Проектирование автомобилей — это повторяющийся и запатентованный процесс. Автопроизводители могут потратить несколько лет на этап проектирования автомобиля, оттачивая трехмерные формы в ходе моделирования, прежде чем создавать наиболее перспективные конструкции для физических испытаний. Детали и характеристики этих испытаний, включая аэродинамику конкретной конструкции автомобиля, обычно не разглашаются. Таким образом, значительный прогресс в производительности, например в повышении энергоэффективности или увеличении запаса хода электромобилей, может быть медленным и распределяться от одной компании к другой.
Инженеры MIT говорят, что поиск лучших конструкций автомобилей может ускориться в геометрической прогрессии благодаря использованию инструментов генеративного искусственного интеллекта, которые могут анализировать огромные объемы данных за секунды и находить связи для создания нового дизайна. Хотя такие инструменты ИИ существуют, данные, которые им нужно было бы изучить, недоступны, по крайней мере, в централизованной и доступной форме.
Но сегодня инженеры впервые сделали такой набор данных доступным для общественности. Набор данных, получивший название DrivAerNet++, включает более 8000 моделей автомобилей, созданных инженерами на основе наиболее распространенных сегодня в мире типов автомобилей. Каждый дизайн представлен в трехмерной форме и включает информацию об аэродинамике автомобиля – о том, как воздух будет обтекать данную конструкцию, на основе моделирования гидродинамики, которое группа выполнила для каждого дизайна.
Фото: предоставлено Мохамедом Эльрефаи.
Каждый из 8000 проектов в наборе данных доступен в нескольких представлениях, таких как сетка, облако точек или простой список параметров и размеров проекта. Таким образом, набор данных может использоваться различными моделями ИИ, настроенными для обработки данных в определенной модальности.
DrivAerNet++ — это крупнейший на сегодняшний день набор данных по автомобильной аэродинамике с открытым исходным кодом. Инженеры предполагают использовать его как обширную библиотеку реалистичных конструкций автомобилей с подробными аэродинамическими данными, которые можно использовать для быстрого обучения любой модели искусственного интеллекта. Эти модели могут затем так же быстро создавать новые конструкции, которые могут привести к созданию более экономичных автомобилей и электромобилей с большим запасом хода, за долю времени, которое требуется современной автомобильной промышленности.
«Этот набор данных закладывает основу для следующего поколения приложений искусственного интеллекта в машиностроении, способствуя эффективным процессам проектирования, сокращая затраты на НИОКР и продвигая прогресс к более устойчивому автомобильному будущему», — говорит студент Мохамед Эльрефаи, получивший степень инженера-механика в Массачусетском технологическом институте.
Эльрефаи и его коллеги представят документ с подробным описанием нового набора данных и методов искусственного интеллекта, которые можно к нему применить, на конференции NeurIPS в декабре. Его соавторами являются Фаез Ахмед, доцент кафедры машиностроения Массачусетского технологического института, Анджела Дай, доцент кафедры информатики Мюнхенского технического университета, и Флорин Марар из BETA CAE Systems.
Заполнение пробела в данных
Ахмед возглавляет Лабораторию расчетов и цифрового проектирования (DeCoDE) в Массачусетском технологическом институте, где его группа исследует способы использования инструментов искусственного интеллекта и машинного обучения для улучшения проектирования сложных инженерных систем и продуктов, в том числе автомобильных технологий.
«Часто при проектировании автомобиля сложный процесс настолько дорог, что производители могут лишь незначительно модифицировать автомобиль от одной версии к другой», — говорит Ахмед. «Но если у вас есть большие наборы данных, и вы знаете, как работает каждая конструкция, теперь вы можете научить модели машинного обучения выполнять быстрые итерации, чтобы у вас было больше шансов получить лучший дизайн».
А скорость, особенно в развитии автомобильных технологий, сейчас особенно актуальна.
«Сейчас лучшее время для ускорения автомобильных инноваций, потому что автомобили являются одними из крупнейших загрязнителей окружающей среды в мире, и чем быстрее мы сможем сократить этот вклад, тем больше мы сможем помочь климату», — говорит Эльрефаи.
