Agosto 2024 vol. 11 num. 1 - XXXI Simpósio Internacional de Engenharia Automotiva

Trabalho completo - Open Access.

Idioma principal | Segundo idioma

Previsão aerodinâmica em tempo real de novos projetos de veículos por meio de aprendizado de máquina

Real-time aerodynamic prediction of new vehicle designs by means of machine learning

SAAD, F. ; OLIVEIRA, R. ; MARSTON, P. ; LANUZA, J. ; PRAKASH, B. ; VARADHAN, R. ; HAJEK, J. ; ARAMBURU, ENRIC ;

Trabalho completo:

Este artigo demonstrará a implementação de um preditor aerodinâmico em tempo real baseado em aprendizado de máquina. Os autores implementaram Redes Neurais de Grafos (GNN) para prever as forças aerodinâmicas e variáveis ​​de campo de fluxo. GNNs têm a capacidade única de aprender com os resultados de simulações e podem reproduzir as mesmas variáveis ​​com as quais foram treinadas, portanto, essa tecnologia se ajusta perfeitamente aos solucionadores substitutos de Dinâmica de Fluidos Computacional (CFD) por preditores de Aprendizado de Máquina (ML). Além da implementação da arquitetura correta de Redes Neurais (NN), é fundamental treiná-la com dados de alta precisão, o que no campo da aerodinâmica significa resultados de CFD que se correlacionam perfeitamente com testes de Túnel de Vento (WT), por esta razão os autores desenvolveram um túnel de vento digital (DWT) e compararam essas simulações de CFD com medições de túnel de vento, além de testes Coast-down para aumentar a robustez da metodologia apresentada. Este artigo apresentará uma comparação dos resultados do WT e testes coast-down com CFD, as melhores práticas de CFD para obter uma boa previsão de CFD e a utilização de dados de CFD para criar uma ferramenta de ML baseada em GNN.

Trabalho completo:

This paper will demonstrate the implementation of a real-time aerodynamic predictor based on Machine learning. The authors have been implementing Graph Neural Networks (GNN) to predict the aerodynamic forces and flow field variables. GNNs have the unique capability to learn from simulation results and can reproduce the very same variables that have been trained with, so this technology fits perfectly to surrogate Computational Fluid Dynamics (CFD) solvers by Machine Learning (ML) predictors. Besides the implementation of the right Neural Networks (NN) architecture, it is key to train it with high accuracy data, which in the field of aerodynamics means CFD results that correlate perfectly Wind Tunnel (WT) tests, for this reason the authors have been developing a Digital Wind-Tunnel (DWT) and comparing these CFD simulations with wind tunnel measurements, in addition to coast-down tests to increase the robustness of the presented methodology. This paper will present a comparison of WT results and proving ground tests with CFD, the best CFD practices for getting a good CFD prediction and the utilization of CFD data for creating a ML tool based on GNN.

Download (PDF)

Palavras-chave: -,

Palavras-chave: -,

DOI: 10.5151/simea2024-PAP28

Referências bibliográficas
  • [1] " C. Spode, R. Campregher and A. Neto “Simulação Híbrida RANS/LES de Escoamentos Turbulentos,” 11th Brazilian Congress of Thermal Sciences and Engineering – Proceedings of the ENCIT, 2006.
  • [2] S. Cyr, K.-D. Ih and S.-H. Park, ""Accurate Reproduction of Wind-Tunnel Results with CFD,"" SAE Technical Paper 2011-01-0158, 2011.
  • [3] B. Kelley, R. Vigneron, C. Bourdassol and A. Bélanger, ""Modeling the S2A Wind Tunnel using Computational Fluid Dynamics,"" 2012.
  • [4] T. Huang, J. Liu, X. He, H. Bu, Q. Wang, S, Xu and X, Zhu, ""Extended Study of Full-ScaleWind Tunnel Test and Simulation Analysis Based on DrivAer Model,"" Journal of Automobile Engineering, vol. 236, no. 10- 11, pp. 2433-2477, 2022.
  • [5] . P. Marston, E Aramburu, J. Lanuza, B. Prakash, H. González, C. Cadalbert, “Implementation of a full-scale digital wind-tunnel and its validation against wind-tunnel tests and real-driving aerodynamic measurements, ” Proceedings of the FISITA 2023 World Congress, 2023.
  • [6] "
Como citar:

SAAD, F.; OLIVEIRA, R.; MARSTON, P.; LANUZA, J.; PRAKASH, B.; VARADHAN, R.; HAJEK, J.; ARAMBURU, ENRIC; "Previsão aerodinâmica em tempo real de novos projetos de veículos por meio de aprendizado de máquina", p. 151-160 . In: Anais do XXXI Simpósio Internacional de Engenharia Automotiva . São Paulo: Blucher, 2024.
ISSN 2357-7592, DOI 10.5151/simea2024-PAP28

últimos 30 dias | último ano | desde a publicação


downloads


visualizações


indexações