Дали некогаш сте размислувале да дизајнирате сопствен автомобил и да станете познати како Мате Римац? Ако одговорот е да, треба да започнете со дизајнирање на вашето возило од соништата, но тоа не е толку лесно да се направи, бидејќи дури и ако добро цртате, ќе треба да размислите и за перформансите на тоа возило.
Производителите на автомобили можат да поминат неколку години во фазата на дизајнирање на автомобилот, менувајќи ги 3Д формите во симулации пред да ги изградат најперспективните дизајни за физичко тестирање. Деталите и спецификациите на овие тестови, вклучувајќи ја и аеродинамиката на конкретниот дизајн на автомобилот, обично не се објавуваат во јавноста.
Инженерите од Американскиот институт за технологија од Масачусетс (MIT), велат дека потрагата по подобар дизајн на автомобили може да се забрза експоненцијално со користење на генеративни алатки за вештачка интелигенција кои можат да пребаруваат огромни количини на податоци во секунди и да најдат врски за да генерираат нов дизајн. Додека постојат такви алатки за вештачка интелигенција, податоците од кои тие треба да учат не се достапни, барем во која било достапна, централизирана форма.
Сега, за прв пат, инженерите направија токму таков сет на податоци достапен за јавноста. Наречен DrivAerNet++, сетот вклучува повеќе од 8.000 дизајни на автомобили генерирани од инженери врз основа на најчестите типови автомобили во светот денес. Секој дизајн е претставен во 3Д и вклучува информации за аеродинамиката на автомобилот, начинот на кој воздухот би течел околу даден дизајн, врз основа на симулации за динамика на течности што групата ги изведувала за секој дизајн, како што можете да видите на видеото во прилог.
Секој од 8.000 дизајни на сетот е достапен во неколку прикази, како што се мрежа, облак со точки или едноставна листа на параметри и димензии на дизајнот. Како таква, базата на податоци може да се користи од различни модели на вештачка интелигенција кои се прилагодени да ги обработуваат податоците во одреден модалитет.
DrivAerNet++ е најголемата база на податоци со отворен код за автомобилска аеродинамика развиена до денес. Инженерите замислуваат дека ќе се користи како обемна библиотека на реални дизајни на автомобили, со детални аеродинамички податоци што може да се користат за брзо тренирање на кој било модел со вештачка интелигенција. Овие модели потоа можат исто толку брзо да генерираат нови дизајни кои потенцијално би можеле да доведат до автомобили со поекономична потрошувачка на гориво и електрични возила со подолг домет, во дел од времето што и е потребно на денешната автомобилска индустрија.
За да изградат база на податоци за дизајн на автомобили со физички прецизни претстави на нивната аеродинамика, истражувачите започнаа со неколку основни 3Д модели обезбедени од Audi и BMW во 2014 година. Овие модели ги претставуваат трите главни категории на патнички автомобили: брзи (лимузини со заоблен заден крај ), ночбек (лимузини или купеа со благо свиткување на задниот профил) и каравани. Се смета дека основните модели го премостуваат јазот меѓу едноставно и покомплицирано, а други групи ги користеле како почетна точка за истражување на нови дизајни на автомобили.
Во нивната студија тимот примени операција за морфирање на секој од основните модели на автомобилот. Оваа операција систематски направи мала промена на секој од 26-те параметри во конкретен дизајн на автомобил, како што се неговата должина, карактеристики на шасијата, чекорот на шофершајбната и шарата на тркалата, што потоа беше означено како одреден дизајн на автомобил, кој потоа беше додаден на растечките сетови податоци.
Во меѓувреме, тимот спроведе алгоритам за оптимизација за да се осигура дека секој нов дизајн е навистина различен, а не копија на веќе генериран дизајн. Тие потоа го преведоа секој 3Д дизајн во различни модалитети, така што даден дизајн може да биде претставен како мрежа, облак со точки или листа на димензии и спецификации.
Истражувачите, исто така, спроведоа сложени, компјутерски симулации за динамика на течности за да пресметаат како воздухот ќе тече околу секој генериран дизајн на автомобилот. На крајот, ова доведе до повеќе од 8.000 различни, физички точни 3Д облици на автомобили, покривајќи ги најчестите типови на патнички автомобили на патиштата денес.
За да се произведе оваа сеопфатна база на податоци, истражувачите потрошиле над 3 милиони часови на процесорот користејќи го MIT SuperCloud и генерирале 39 терабајти податоци.
Истражувачите велат дека инженерите сега можат да ги користат податоците за да обучат специфичен модел на вештачка интелигенција. На пример, модел со вештачка интелигенција може да се обучи на дел од збирот на податоци за да научи конфигурации на автомобили кои имаат одредена посакувана аеродинамика. Во рок од неколку секунди моделот потоа може да генерира нов дизајн на автомобил со оптимизирана аеродинамика, врз основа на она што го научил од базата на податоци од илјадници физички прецизни дизајни.
Множеството податоци може да се користи и за обратна цел. На пример, откако ќе обучат модел со вештачка интелигенција на збир на податоци, дизајнерите би можеле да додадат одреден дизајн на автомобил на моделот и да му овозможат брзо да ја процени аеродинамиката на дизајнот, што потоа може да се користи за пресметување на потенцијалната ефикасност на горивото на автомобилот или електричниот опсег, без изградба и тестирање на физички модел.
(Vidi.hr)
(фото: MIT)
