汽車市場(chǎng)正在迅速發(fā)展。新的參與者正在進(jìn)入市場(chǎng)，車輛電氣化的動(dòng)力正在進(jìn)行中，在凍結(jié)設(shè)計(jì)前對(duì)許多車輛的變種進(jìn)行了調(diào)查，可持續(xù)性是一個(gè)主要議題。在這方面，車輛的空氣動(dòng)力學(xué)變得越來越重要。它直接影響車輛的射程，并在達(dá)到管制目標(biāo)方面發(fā)揮重要作用。

 

汽車制造商還必須牢記縮短市場(chǎng)時(shí)間的必要性，在市場(chǎng)上設(shè)計(jì)必須更快，不允許后期重新設(shè)計(jì)。這一切都意味著必須更快地評(píng)估車輛的空氣動(dòng)力學(xué)。在過去和現(xiàn)在，計(jì)算流體動(dòng)力學(xué)(CFD)為虛擬空氣動(dòng)力學(xué)測(cè)試打開了大門，允許制造商測(cè)試他們的車輛形狀之前，開發(fā)一個(gè)昂貴和時(shí)間密集的原型，然后需要實(shí)驗(yàn)使用風(fēng)洞。

 

而高保真CFD，如動(dòng)力流提供的軟件，將繼續(xù)是主要OEM空氣動(dòng)力學(xué)發(fā)展過程中不可或缺的一部分，機(jī)器學(xué)習(xí)的發(fā)展及其算法的持續(xù)改進(jìn)為加速計(jì)算空氣動(dòng)力學(xué)打開了大門。

 

目前的工作說明了從3DSCFD動(dòng)力流軟件獲得的空氣動(dòng)力學(xué)數(shù)據(jù)與數(shù)據(jù)驅(qū)動(dòng)方法相結(jié)合，如何能夠使汽車制造商獲得車輛表面x力分布、相關(guān)的車輛綜合阻力的三維輪廓圖，以及(在訓(xùn)練了ML模型之后)在數(shù)分鐘內(nèi)在一個(gè)GSP上獲得更多的數(shù)據(jù)。這意味著計(jì)算成本和時(shí)間的顯著減少，因?yàn)檫\(yùn)行高保真空氣動(dòng)力學(xué)CFD模擬需要幾百個(gè)CPU和幾個(gè)小時(shí)。

 

更重要的是，該方法預(yù)測(cè)的阻力與實(shí)際功率流值之間的誤差不大于3%。所研究的幾何學(xué)是一個(gè)具有不同輪距數(shù)和寬度的開放源代碼的德勒維汽車模型。

 

導(dǎo)言

數(shù)字孿生一詞的使用越來越普遍.它代表了一個(gè)概念，在這個(gè)概念中，一個(gè)物體，甚至一個(gè)活著的存在的數(shù)字復(fù)制品被創(chuàng)造出來，以更好地理解、設(shè)計(jì)和優(yōu)化現(xiàn)實(shí)生活中的雙胞胎。到目前為止，在汽車空氣動(dòng)力學(xué)領(lǐng)域，低保真和高保真計(jì)算流體動(dòng)力學(xué)(CFD)軟件已被用于預(yù)測(cè)和改進(jìn)空氣動(dòng)力學(xué)行為(例如。汽車的阻力、升力和偏航特性)，從而繞過了昂貴的物理原型的需要，直到車輛設(shè)計(jì)周期的最后階段。

 

然而，一個(gè)適當(dāng)?shù)臄?shù)字雙生車輛應(yīng)該能夠說明幾何變化的影響在近實(shí)時(shí)，這，迄今為止，使用傳統(tǒng)的計(jì)算架構(gòu)是不可能的。量子計(jì)算，一種非常新生的技術(shù)，也許能解決這個(gè)問題，但是，目前，唯一的選擇是求助于快速代理機(jī)器學(xué)習(xí)(ML)模型。這些模型從過去的空氣動(dòng)力學(xué)數(shù)據(jù)中學(xué)習(xí)，以預(yù)測(cè)在ML模型訓(xùn)練階段沒有看到的車輛形狀的新的空氣動(dòng)力學(xué)性能。

 

這一預(yù)測(cè)解決了一個(gè)全球性問題，即在日益競(jìng)爭(zhēng)的市場(chǎng)環(huán)境中，越來越需要縮短汽車電氣化的時(shí)間對(duì)市場(chǎng)，而且還有更嚴(yán)格的可持續(xù)性規(guī)定(見圖1)。這一預(yù)測(cè)解決了一個(gè)全球性問題，即在日益競(jìng)爭(zhēng)的市場(chǎng)環(huán)境中，越來越需要縮短汽車電氣化的時(shí)間對(duì)市場(chǎng)，而且還有更嚴(yán)格的可持續(xù)性規(guī)定(見圖1)。

 

