرورت ہوتی ہے۔
اس معمول میں، ہم نے ایک ماڈل-ایگنوسٹک تکنیک کو نافذ کیا جسے کہا جاتا ہے۔ ترتیب کی اہمیت. ہر متغیر کی نسبتی اہمیت کا اندازہ صرف اس متغیر کی قدروں کو تصادفی طور پر تبدیل کرنے کے بعد ماڈل کی پیشین گوئی کی غلطی میں اضافے کا حساب لگا کر کیا جاتا ہے۔ اگر ماڈل کے لیے کوئی خصوصیت اہم ہے، تو پیشین گوئی کی غلطی بہت بڑھ جاتی ہے، اور اس کے برعکس کم اہم خصوصیات کے لیے۔ مندرجہ ذیل اعداد و شمار میں، ہم ایک Gaussian Process Regressor (GP) کے لیے تبدیلی کی اہمیت پیش کرتے ہیں جو ایروڈینامک ڈاؤن فورس (Cz)۔ پچھلے کنارے کی اونچائی (TE-Height) کو سب سے اہم سمجھا جاتا تھا۔
نتیجہ
اس پوسٹ میں، ہم نے وضاحت کی کہ F1 ایروڈینامکسٹ کس طرح نوول ایروڈینامک جیومیٹریز کو ڈیزائن کرتے وقت DoE ورک فلوز میں ML ریگریشن ماڈلز استعمال کر رہے ہیں۔ AWS Professional Services کے ذریعے تیار کردہ ML سے چلنے والا DoE ورک فلو بصیرت فراہم کرتا ہے کہ ڈیزائن کے پیرامیٹرز کارکردگی کو زیادہ سے زیادہ کریں گے یا ڈیزائن کی جگہ میں نامعلوم علاقوں کو تلاش کریں گے۔ CFD میں امیدواروں کو گرڈ تلاش کے انداز میں بار بار جانچنے کے برخلاف، ML سے چلنے والا DoE ورک فلو کم تکرار میں ڈیزائن کے بہترین پیرامیٹرز میں تبدیل ہونے کے قابل ہے۔ اس سے وقت اور وسائل دونوں کی بچت ہوتی ہے کیونکہ کم CFD سمولیشن کی ضرورت ہوتی ہے۔
چاہے آپ ایک فارماسیوٹیکل کمپنی ہو جو کیمیکل کمپوزیشن آپٹیمائزیشن کو تیز کرنا چاہتی ہو یا ایک مینوفیکچرنگ کمپنی ہو جو انتہائی مضبوط ڈیزائنوں کے لیے ڈیزائن کے طول و عرض تلاش کر رہی ہو، DoE ورک فلو زیادہ سے زیادہ موثر امیدواروں تک پہنچنے میں مدد کر سکتا ہے۔ AWS Professional Services آپ کی ٹیم کو خصوصی ML مہارتوں اور تجربے کے ساتھ مکمل کرنے کے لیے تیار ہے تاکہ DoE ورک فلو کو ہموار کرنے اور بہتر کاروباری نتائج حاصل کرنے میں آپ کی مدد کرنے کے لیے ٹولز تیار کر سکیں۔ مزید معلومات کے لیے دیکھیں AWS پروفیشنل سروسز، یا رابطے میں رہنے کے لیے اپنے اکاؤنٹ مینیجر کے ذریعے رابطہ کریں۔
مصنفین کے بارے میں
پابلو ہرموسو مورینو AWS پروفیشنل سروسز ٹیم میں ڈیٹا سائنٹسٹ ہے۔ وہ ڈیٹا کے ساتھ کہانیاں سنانے اور انجینئرنگ کے زیادہ باخبر فیصلوں تک تیزی سے پہنچنے کے لیے مشین لرننگ کا استعمال کرتے ہوئے تمام صنعتوں کے کلائنٹس کے ساتھ کام کرتا ہے۔ پابلو کا پس منظر ایرو اسپیس انجینئرنگ میں ہے اور موٹرسپورٹ انڈسٹری میں کام کرنے کے بعد اسے ایم ایل کے ساتھ طبیعیات اور ڈومین کی مہارت کو پورا کرنے میں دلچسپی ہے۔ اپنے فارغ وقت میں، وہ روئنگ اور گٹار بجانے سے لطف اندوز ہوتا ہے۔
- "
- 000
- 100
- 28
- 9
- ہمارے بارے میں
- اکاؤنٹ
- درست
- حاصل
- حاصل کیا
- کے پار
- فعال
- اس کے علاوہ
- ایڈیشنل
- ایرواسپیس
- یلگورتم
- یلگوردمز
- تمام
- پہلے ہی
- اگرچہ
- ایمیزون
- ایک اور
- نقطہ نظر
- ارد گرد
- AWS
- پس منظر
- بیس لائن
- اس سے پہلے
- کیا جا رہا ہے
- فائدہ
