O design automotivo é um processo iterativo e proprietário. As montadoras podem passar vários anos na fase de projeto de um carro, refinando modelos 3D por meio de simulação antes de construir os projetos mais promissores para testes de carroceria. Os detalhes e especificações destes testes, incluindo a aerodinâmica de um determinado projeto de veículo, geralmente não são tornados públicos. Grandes melhorias na eficiência, como a eficiência do combustível ou a autonomia dos veículos eléctricos, podem, portanto, ser lentas e introduzidas de empresa para empresa.
Os engenheiros do MIT dizem que a busca por melhores designs de carros pode ser bastante acelerada com o uso de ferramentas de inteligência artificial que podem analisar grandes quantidades de dados em segundos e encontrar conexões para criar um design inovador. Embora essas ferramentas de IA existam, os dados com os quais elas precisam aprender não estão disponíveis, pelo menos não de forma acessível e centralizada.
Mas agora, os desenvolvedores disponibilizaram esse conjunto de dados ao público pela primeira vez. Chamado DrivAerNet++, o conjunto de dados inclui mais de 8.000 projetos de veículos, gerados por engenheiros com base nos tipos de veículos mais comuns no mundo atualmente. Cada projeto é representado em formato 3D e inclui informações sobre a aerodinâmica do veículo – como o ar fluiria em torno de um projeto específico, com base em simulações de dinâmica de fluidos que a equipe realizou para cada projeto.
Crédito: Cortesia de Mohamed Elrefaie
Cada um dos 8.000 projetos de conjuntos de dados está disponível em diversas representações, como malha, nuvem de pontos ou uma lista simples de parâmetros e dimensões de projeto. Como tal, o conjunto de dados pode ser utilizado por diferentes modelos de IA ajustados para processar os dados de uma forma específica.
DrivAerNet++ é o maior conjunto de dados de aerodinâmica de veículos de código aberto desenvolvido até hoje. Os engenheiros imaginam que ele será usado como uma extensa biblioteca de designs de carros realistas, com dados aerodinâmicos detalhados que podem ser usados para treinar rapidamente qualquer modelo de IA. Esses modelos poderiam produzir novos designs que poderiam levar a veículos com baixo consumo de combustível e veículos elétricos de longo alcance, em uma fração do tempo que a indústria automotiva leva hoje.
“Este conjunto de dados forma a base para a próxima geração de aplicações de IA em engenharia, promovendo processos de design mais eficientes, reduzindo custos de P&D e promovendo um futuro automotivo sustentável”, disse Mohamed Elrefaie, estudante de graduação em engenharia mecânica no MIT.
Elrefaie e colegas apresentarão um artigo detalhando o novo conjunto de dados e os métodos de IA que podem ser aplicados a ele na conferência NeurIPS em dezembro. Os coautores são Faez Ahmed, professor assistente de engenharia mecânica no MIT, e Angela Dai, professora associada de ciência da computação na Universidade Técnica de Munique, e Florin Marar da BETA CAE Systems.
Preenchendo a lacuna de dados
Ahmed lidera o Laboratório de Computação de Design e Engenharia Digital (DeCoDE) no MIT, onde seu grupo explora como a IA e as ferramentas de aprendizado de máquina podem ser usadas para melhorar o projeto de sistemas e produtos de engenharia complexos, incluindo tecnologia automotiva.
“Normalmente, ao projetar um carro, o processo a seguir é tão caro que os fabricantes não conseguem ajustar ligeiramente o carro de uma versão para outra”, disse Ahmed. “Mas se você tiver grandes conjuntos de dados onde conhece o desempenho de cada design, agora poderá treinar modelos de aprendizado de máquina para iterar mais rapidamente, aumentando a probabilidade de encontrar um design melhor.”
E a velocidade, especialmente da tecnologia automóvel avançada, é muito premente agora.
“Este é um momento muito bom para acelerar a invenção dos carros, uma vez que os carros são uma das coisas que poluem o mundo, e quanto mais cedo pudermos eliminar essa contribuição, mais poderemos ajudar o clima”, disse Elrefaie.
