Развитие наземных, воздушных и морских транспортных средств с низким сопротивлением и хорошей стабильностью значительно выиграло от огромных успехов, достигнутых в Computational Fluid Dynamics (CFD). Моделирование потока жидкости над трехмерными компьютерными представлениями транспортного средства требует решения уравнений Навье-Стокса через многие сотни, а часто и тысячи итераций. Результатом является приближение поля потока и распределения давления, которое может быть использовано для визуализации потока через линии тока и другие методы. Недостатком является огромное количество вычислительного времени, которое требуется — много часов или даже дней — для достижения достаточно точного и конвергентного решения.
Машинное обучение
Теперь Нобуюки Уметани, ранее работавший в Autodesk Research (а теперь в Токийском университете), и Бернд Бикель из Института науки и техники Австрии (IST Austria) разработали способ ускорить эти симуляции. Они разработали метод с использованием машинного обучения, который «учится» режиму потока вокруг трехмерных объектов, создавая линии тока и параметры, такие как коэффициент сопротивления, доступный в реальном времени.
Использование машинного обучения для прогнозирования потока жидкости было вызвано дискуссиями между Уметани и Бикелем, давними сотрудниками CFD. «Мы оба разделяем видение ускорения моделирования», — объяснил Бикель в пресс-релизе IST. «Мы хотим, чтобы люди могли проектировать объекты в интерактивном режиме, и поэтому мы работаем вместе над разработкой методов, основанных на данных».
| Техника, разработанная парой, предусматривает «обучение» программе машинного обучения по конвергентным данным CFD для различных форм и конструкций транспортных средств, которые являются типичными для типичных транспортных средств. Для подготовки программы использовалось более 800 форм автомобиля. После того, как программа была обучена, используется процесс, использующий регрессию Gaussian Process, для определения скоростей и давлений для новой формы на основе всех предыдущих транспортных средств и форм. «Благодаря нашему инструменту машинного обучения мы можем прогнозировать поток в доли секунды», — сказал Нобуюки Уметани в выпуске IST. У машинного обучения есть некоторые ограничительные требования, которые необходимо преодолеть при разработке этого метода. В процессе машинного обучения как входные, так и выходные данные должны быть структурированы таким образом, чтобы они были согласованными. Это относительно легко выполнить с двумерными изображениями, где регулярное расположение пикселей может представлять объект. Однако в трех измерениях геометрические объекты определяют форму. Например, с сеткой треугольников расположение треугольников может измениться, если форма изменится, что приведет к несогласованности. Polycubes Решение Уметани заключалось в том, чтобы адаптировать поликубы для создания формы, которая могла бы использоваться с машинным обучением. Первоначально разработан подход с использованием поликуба для применения текстур к объектам в компьютерной анимации. В выпуске IST описано их использование таким образом: «Модель начинается с небольшого количества больших кубов, которые затем уточняются и разбиваются на меньшие по четко определенной процедуре. Если они представлены таким образом, объекты с подобными формами будут иметь схожую структуру данных, которую могут обрабатывать и сравнивать методы машинного обучения ». Помимо огромной экономии времени, описанный метод позволяет вносить изменения и изменения формы в реальном времени, интерактивно вытягивая и подталкивая поликубы. Изменения коэффициента сопротивления, распределения поверхностного давления и линий потока в полевых условиях показаны почти мгновенно. В результате дизайнер или стилист может сразу увидеть эффект изменения их формы. Это видео показывает интерактивные возможности новой программы. В статье, написанной Уметани и Бикелем и опубликованной в журнале ACM Transactions in Graphics также подробно описывается точность метода. Результаты показывают аналогичные ошибки (приблизительно 3,4% в коэффициенте сопротивления), как и другие методы CFD, что согласуется с ожидаемой ошибкой, когда различные аэродинамические туннели сравниваются друг с другом с использованием аналогичных условий. ССЫЛКИ ПО ТЕМЕ:
Одна из причин высокого уровня точности пришла непосредственно из машинного обучения. «Когда моделирование производится классическим способом, результаты для каждой испытанной формы в конечном счете отбрасываются после вычисления. Это означает, что каждое новое вычисление начинается с нуля. При машинной учете мы используем данные предыдущих вычислений, и если мы повторяем расчет, точность увеличивается », — пояснил Уметани. Старший редактор Кевин Клеменс уже более 30 лет пишет об энергетических, автомобильных и транспортных темах. Имеет степень магистра в области материаловедения и экологического образования, а также докторскую степень по машиностроению, специализирующуюся на аэродинамике. Он установил несколько мировых рекордов скорости на электромобилях, которые он построил в своей мастерской.
|
Загрузка...