Искусственный интеллект (ИИ) имеет множество потенциальных применений в автомобилестроении. Давайте представим, что производитель хочет разработать новый спортивный автомобиль, с оптимизированными аэродинамическими свойствами. Уже несколько лет конструкторы делают расчёты аэродинамики различных спойлеров, заслонок и диффузоров с помощью систем искусственного интеллекта. Модель машинного обучения, с наборами данных существующих форм спортивных автомобилей, может генерировать тысячи проектов за короткое время.

Первый вопрос, на который обращают внимание инженеры-конструкторы: каковы будут совокупные аэродинамические свойства всех этих компонентов? Здесь сразу возникает потребность в прогнозной аналитике, синхронизированной с изменениями в дизайне. Ведь такое прогнозирование может помочь в правильном изменении геометрии кузовных деталей. Совместная работа по изменению формы и инженерному прогнозированию может привести к созданию аэродинамических форм, оптимизированных с помощью искусственного интеллекта.

Затем производитель сможет отобрать лучшие варианты конструкции в этих симуляциях. Окончательная доработка дизайна будет проведена посредством человеческого вмешательства и окончательного тестирования/моделирования традиционными методами.

Далее стоит углубиться в три применения ИИ при проектировании транспортных средств, используя конкретные данные, поступающие из CAD и CAE. При аэродинамическом проектировании легкового автомобиля необходимо учитывать несколько важных тем. Большая часть из них делается при помощи аэродинамического моделирования (CFD — computational fluid dynamics) или прогнозирования с помощью искусственного интеллекта.

Рассмотрим три параметра, на которые влияет аэродинамика: расход топлива/электроэнергии в батарее, управляемость автомобиля и комфорт водителя/пассажира. За эти параметры отвечают, соответственно: сопротивление воздушных масс, прижимная сила и (аэро)акустика. Программное обеспечение версии 1.0, такое как CAE/CFD, позволяет моделировать всё за несколько часов. Парадигма ПО версии 2.0 позволяет получать ответы с помощью глубокого обучения искусственного интеллекта за считанные секунды.

Уменьшение лобового сопротивления автомобиля может улучшить его топливную экономичность и максимальную скорость. Есть много способов уменьшить коэффициент лобового сопротивления. Классические подходы включают в себя упрощение формы автомобиля и использование активных аэродинамических устройств — спойлеров и воздушных заслонок. Спойлеры ещё могут способствовать повышению производительности, с точки зрения прижимной силы.

Создание прижимной силы (отрицательная подъёмная сила) может помочь в деле улучшения управляемости, а также обеспечить устойчивость транспортного средства при высокой скорости. Особенно это актуально, когда автомобиль находится в особых ситуациях, например, при прохождении поворотов. Этого можно добиться с помощью активных аэродинамических профилей.

Источником раздражения водителей и пассажиров является внешний и внутренний шум. Первый создаётся обтекающим автомобиль воздухом и выступающими элементами, например, боковыми зеркалами. Кстати, над дизайном многих таких элементов, в автомобилях последнего поколения, уже потрудился генеративный ИИ. Почти все конструкторские бюро уже применяют эту технологию, для оптимизации аэродинамических и аэроакустических характеристик боковых зеркал. Аэродинамическая конструкция автомобиля должна учитывать шум, создаваемый воздушным потоком вокруг автомобиля, чтобы уменьшить его.

Все упомянутые темы можно свести к некоему оптимальному сбалансированному KPI. Лобовое сопротивление должно быть сведено к минимуму для экономии топлива. Прижимная сила должна быть максимальной для устойчивости. Любой шум должен быть сведён к минимуму для обеспечения комфорта.

Инвестиции корпораций в развитие специализированного искусственного интеллекта могут иметь революционный эффект, если решение будет развёрнуто на ранних этапах разработки концепта. Можно представить аналогию со снежком, катящимся по заснеженному склону — по мере того, как маленький снежный шар катится всё ниже, он будет собирать больше снега, набирать больше массы и так далее. В аэрокосмической технике такое сравнение также используется для описания эффекта умножения при первоначальном снижении веса.

