Crédito: Cortesía de Mohamed Elrefaie

El diseño de automóviles es un proceso iterativo y exclusivo. Los fabricantes de automóviles pueden pasar varios años en la fase de diseño de un automóvil, ajustando formas 3D en simulaciones antes de desarrollar los diseños más prometedores para las pruebas físicas. Los detalles y especificaciones de estas pruebas, incluida la aerodinámica de un diseño de automóvil determinado, normalmente no se hacen públicos. Por lo tanto, los avances significativos en el rendimiento, como la eficiencia del combustible o la autonomía de los vehículos eléctricos, pueden ser lentos y estar aislados de una empresa a otra.

Los ingenieros del MIT afirman que la búsqueda de mejores diseños de automóviles puede acelerarse exponencialmente con el uso de herramientas de inteligencia artificial generativa que pueden analizar enormes cantidades de datos en segundos y encontrar conexiones para generar un diseño novedoso. Si bien existen tales herramientas de inteligencia artificial, los datos de los que se necesitaría aprender no estaban disponibles, al menos en ningún tipo de formato accesible y centralizado.

Pero ahora, los ingenieros han puesto a disposición del público por primera vez un conjunto de datos de este tipo. El conjunto de datos, denominado DrivAerNet++, abarca más de 8.000 diseños de automóviles, que los ingenieros generaron basándose en los tipos de automóviles más comunes en el mundo actual. Cada diseño está representado en forma 3D e incluye información sobre la aerodinámica del automóvil (la forma en que fluiría el aire alrededor de un diseño determinado, basada en simulaciones de dinámica de fluidos que el grupo llevó a cabo para cada diseño).

En un nuevo conjunto de datos que incluye más de 8000 diseños de automóviles, los ingenieros del MIT simulan la aerodinámica de una forma de automóvil determinada, que representan en varias modalidades, incluidos "campos de superficie" (izquierda) y "líneas de corriente" (derecha). Crédito: Cortesía de Mohamed Elrefaie

Cada uno de los 8000 diseños del conjunto de datos está disponible en varias representaciones, como malla, nube de puntos o una simple lista de parámetros y dimensiones del diseño. Por lo tanto, el conjunto de datos puede ser utilizado por diferentes modelos de IA que estén ajustados para procesar datos en una modalidad particular.

DrivAerNet++ es el mayor conjunto de datos de código abierto sobre aerodinámica de automóviles que se ha desarrollado hasta la fecha. Los ingenieros prevén que se utilice como una amplia biblioteca de diseños de automóviles realistas, con datos aerodinámicos detallados que se pueden utilizar para entrenar rápidamente cualquier modelo de IA. Estos modelos pueden generar con la misma rapidez nuevos diseños que podrían dar lugar a automóviles más eficientes en cuanto a consumo de combustible y vehículos eléctricos con mayor autonomía, en una fracción del tiempo que le lleva a la industria automotriz hoy en día.

“Este conjunto de datos sienta las bases para la próxima generación de aplicaciones de IA en ingeniería, promoviendo procesos de diseño eficientes, reduciendo los costos de I+D e impulsando avances hacia un futuro automotriz más sustentable”, afirma Mohamed Elrefaie, estudiante de posgrado en ingeniería mecánica en el MIT.

Elrefaie y sus colegas presentarán un artículo que detalla el nuevo conjunto de datos y los métodos de inteligencia artificial que podrían aplicarse en él en la conferencia NeurIPS en diciembre. Sus coautores son Faez Ahmed, profesor adjunto de ingeniería mecánica en el MIT, junto con Angela Dai, profesora asociada de informática en la Universidad Técnica de Múnich, y Florin Marar de BETA CAE Systems.

Llenando la brecha de datos

Ahmed dirige el Laboratorio de Computación de Diseño e Ingeniería Digital (DeCoDE) en el MIT, donde su grupo explora formas en las que se pueden utilizar herramientas de inteligencia artificial y aprendizaje automático para mejorar el diseño de sistemas y productos de ingeniería complejos, incluida la tecnología automotriz.

“A menudo, cuando se diseña un automóvil, el proceso de diseño es tan costoso que los fabricantes solo pueden hacer pequeños ajustes entre una versión y la siguiente”, afirma Ahmed. “Pero si se tienen conjuntos de datos más grandes y se conoce el rendimiento de cada diseño, ahora se pueden entrenar modelos de aprendizaje automático para que realicen iteraciones rápidas, de modo que haya más probabilidades de obtener un mejor diseño”.

Y la velocidad, sobre todo en lo que respecta al avance de la tecnología automovilística, es especialmente apremiante ahora.

“Este es el mejor momento para acelerar las innovaciones en materia de automóviles, ya que los automóviles son uno de los mayores contaminantes del mundo y, cuanto más rápido podamos reducir esa contribución, más podremos ayudar al clima”, afirma Elrefaie.