這一預(yù)測(cè)解決了一個(gè)全球性問題，即在日益競(jìng)爭(zhēng)的市場(chǎng)環(huán)境中，越來越需要縮短汽車電氣化的時(shí)間對(duì)市場(chǎng)，而且還有更嚴(yán)格的可持續(xù)性規(guī)定(見圖1)。

 

 

1：在CFD中需要基于ML模型的代理人

 

其想法是將訓(xùn)練有素的ML模型嵌入設(shè)計(jì)階段,從而使以前僅在詳細(xì)設(shè)計(jì)階段才可能達(dá)到的保真度在概念設(shè)計(jì)階段也成為可能,從而使概念車輛設(shè)計(jì)人員能夠更深入地了解其擬議的車輛形狀,并防止后期設(shè)計(jì)失敗(見圖2)。具體來說,這項(xiàng)工作的目的是要證明ML可以作為一個(gè)替代模型,以減少使用cpuh密集型動(dòng)力流CFD模擬氣動(dòng)阻力預(yù)測(cè),同時(shí)大大加快計(jì)算時(shí)間從幾個(gè)小時(shí)到僅僅幾分鐘。

 

2：如何將ML模型嵌入空氣動(dòng)力學(xué)開發(fā)工作流

 

方法論

作為一個(gè)用例,本文分析了以下優(yōu)化研究：一個(gè)設(shè)計(jì)實(shí)驗(yàn)(DOE),其中不同的輪胎分枝數(shù)和分枝寬度的開放源驅(qū)動(dòng)汽車幾何(見圖3),優(yōu)化目標(biāo)是確定最低車輛阻力配置。圖4中描述了指定經(jīng)營(yíng)實(shí)體設(shè)計(jì)空間。紅色正方形是用來訓(xùn)練語言模型的模擬集,綠色圓是在語言模型訓(xùn)練過程中用來觀察語言模型收斂的驗(yàn)證數(shù)據(jù)點(diǎn),而藍(lán)色三角形則是用來觀察語言模型如何很好地推廣到看不見的車輛的幾何形狀的盲測(cè)試集。設(shè)計(jì)空間的極端情況見圖5。

 

 

3：德利維汽車幾何學(xué)

 

 

4：能源部設(shè)計(jì)空間

 

5：設(shè)計(jì)空間極端

 

 

6：來自電力流模擬的流場(chǎng)和場(chǎng)場(chǎng)表示--本研究的興趣之一是表面x力分布(3DSE-汽車幾何圖的樣本數(shù)據(jù))

 

研究可分為兩部分：CFD部分和ML模型部分。在CFD階段,準(zhǔn)備了40個(gè)高保真的模擬,在電力案例中設(shè)置,運(yùn)行與電力流和一些結(jié)果隨后可視化的電力,作為一個(gè)健全的檢查,數(shù)據(jù)是合理的。每次模擬大約需要6個(gè)小時(shí),最多需要300個(gè)CPU核心。

 

圖6展示了達(dá)索系統(tǒng)(3DS)電子汽車幾何的氣動(dòng)結(jié)果可視化。在本研究中,臨界場(chǎng)表示是表面x力分布。一旦收集了CFD數(shù)據(jù),就用34個(gè)模擬點(diǎn)來訓(xùn)練深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)模型。圖7用3DSE汽車幾何形式再次表示輸出數(shù)據(jù),描述了所應(yīng)用的向前反饋神經(jīng)網(wǎng)絡(luò)模型的示意圖。

 

神經(jīng)網(wǎng)絡(luò)模型的輸入層由X、Y、Z坐標(biāo)數(shù)據(jù)以及分?jǐn)?shù)和分寬度構(gòu)成。然后通過神經(jīng)網(wǎng)絡(luò)的隱藏層傳播這些信息,最后,在輸出層上得到車輛的表面x力分布。訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型大約需要三天的時(shí)間在一個(gè)窗口工作站上使用一個(gè)單一的GPU卡。同時(shí),對(duì)神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練階段未見的車輛幾何形狀的表面x力分布進(jìn)行了預(yù)測(cè),僅需幾分鐘的時(shí)間。

 

神經(jīng)網(wǎng)絡(luò)模型的輸入層由X、Y和Z坐標(biāo)數(shù)據(jù)以及分?jǐn)?shù)和分寬度構(gòu)成。然后通過神經(jīng)網(wǎng)絡(luò)的隱藏層傳播這些信息,最后,在輸出層上得到車輛的表面x力分布。訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型大約需要三天的時(shí)間在一個(gè)窗口工作站上使用一個(gè)單一的GPU卡。同時(shí),對(duì)神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練階段未見的車輛幾何形狀的表面x力分布進(jìn)行了預(yù)測(cè),僅需幾分鐘的時(shí)間。神經(jīng)網(wǎng)絡(luò)模型的輸入層由X、Y和Z坐標(biāo)數(shù)據(jù)以及分?jǐn)?shù)和分寬度構(gòu)成。

 