- BEST
- تعمیر
- کاروبار
- امیدوار
- امیدواروں
- صلاحیتوں
- کار کے
- کاریں
- چارج
- کیمیائی
- انتخاب
- کلائنٹس
- مجموعہ
- مل کر
- کمپنی کے
- پیچیدہ
- اعتماد
- غور
- جاری ہے
- تقارب
- سکتا ہے
- تخلیق
- موجودہ
- اعداد و شمار
- ڈیٹا سائنس
- ڈیٹا سائنسدان
- فیصلے
- بیان
- بیان کیا
- ڈیزائن
- ڈیزائننگ
- ڈیزائن
- ترقی
- ترقی یافتہ
- مختلف
- فاصلے
- ڈومین
- ڈرائیونگ
- حرکیات
- ایج
- اثر
- ہنر
- مؤثر طریقے سے
- انجنیئرنگ
- ماحولیات
- قائم
- مثال کے طور پر
- توقع
- تجربہ
- مہارت
- کی تلاش
- تلاش
- عوامل
- فیشن
- فاسٹ
- تیز تر
- نمایاں کریں
- خصوصیات
- اعداد و شمار
- پہلا
- فٹ
- بہاؤ
- کے بعد
- مندرجہ ذیل ہے
- آزادی
- سامنے
- تقریب
- گیس
- عام طور پر
- پیدا
- پیدا کرنے والے
- نسل
- نسلیں
- گلوبل
- مقصد
- اچھا
- GP
- بہت
- گرڈ
- ہونے
- اونچائی
- مدد
- ذاتی ترامیم چھپائیں
- ہائی
- اعلی
- کس طرح
- تاہم
- HTTPS
- بھاری
- تصویر
- اثر
- عملدرآمد
- اہمیت
- اہم
- کو بہتر بنانے کے
- اضافہ
- اضافہ
- دن بدن
- صنعت
- اثر و رسوخ
- معلومات
- معلوماتی
- مطلع
- ان پٹ
- بصیرت
- بصیرت
- متاثر
- دلچسپی
- کی تحقیقات
- IT
- جانا جاتا ہے
- بڑے
- معروف
- لیڈز
- سیکھنے
- سطح
- لمیٹڈ
- لائن
- تھوڑا
- تلاش
- مشین
- مشین لرننگ
- میں کامیاب
- مینیجر
- انداز
- مینوفیکچرنگ
- ریاضیاتی
- کا مطلب ہے کہ
- طریقوں
- پیمائش کا معیار
- شاید
- کم سے کم
- ML
- ماڈل
- ماڈل
- کی نگرانی
- زیادہ
- سب سے زیادہ
- موٹرزپورٹ
- ایک سے زیادہ
- قدرتی
- تعداد
- حاصل کی
- اصلاح کے
- کی اصلاح کریں
- زیادہ سے زیادہ
- آپشنز کے بھی
- حکم
- دیگر
- حصہ
- خاص طور پر
- خاص طور پر
- کارکردگی
- دواسازی کی
- طبعیات
- کھیل
- پوائنٹس
- پول
- ممکن
- طاقتور
- پیشن گوئی
- کی پیشن گوئی
- پیشن گوئی
- حال (-)
- پچھلا
- مسئلہ
- عمل
- پیدا
- پیشہ ورانہ
- منصوبے
- وعدہ
- تجویز کریں
- مجوزہ
- فراہم
- فراہم کرتا ہے
- مقصد
- لوگ دوڑ میں مقابلہ
- تک پہنچنے
- ریکارڈ
- کو کم
- کو کم کرنے
- باقاعدہ
- ریگولیشن
- تعلقات
- باقی
- نمائندگی
- پنروتپادن
- کی ضرورت
- ضرورت
- کی ضرورت ہے
- وسائل
- جواب
- نتائج کی نمائش
- واپسی
- منہاج القرآن
- رن
- چل رہا ہے
- سائنس
- سائنسدان
- تلاش کریں
- منتخب
- سیریز
- سروسز
- مقرر
- قائم کرنے
- مشترکہ
- دکھایا گیا
- اسی طرح
- سادہ
- تخروپن
- مہارت
- چھوٹے
- So
- حل
- حل
- حل
- خلا
- خصوصی
- تیزی
- کھیل
- اسپورٹس
- پھیلانے
- اسٹیج
- مراحل
- معیار
- شروع
- خبریں
- حکمت عملیوں
- حکمت عملی
- مطالعہ
- مطالعہ
- اعلی
- سطح
- ہدف
- ٹیم
- ٹیکنیکل
- تکنیک
- ٹیسٹ
- ٹیسٹنگ
- ٹیسٹ
- دنیا
- لہذا
- کے ذریعے
- بھر میں
- وقت
- وقت لگتا
- اوقات
- ٹائر
- مل کر
- اوزار
- چھو
- کی طرف
- ٹریک
- روایتی
- بے نقاب
- سمجھ
- us
- استعمال کی شرائط
- توثیق
- قیمت
- گاڑیاں
- مجازی
- کیا
- وکیپیڈیا
- ونڈ
- بغیر
- کام کیا
- کام کرتا ہے
- دنیا
- گا
- سال