Zaawansowane algorytmy poprawiają wydajność pojazdów elektrycznych
Aby zrealizować ambitny cel UE, jakim jest osiągnięcie neutralności klimatycznej do 2050 roku, w nadchodzących latach na drogi wyjedzie wiele nowych pojazdów elektrycznych. Finansowany ze środków UE projekt UPSCALE ułatwił ten rozwój poprzez zaprojektowanie oprogramowania opartego na sztucznej inteligencji, które przyspiesza symulowane testy bezpieczeństwa i wydajności.
Postęp dzięki algorytmom
Badanie osiągów samochodów od wielu lat opiera się na rozwiązywaniu problemów z dziedziny fizyki. W wielu przypadkach prace te są jednak żmudne i czasochłonne, a ponadto stosowane metody nie zawsze pozwalają na uzyskanie wszystkich potrzebnych odpowiedzi. W związku z tym rozwój motoryzacji jest w coraz większym stopniu zależny od superkomputerów i obliczeń wielkiej skali, a także komputerowego wspomagania prac inżynieryjnych – dwóch dziedzin, które przeżywają obecnie prawdziwy rozkwit. Jak czytamy w opracowaniach przygotowanych przez zespoły naukowe, rozwój metod uczenia maszynowego, które stanowią jeden z rodzajów modeli sztucznej inteligencji, może przyczynić się do usprawnienia testów pojazdów poprzez zastąpienie metod opartych na fizyce rozwiązaniami opartymi na danych. Zespół skupiony wokół projektu UPSCALE postanowił zastosować metody uczenia maszynowego w kontekście przemysłowym, opracowując nowatorskie algorytmy i procesy. Omawiając symulacje zderzeń oraz osiągów aerodynamicznych, koordynator techniczny projektu Enric Aramburu, stwierdza: „W ramach projektu UPSCALE naszemu zespołowi udało się wykazać możliwość zastąpienia rozwiązań opartych na fizyce rozwiązaniami opartymi na danych dzięki skróceniu czasu przeprowadzania symulacji o trzy rzędy wielkości, przy jednoczesnym utrzymaniu wskaźnika dokładności na poziomie przekraczającym 98 %”. Prace nad projektem przebiegały w trzech etapach. Pierwszy z nich polegał na określeniu i wdrożeniu ram uczenia maszynowego dla różnych zastosowań. W kolejnym naukowcy opracowali zestawy danych i szkolenia w zakresie uczenia maszynowego na poziomie weryfikacji poprawności koncepcji. Wreszcie, zespół zastosował narzędzia symulacyjne w rzeczywistych sytuacjach przemysłowych.
Niezbędne studia przypadków
Realizacja celów projektu wymagała od naukowców zbadania dwóch studiów przypadków – modelowania zderzeń oraz parametrów aerodynamicznych i termicznych. Oba rodzaje modelowania opierają się w dużym stopniu na obliczeniach wielkiej skali, w związku z czym doskonale nadają się do wykorzystania modeli uczenia maszynowego. Testy zderzeniowe są przeprowadzane w celu określenia poziomu bezpieczeństwa pojazdów. Szczególnie istotne są z punktu widzenia pojazdów elektrycznych, w przypadku których są źródłem cennych informacji dotyczących zachowania akumulatora po zderzeniu. Badania parametrów aerodynamicznych oraz termicznych pozwalają z kolei ustalić dokładne osiągi pojazdu – lepsze parametry przekładają się na wydłużenie zasięgu oraz zmniejszenie szkodliwego wpływu na środowisko. Jednym z głównych osiągnięć projektu było opracowanie modeli o zredukowanym rzędzie na potrzeby obu studiów przypadku. Spośród obu wypracowanych rozwiązań to model dotyczący akumulatora okazał się prawdziwym przełomem, pozwalając na szybką ocenę wszystkich ogniw w pojeździe. Zespół badaczy wykorzystał także metody autoenkoderów 3D, aby ograniczyć liczbę parametrów karoserii pojazdów do zaledwie 20. Takie rozwiązanie umożliwiło modelowanie aerodynamiki pojazdów o dowolnym kształcie. Stworzone w ramach projektu oprogramowanie symulacyjne skróciło czas poświęcany na opracowywanie pojazdów, co ostatecznie przyspieszy wprowadzenie pojazdów elektrycznych na drogi. Wiele narzędzi symulacyjnych opracowanych przez zespół projektu UPSCALE jest gotowych do wprowadzenia na rynek, a konsorcjum otrzymało od użytkowników końcowych, w tym trzech producentów oryginalnego wyposażenia pojazdów, informacje zwrotne na ich temat. Dzięki tym pozytywnym wynikom zastosowanie uczenia maszynowego pozostanie z nami na dobre. Podczas gdy naukowcy pracują nad zwiększeniem skuteczności narzędzi symulacyjnych, ważnym celem jest poprawa przewidywania w scenariuszach, które odbiegają od zestawów danych szkoleniowych, i zmniejszenie potrzeby obszernego szkolenia w zakresie zestawu danych. Jak twierdzi Aramburu „kolejne kroki powinny skupić się na opracowaniu bardziej wydajnych rozwiązań, które wymagają mniej wysiłku szkoleniowego i są w stanie przewidzieć również całkiem nowe przypadki użycia”. Świat zmienia się szybko. Wyzwania środowiskowe są krytyczne, a technologia rozwija się w zawrotnym tempie. Dzięki innowacyjnym zastosowaniom oprogramowania do uczenia maszynowego w opracowywaniu pojazdów elektrycznych projekt UPSCALE pomógł przemysłowi motoryzacyjnemu nadążyć za tym rozwojem.
Słowa kluczowe
UPSCALE, uczenie maszynowe, symulacja, pojazd elektryczny, sztuczna inteligencja, aerodynamiczny, aerotermiczny, rozwój motoryzacji, testy zderzeniowe, modelowanie zredukowanego rzędu, autoenkoder
