Проектирование автомобиля — это повторяющийся и запатентованный процесс. Автопроизводители могут потратить несколько лет на этап проектирования автомобиля, настраивая 3D-формы в ходе моделирования, прежде чем создавать наиболее перспективные конструкции для физических испытаний. Подробности и характеристики этих испытаний, включая аэродинамику конкретной конструкции автомобиля, обычно не разглашаются. Таким образом, значительный прогресс в производительности, например, в топливной эффективности или запасе хода электромобилей, может быть медленным и разрозненным от компании к компании.
Инженеры MIT говорят, что поиск лучших конструкций автомобилей может ускориться в геометрической прогрессии с использованием инструментов генеративного искусственного интеллекта, которые могут обрабатывать огромные объемы данных за считанные секунды и находить связи для создания нового дизайна. Хотя такие инструменты ИИ существуют, данные, на которых им нужно было бы учиться, не были доступны, по крайней мере, в какой-либо доступной централизованной форме.
Но теперь инженеры впервые предоставили публике именно такой набор данных. Набор данных, получивший название DrivAerNet++, включает в себя более 8000 конструкций автомобилей, которые инженеры создали на основе наиболее распространенных сегодня типов автомобилей в мире. Каждый дизайн представлен в 3D-форме и включает информацию об аэродинамике автомобиля — о том, как воздух будет обтекать данную конструкцию, на основе моделирования динамики жидкости, которое группа выполнила для каждого дизайна.
Фото: предоставлено Мохамедом Эльрефаи.
Каждый из 8000 проектов набора 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 на обработку данных в определенной модальности.
DrivAerNet++ — это крупнейший на сегодняшний день набор данных с открытым исходным кодом по аэродинамике автомобилей. Инженеры предполагают, что его можно будет использовать в качестве обширной библиотеки реалистичных конструкций автомобилей с подробными данными по аэродинамике, которые можно будет использовать для быстрого обучения любой модели искусственного интеллекта. Эти модели смогут так же быстро создавать новые конструкции, которые потенциально могут привести к созданию более экономичных автомобилей и электромобилей с большей дальностью хода, за долю времени, которое требуется сегодня автомобильной промышленности.
«Этот набор данных закладывает основу для следующего поколения приложений искусственного интеллекта в машиностроении, способствуя эффективным процессам проектирования, сокращая затраты на исследования и разработки и продвигая прогресс к более устойчивому автомобильному будущему», — говорит Мохамед Эльрефаи, аспирант машиностроения Массачусетского технологического института.
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, а также 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, включая автомобильные технологии.
«Часто при проектировании автомобиля последующий процесс настолько дорог, что производители могут лишь немного доработать автомобиль от одной версии к другой», — говорит Ахмед. «Но если у вас есть большие наборы данных, и вы знаете производительность каждого проекта, теперь вы можете научить модели машинного обучения выполнять быстрые итерации, чтобы у вас было больше шансов получить лучший дизайн».
А скорость, особенно для развития автомобильных технологий, сейчас особенно важна.
«Это лучшее время для ускорения автомобильных инноваций, поскольку 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 анализировать множество конструкций автомобилей для создания оптимальных конструкций, фактически доступные данные об автомобилях ограничены. Некоторые исследователи ранее собирали небольшие наборы данных смоделированных конструкций автомобилей, в то время как производители автомобилей редко публикуют характеристики 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, а также топливной эффективности двигателя внутреннего сгорания. Задача, как они поняли, заключалась в сборе данных о тысячах конструкций автомобилей, каждая из которых физически точна по своим функциям и форме, без возможности физического тестирования и измерения их характеристик.
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 основные категории легковых автомобилей: фастбэк (седаны с наклонной задней частью). конец), нотчбек (седаны или купе с небольшим провалом в заднем профиле) и универсал (например, универсалы с более тупой и плоской 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.
Библиотека автомобилей
В своем новом исследовании команда применила операцию морфинга к каждой из базовых моделей автомобилей. Эта операция систематически вносила небольшие изменения в каждый из 26 параметров данной конструкции автомобиля, таких как его длина, особенности днища, наклон лобового стекла и колея колес, которые затем были обозначены как отдельный дизайн автомобиля, который затем был добавлен к растущему числу набор данных. Тем временем команда запустила алгоритм оптимизации, чтобы гарантировать, что каждый новый дизайн действительно индивидуален, а не является копией уже созданного дизайна. Затем они преобразовали каждый 3D-проект в различные модальности, так что данный дизайн можно представить в виде сетки, облака точек или списка размеров и характеристик.
Исследователи также провели сложное вычислительное 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.
Чтобы создать этот комплексный набор данных, исследователи потратили более 3 миллионов процессорных часов на использование MIT SuperCloud и сгенерировали 39 терабайт данных. (Для сравнения, по оценкам, вся печатная коллекция Библиотеки Конгресса будет составлять около 10 терабайт данных.)
Инженеры говорят, что теперь исследователи могут использовать набор данных для обучения конкретной модели ИИ. Например, модель искусственного интеллекта может быть обучена на части набора данных для изучения конфигураций автомобилей, обладающих определенной желаемой аэродинамикой. За считанные секунды модель сможет создать новый дизайн автомобиля с оптимизированной аэродинамикой, основываясь на знаниях, полученных из тысяч физически точных конструкций набора данных.
Исследователи говорят, что набор данных также можно использовать для обратной 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 топливной эффективности автомобиля или запаса хода на электротяге — и все это без каких-либо дополнительных действий. 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 для автомобилей с двигателем внутреннего сгорания и увеличить запас хода электромобилей, что в конечном итоге проложит путь к более устойчивым и экологически чистым транспортным средствам».
Эту работу частично поддержали Германская служба академических обменов и факультет машиностроения Массачусетского технологического института.
