طراحی خودرو فرآیندی پیچیده و فنی است که در آن تولیدکنندگان خودرو سال‌ها وقت خود را صرف بهینه‌سازی فرم‌های سه‌بعدی در شبیه‌سازی‌ها می‌کنند تا طرح‌های برتر را برای آزمایش‌های فیزیکی آماده کنند. این آزمایش‌ها معمولاً اطلاعات و جزئیات مربوط به عملکرد خودرو، از جمله آیرودینامیک آن، به‌طور عمومی منتشر نمی‌شوند. بنابراین پیشرفت‌های مهم در عملکرد خودرو، مانند بهبود بهره‌وری سوخت یا افزایش برد خودروهای برقی، اغلب به کندی و به‌صورت جداگانه در هر شرکت صورت می‌گیرند.
اما حالا گروهی از مهندسان MIT برای اولین بار مجموعه داده‌ای را منتشر کرده‌اند که می‌تواند این روند را به‌طور چشم‌گیری تسریع کند. این مجموعه داده که DrivAerNet++ نام دارد، شامل بیش از 8000 طراحی خودروی مختلف است که بر اساس رایج‌ترین انواع خودروهای دنیا ساخته شده‌اند. هر طراحی به‌صورت سه‌بعدی نمایش داده می‌شود و شامل اطلاعاتی درباره آیرودینامیک خودرو، یعنی نحوه جریان هوا حول شکل آن، است. این اطلاعات بر اساس شبیه‌سازی‌های دینامیک سیالات که مهندسان انجام داده‌اند، به‌دست آمده است.
در این مجموعه داده، هر یک از 8000 طراحی خودرو در چندین نمایش مختلف قابل مشاهده است، از جمله مش، ابرنقاط (Point Clouds)، لیستی از پارامترها و ابعاد طراحی و غیره. این ویژگی‌ها باعث می‌شوند که مجموعه داده برای استفاده مدل‌های هوش مصنوعی مختلف که به پردازش داده‌ها در یک مد خاص تنظیم شده‌اند، مناسب باشد.
DrivAerNet++ بزرگ‌ترین مجموعه داده‌های منبع باز در زمینه آیرودینامیک خودرو است که تاکنون توسعه یافته است. مهندسان MIT پیش‌بینی می‌کنند که این مجموعه به‌عنوان یک کتابخانه گسترده از طراحی‌های واقعی خودرو با داده‌های دقیق آیرودینامیکی، برای آموزش سریع هر مدل هوش مصنوعی به‌کار رود. این مدل‌ها می‌توانند به‌سرعت طراحی‌های نوآورانه‌ای را تولید کنند که می‌توانند به خودروهای با مصرف سوخت بهینه و خودروهای برقی با برد بیشتر منجر شوند، همه این‌ها در زمانی بسیار کوتاه‌تر از آنچه که امروز در صنعت خودروسازی انجام می‌شود.
.gif)
(در مجموعه داده جدیدی که شامل بیش از 8000 طرح خودرو است، مهندسان MIT آیرودینامیک را برای یک شکل خودروی مشخص شبیه‌سازی می‌کنند که آن‌ها را در حالت‌های مختلف، از جمله «میدان‌های سطحی» (سمت چپ) و «روشن‌ها» (راست) نشان می‌دهند.)
فرایند طراحی خودرو معمولاً هزینه‌بر است و تولیدکنندگان تنها قادرند تغییرات اندکی را در هر نسخه از خودرو ایجاد کنند. اما اگر مجموعه داده‌ای بزرگ از طراحی‌های مختلف وجود داشته باشد که عملکرد هر طراحی نیز مشخص باشد، می‌توان مدل‌های یادگیری ماشین را برای سریع‌تر انجام دادن فرآیند طراحی آموزش داد.
مهندسین MIT معتقدند که این داده‌ها می‌توانند روند نوآوری در صنعت خودرو را تسریع کنند. محمد الفریفی، دانشجوی تحصیلات تکمیلی مهندسی مکانیک در MIT، بیان می‌کند: "این مجموعه داده، اساس نسل بعدی کاربردهای هوش مصنوعی در مهندسی را می‌سازد و فرایندهای طراحی را بهینه می‌کند، هزینه‌های تحقیق و توسعه را کاهش می‌دهد و پیشرفت‌ها را به سمت آینده‌ای پایدارتر در صنعت خودرو هدایت می‌کند."
این تحقیق نشان می‌دهد که حتی با وجود مدل‌های هوش مصنوعی که می‌توانند طراحی‌های خودرو را پردازش کنند و طراحی‌های بهینه‌ای ایجاد کنند، داده‌های موجود در صنعت خودرو محدود بوده‌اند. بسیاری از محققان قبلاً مجموعه‌های داده کوچکی از طراحی‌های شبیه‌سازی‌شده خودرو ایجاد کرده بودند، اما تولیدکنندگان خودرو معمولاً مشخصات طراحی‌های واقعی که آن‌ها آزمایش و در نهایت تولید می‌کنند را منتشر نمی‌کنند.
گروه MIT تلاش کرده است که این شکاف داده‌ای را پر کند، به‌ویژه در زمینه آیرودینامیک خودرو که نقشی کلیدی در تعیین برد خودروهای برقی و بهره‌وری سوخت خودروهای با موتور احتراقی دارد.
برای ساخت این مجموعه داده، محققان مدل‌های سه‌بعدی پایه‌ای از خودروهایی که توسط آئودی و بی‌ام‌و در سال 2014 ارائه شده بودند، استفاده کردند. این مدل‌ها نمایانگر سه دسته اصلی خودروهای سواری هستند: خودروهای فست‌بک (سدان‌هایی با انتهای شیب‌دار)، نوتچ‌بک (سدان یا کوپه‌هایی با انحنای کم در عقب) و استیت‌بک (مانند واگن‌های ایستگاهی با پشت مسطح‌تر).
مجموعه داده DrivAerNet++ اکنون به‌طور عمومی در دسترس است و می‌تواند به‌طور قابل‌توجهی سرعت نوآوری در صنعت خودرو را افزایش دهد. محققان می‌گویند که این مجموعه داده می‌تواند به طراحان کمک کند تا طراحی‌های خودرو را سریع‌تر و با کارایی بیشتر ایجاد کنند و در عین حال هزینه‌های ساخت و آزمایش خودرو را کاهش دهند. هدف نهایی این است که خودروهای با مصرف سوخت بهینه‌تر و خودروهای برقی با برد بیشتر در دسترس مردم قرار گیرند و این روند نوآورانه در نهایت به کاهش آلودگی و کمک به مقابله با تغییرات اقلیمی منجر شود.
انتخاب هوشمند
ارسال نظر