В отделе автомобильного дизайна внедрение ИИ на ранней стадии разработки (например, когда руководители высшего звена обсуждают выпуск нового автомобиля) может оказать глубокое влияние на остальные автомобильные проекты. Положительным и полезным лавинным результатом станет гораздо более широкий диапазон проектных возможностей, из которых оптимальные решения будут выбраны на гораздо более ранних этапах.

Фактически, инновационные технологии позволяют моделировать характеристики автомобиля задолго до запуска производственных и сборочных линий и даже до детальной работы в САПР. Таким образом, моделирование на основе искусственного интеллекта, интегрированное с модификацией формы, является идеальным инструментом для поддержки встреч на высоком уровне. Во время встреч технические оценки изменений конструкции можно получить в режиме реального времени на любой платформе, например, на ноутбуке. Это весьма радикальное отличие от обычного процесса, когда руководству и проектировщикам приходилось подавать запрос на моделирование в отдел CAE, после чего получать ответ не во время обсуждения результатов моделирования, а через несколько часов (порой даже дней).

Вероятно, в большинстве компаний инженеров-конструкторов в 10–100 раз больше, чем инженеров, специализирующихся на CFD и CAE. Массовое внедрение этих упомянутых платформ возможно с помощью моделирования на основе искусственного интеллекта. Это три основных фактора, которые делают процесс демократичным и, следовательно, доступным для массового внедрения.

ИИ может быть развернут на простой платформе для инженеров-проектировщиков, которым не обязательно быть экспертами в области нейросетей или AI. Благодаря искусственной сетевой структуре ИИ действует за секунды, а не за часы или дни.
Он обрабатывает промышленную геометрию (САПР), не требуя трудоёмкого и специального программного обеспечения. Следовательно, внедрение ПО поколения 2.0 не потребует каких-либо усилий. Окончательное развёртывание глубокого обучения даже не простое, оно ультра-простое.

Основой таких систем, как правило, является свёрточная нейронная сеть (CNN — convolutional neural network) предназначена для распознавания и обработки изображений. Она состоит из нескольких слоёв взаимосвязанных нейронов. Многоуровневые искусственные нейроны обрабатывают и анализируют визуальные данные, используя иерархический подход. Самые нижние уровни распознают основные элементы, такие как края и формы. Более высокие уровни комбинируют и интерпретируют эти функции для идентификации более сложных шаблонов или объектов. Свёрточные нейронные сети особенно эффективны при решении таких задач, как классификация изображений. Связывание инженерного результата с входными данными САПР — это своего рода классификация изображений, хотя и очень сложная. Обычные популяризации глубокого обучения используют 2D-изображения. Природа выходных данных (результаты FEA или CFD) и входных данных (3D-геометрия CAD) более сложна!

Может ли ИИ сократить время ожидания обработки большого массива данных с 3 часов до секунд? При глубоком машинном обучении, достаточно мощных серверах, объединённых в небольшой дата-центр, такое вполне реалистично. Проектировщику потребуются данные о поверхности и объёме. При использовании традиционных подходов к моделированию (это понятие важно для понимания преимуществ ИИ!) переход от изображения CAD к изображению CFD не является немедленным. Наиболее важные данные о поверхности представлены поверхностным давлением. Здесь дизайнер может проверить аэродинамику за меньшее время (0,3 секунды на ноутбуке против 3 часов на вычислительном кластере).

Аэродинамическая детализация — это эволюция вихрей в различных сечениях транспортного средства. В результатах нет существенной разницы. Важно то, что время решения CFD становится на порядки меньше при прогнозировании с помощью искусственного интеллекта. Кроме того, часть построения сетки практически отсутствует. Такая организационная архитектура позволит дизайнерам управлять несколькими проектными элементами, чтобы охватить более обширное и детальное пространство глобальной задачи. Можно сосредоточиться на окончательных конвергентных решениях с помощью CFD и/или испытаниях в аэродинамической трубе.