然后通過神經(jīng)網(wǎng)絡(luò)的隱藏層傳播這些信息,最后,在輸出層上得到車輛的表面x力分布。訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型大約需要三天的時(shí)間在一個(gè)窗口工作站上使用一個(gè)單一的GPU卡。同時(shí),對(duì)神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練階段未見的車輛幾何形狀的表面x力分布進(jìn)行了預(yù)測(cè),僅需幾分鐘的時(shí)間。

 

在輸出層上得到車輛的表面x力分布。訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型大約需要三天的時(shí)間在一個(gè)窗口工作站上使用一個(gè)單一的GPU卡。同時(shí),對(duì)神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練階段未見的車輛幾何形狀的表面x力分布進(jìn)行了預(yù)測(cè),僅需幾分鐘的時(shí)間。在輸出層上得到車輛的表面x力分布。訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型大約需要三天的時(shí)間在一個(gè)窗口工作站上使用一個(gè)單一的GPU卡。同時(shí),對(duì)神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練階段未見的車輛幾何形狀的表面x力分布進(jìn)行了預(yù)測(cè),僅需幾分鐘的時(shí)間。

 

7：外部車輛空氣動(dòng)力學(xué)研究中所使用的深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)模型示意圖(樣本輸出再次用于3DSE車幾何)

 

結(jié)果

在評(píng)估訓(xùn)練有素的計(jì)算機(jī)輔助訓(xùn)練模型的預(yù)測(cè)能力之前,必須檢查這些模型是否不適合或不適合訓(xùn)練數(shù)據(jù)。這是通過將模型的平均平方錯(cuò)誤(MSE)作為訓(xùn)練時(shí)代的函數(shù)來完成的。圖8提供了兩個(gè)樣塊。盡管3DSE型汽車的研究,也獲得了類似的數(shù)量級(jí)。顯然,MSE幾乎單調(diào)地下降,并且保持低,說明模型應(yīng)該很好地推廣,當(dāng)暴露在看不見的車輛幾何形狀。此外,最低標(biāo)準(zhǔn)教育的數(shù)量級(jí)為O(10) -3 ),這也是合理的。

 

8：MSE樣圖(用于3DS電子車幾何)

 

現(xiàn)在，我們可以看看ML模型的預(yù)測(cè)能力。對(duì)于盲點(diǎn)測(cè)試,表1顯示了真實(shí)的動(dòng)力流結(jié)果和ML模型結(jié)果之間的阻力三角關(guān)系,更重要的是,百分比誤差。顯然,三個(gè)測(cè)試用例的錯(cuò)誤率在2%左右,這是一個(gè)非常好的結(jié)果。除此之外,還將經(jīng)過培訓(xùn)的ML模型應(yīng)用于所有模擬點(diǎn)：培訓(xùn)點(diǎn)、驗(yàn)證點(diǎn)和測(cè)試點(diǎn)。

 

圖9描述了相關(guān)的預(yù)測(cè)的準(zhǔn)確性。在這里,你可以清楚地看到錯(cuò)誤在3%的錯(cuò)誤綁定中。還值得注意的是,ML模型的結(jié)果存在偏差;ML模型始終低估了綜合阻力。在觀察了一體化的阻力之后,表面X力分布圖提供了進(jìn)一步的深入了解的預(yù)測(cè)能力的ML模型。圖10顯示了從不同角度和角度繪制的這些表面輪廓圖,用于運(yùn)行37(所有其他運(yùn)行都獲得了類似的圖)。

 

很明顯,真正的能量流結(jié)果和ML預(yù)測(cè)結(jié)果幾乎沒有區(qū)別。這證實(shí)了一個(gè)說法,即ML模型是昂貴的高保真動(dòng)力流氣動(dòng)模擬的良好替代物。這證實(shí)了一個(gè)說法,即ML模型是昂貴的高保真動(dòng)力流氣動(dòng)模擬的良好替代物。這證實(shí)了一個(gè)說法,即ML模型是昂貴的高保真動(dòng)力流氣動(dòng)模擬的良好替代物。

 

表1：真實(shí)的動(dòng)力流阻力與阻力。測(cè)試點(diǎn)的ML模型預(yù)測(cè)

 

9：綜合預(yù)測(cè)能力評(píng)估

 

 

10：動(dòng)力流結(jié)果與。運(yùn)行37的表面X力分布結(jié)果

 

結(jié)論

從總體上看,基于簡(jiǎn)單的前送人工神經(jīng)網(wǎng)絡(luò)的多模型機(jī)器學(xué)習(xí)方法已被驗(yàn)證,可用于諸如汽車的外部氣動(dòng)阻力預(yù)測(cè)。一旦在單一的GPU上進(jìn)行了三天的多功能模型訓(xùn)練,推論(即：預(yù)測(cè))看不見的車輛幾何形狀的阻力大約需要2分鐘,而不是運(yùn)行一個(gè)cpuhr密集的高保真功率流模擬,在300個(gè)CPU核心上花費(fèi)約6小時(shí)。重要的是,真實(shí)的CFD動(dòng)力流數(shù)據(jù)與綜合阻力的ML模型預(yù)測(cè)之間的百分比誤差小于3%。