Ao observar o processo de design de carros novos, os pesquisadores descobriram que, embora existam modelos de IA que podem passar por muitos designs de carros para criar bons designs, os dados disponíveis sobre carros são, na verdade, limitados. Alguns pesquisadores compilaram pequenos conjuntos de dados de projetos de veículos modificados, enquanto as montadoras raramente divulgam detalhes dos projetos reais que testam, testam e, por fim, constroem.
A equipe procurou preencher a lacuna de dados, especialmente em relação à aerodinâmica do veículo, que desempenha um papel importante na definição da autonomia de um veículo elétrico, e à eficiência de combustível do motor de combustão interna. O desafio, eles perceberam, era compilar um conjunto de dados de milhares de projetos de veículos, cada um fisicamente preciso em função e condição, sem o benefício de testar fisicamente e medir seu desempenho.
Para criar um conjunto de dados de projetos de carros com representações fisicamente precisas de sua aerodinâmica, os pesquisadores começaram com alguns modelos 3D básicos fornecidos pela Audi e pela BMW em 2014. Esses modelos representam três categorias principais de automóveis de passageiros: fastback (sedans com traseira inclinada), notchback (sedans ou cupês com uma ligeira inclinação no perfil traseiro) e estateback (como peruas com traseira muito romba e baixa). Os modelos básicos são pensados para preencher a lacuna entre projetos simples e projetos proprietários complexos e são usados por alguns grupos como ponto de partida para testar novos projetos de veículos.
Biblioteca automotiva
Em seu novo estudo, a equipe realizou uma tarefa de transformação em cada modelo básico de carro. Essa operação fez pequenas alterações em cada um dos 26 parâmetros do design de um determinado carro, como altura, parte inferior da carroceria, inclinação do para-brisa e banda de rodagem, o que foi então chamado de design de carro único, que foi então adicionado ao seu crescimento. O conjunto de dados. Enquanto isso, a equipe desenvolveu um algoritmo de otimização para garantir que cada novo design seja verdadeiramente único, e não uma cópia de um design já produzido. Eles então traduzem cada projeto 3D em diferentes aspectos, de modo que um determinado projeto possa ser representado como uma malha, uma nuvem de pontos ou uma lista de dimensões e especificações.
Os pesquisadores também usaram simulações complexas, incluindo fluidos de computador, para poder calcular como o ar fluiria em torno de cada projeto de carro em produção. No final das contas, esse esforço produziu mais de 8.000 modelos de veículos 3D exclusivos e fisicamente precisos, abrangendo os tipos mais comuns de automóveis de passageiros na estrada atualmente.
Para gerar este extenso conjunto de dados, os pesquisadores gastaram mais de 3 milhões de horas de CPU usando o MIT SuperCloud e geraram 39 terabytes de dados. (Para efeito de comparação, estima-se que toda a coleção impressa da Biblioteca do Congresso possa atingir 10 terabytes de dados.)
Os desenvolvedores dizem que os pesquisadores agora podem usar o conjunto de dados para treinar um modelo específico de IA. Por exemplo, um modelo de IA pode ser treinado em parte do conjunto de dados para aprender a configuração de um veículo com a aerodinâmica desejada específica. Em segundos, o modelo pode gerar um novo design de carro com aerodinâmica aprimorada, com base no que aprendeu com milhares de designs fisicamente precisos no conjunto de dados.
Os pesquisadores dizem que o conjunto de dados poderia ser usado para o propósito oposto. Por exemplo, depois de treinar um modelo de IA em um conjunto de dados, os projetistas podem alimentar o modelo com um projeto de carro específico e medir rapidamente a aerodinâmica do projeto, que pode então ser usada para calcular a eficiência potencial de combustível ou autonomia elétrica do carro – tudo isso sem fazer isso. construção cara e inspeção física de veículos.
“O que este conjunto de dados permite é treinar modelos generativos de IA para fazer coisas em segundos, em vez de horas”, disse Ahmed. “Esses modelos podem ajudar a reduzir o consumo de combustível em veículos de combustão interna e expandir a gama de veículos elétricos – abrindo caminho para veículos mais sustentáveis e ecológicos”.
Este trabalho foi apoiado, em parte, pelo Serviço Alemão de Intercâmbio Acadêmico e pelo Departamento de Engenharia Mecânica do MIT.