Изучая процесс проектирования новых автомобилей, исследователи обнаружили, что, хотя существуют модели искусственного интеллекта, которые могут перебирать множество конструкций автомобилей для создания оптимальных конструкций, данные о реально доступных автомобилях ограничены. Некоторые исследователи уже собрали небольшие наборы данных о смоделированных конструкциях автомобилей, в то время как автопроизводители редко публикуют спецификации реальных конструкций, которые они исследуют, тестируют и в конечном итоге производят.
Команда стремилась заполнить пробел в данных, особенно в отношении аэродинамики автомобиля, которая играет ключевую роль в определении запаса хода электромобиля, и топливной эффективности двигателя внутреннего сгорания. Они поняли, что задача заключалась в сборе набора данных о тысячах моделей автомобилей, каждая из которых физически точна по функциям и форме, без возможности физического тестирования и измерения их производительности.
Чтобы создать набор данных о конструкциях автомобилей с физически точным представлением их аэродинамики, исследователи начали с нескольких базовых 3D-моделей, предоставленных Audi и BMW в 2014 году. Эти модели представляют три широкие категории легковых автомобилей: фастбэки (седаны с откинутой спинкой). хорошо), хэтчбек (седан или купе с небольшим провалом в заднем профиле) и универсал (как универсалы с более плоской и тупой спиной). Считается, что базовые модели устраняют разрыв между простыми конструкциями и более сложными запатентованными разработками и используются другими группами в качестве отправной точки для изучения новых конструкций автомобилей.
Автомобильная библиотека
В своем новом исследовании команда применила операцию морфинга к каждой базовой модели автомобиля. Эта операция систематически вносила небольшое изменение в каждый из 26 параметров данной конструкции автомобиля, таких как его длина, характеристики днища, наклон лобового стекла и колея колес, которые впоследствии были обозначены как отдельная конструкция автомобиля, которая затем была добавлена к растущему список. набор данных. За это время команда запустила алгоритм оптимизации, чтобы гарантировать, что каждый новый дизайн будет уникальным, а не копией уже созданного. Затем они преобразовали каждый 3D-проект в различные модальности, чтобы конкретный дизайн можно было представить в виде сетки, облака точек или списка размеров и спецификаций.
Исследователи также выполнили сложное компьютерное моделирование гидродинамики, чтобы рассчитать, как воздух будет обтекать каждую созданную конструкцию автомобиля. В конечном итоге в результате этих усилий было создано более 8000 различных, физически точных 3D-форм автомобилей, охватывающих наиболее распространенные типы легковых автомобилей на дорогах сегодня.
Для создания этого всеобъемлющего набора данных исследователи использовали более 3 миллионов процессорных часов с использованием MIT SuperCloud и сгенерировали 39 терабайт данных. (Для сравнения: по оценкам, вся печатная коллекция Библиотеки Конгресса будет представлять примерно 10 терабайт данных.)
Инженеры говорят, что теперь исследователи могут использовать набор данных для обучения конкретной модели ИИ. Например, модель ИИ может быть обучена на части набора данных для изучения конфигураций автомобилей с определенными желаемыми аэродинамическими характеристиками. За считанные секунды модель могла бы создать новый дизайн автомобиля с оптимизированной аэродинамикой, основываясь на том, что она узнала из тысяч физически точных конструкций в наборе данных.
Исследователи говорят, что набор данных также может быть использован для противоположной цели. Например, после обучения модели ИИ на наборе данных дизайнеры могут передать модели конкретную конструкцию автомобиля и быстро оценить аэродинамику конструкции, которую затем можно использовать для расчета потенциальной энергоэффективности или запаса хода на электротяге автомобиля. все без выполнения каких-либо операций. дорогостоящее строительство и тестирование физического автомобиля.
«Этот набор данных позволяет вам научить генеративные модели ИИ выполнять действия за секунды, а не за часы», — говорит Ахмед. «Эти модели могут помочь снизить расход топлива автомобилей с двигателем внутреннего сгорания и увеличить запас хода электромобилей, открывая путь к более устойчивым и экологически чистым транспортным средствам. »
Эту работу частично поддержали Германская служба академических обменов и факультет машиностроения Массачусетского технологического института.