Al analizar el proceso de diseño de nuevos automóviles, los investigadores descubrieron que, si bien existen modelos de IA que pueden analizar muchos diseños de automóviles para generar diseños óptimos, los datos de automóviles que están realmente disponibles son limitados. Algunos investigadores habían reunido previamente pequeños conjuntos de datos de diseños de automóviles simulados, mientras que los fabricantes de automóviles rara vez publican las especificaciones de los diseños reales que exploran, prueban y, en última instancia, fabrican.

El equipo intentó llenar el vacío de datos, en particular con respecto a la aerodinámica de un automóvil, que desempeña un papel clave en la determinación de la autonomía de un vehículo eléctrico, y la eficiencia de combustible de un motor de combustión interna. Se dieron cuenta de que el desafío consistía en reunir un conjunto de datos de miles de diseños de automóviles, cada uno de los cuales es físicamente preciso en su función y forma, sin el beneficio de probar y medir físicamente su rendimiento.

Para crear un conjunto de datos de diseños de automóviles con representaciones físicamente precisas de su aerodinámica, los investigadores comenzaron con varios modelos 3D de referencia que fueron proporcionados por Audi y BMW en 2014. Estos modelos representan tres categorías principales de automóviles de pasajeros: fastback (sedán con una parte trasera inclinada), notchback (sedán o cupé con una ligera inclinación en su perfil trasero) y estateback (como los station wagon con una parte trasera más roma y plana). Se cree que los modelos de referencia cierran la brecha entre los diseños simples y los diseños patentados más complicados, y otros grupos los han utilizado como punto de partida para explorar nuevos diseños de automóviles.

Biblioteca de coches

En su nuevo estudio, el equipo aplicó una operación de transformación a cada uno de los modelos de vehículos de referencia. Esta operación realizó sistemáticamente un ligero cambio en cada uno de los 26 parámetros de un diseño de vehículo determinado, como su longitud, las características de los bajos, la inclinación del parabrisas y la banda de rodadura de las ruedas, que luego etiquetó como un diseño de vehículo distinto, que luego se agregó al creciente conjunto de datos. Mientras tanto, el equipo ejecutó un algoritmo de optimización para garantizar que cada nuevo diseño fuera realmente distinto y no una copia de un diseño ya generado. Luego tradujeron cada diseño 3D a diferentes modalidades, de modo que un diseño determinado se pueda representar como una malla, una nube de puntos o una lista de dimensiones y especificaciones.

Los investigadores también realizaron complejas simulaciones de dinámica de fluidos computacional para calcular cómo fluiría el aire alrededor de cada diseño de automóvil generado. Al final, este esfuerzo produjo más de 8000 formas de automóviles tridimensionales distintas y físicamente precisas, que abarcan los tipos de automóviles de pasajeros más comunes que circulan por las carreteras en la actualidad.

Para producir este conjunto de datos exhaustivo, los investigadores emplearon más de 3 millones de horas de CPU utilizando la SuperCloud del MIT y generaron 39 terabytes de datos (a modo de comparación, se calcula que toda la colección impresa de la Biblioteca del Congreso ascendería a unos 10 terabytes de datos).

Los ingenieros afirman que ahora los investigadores pueden utilizar el conjunto de datos para entrenar un modelo de IA en particular. Por ejemplo, se podría entrenar un modelo de IA con una parte del conjunto de datos para aprender configuraciones de automóviles que tengan cierta aerodinámica deseable. En cuestión de segundos, el modelo podría generar un nuevo diseño de automóvil con una aerodinámica optimizada, basándose en lo que ha aprendido de los miles de diseños físicamente precisos del conjunto de datos.

Los investigadores afirman que el conjunto de datos también podría utilizarse para el objetivo inverso. Por ejemplo, después de entrenar un modelo de IA con el conjunto de datos, los diseñadores podrían introducir en el modelo un diseño de coche específico y pedirle que calcule rápidamente la aerodinámica del diseño, que luego puede utilizarse para calcular la posible eficiencia de combustible o la autonomía eléctrica del coche, todo ello sin tener que llevar a cabo una costosa construcción y prueba de un coche físico.

“Este conjunto de datos permite entrenar modelos de IA generativos para que hagan cosas en segundos en lugar de horas”, afirma Ahmed. “Estos modelos pueden ayudar a reducir el consumo de combustible de los vehículos de combustión interna y aumentar la autonomía de los coches eléctricos, allanando el camino para vehículos más sostenibles y respetuosos con el medio ambiente”.

Este trabajo fue financiado en parte por el Servicio de Intercambio Académico Alemán y el Departamento de Ingeniería Mecánica del MIT.

Autor

Autor

MIT

Promover la investigación, las innovaciones, la enseñanza y los eventos y las personas de interés periodístico del MIT a la comunidad del campus, los medios de comunicación y el público en general, Comunicar anuncios del Instituto, Publicar noticias de la comunidad para profesores, estudiantes, personal y ex alumnos del MIT. Proporcionar servicios de medios a los miembros de la comunidad, incluido el asesoramiento sobre cómo trabajar con periodistas, Responder a consultas de los medios y solicitudes de entrevistas...