Трудно представить нынешние легковые и грузовые автомобили без систем отопления, вентиляции и кондиционирования воздуха, и она стала стандартной установкой, на которую мы все рассчитываем, обеспечивая комфортную и безопасную среду в дороге. Тепловой комфорт для современных автомобилей — это концепция, которая включает в себя помимо температуры, ещё ряд различных факторов, таких, как влажность, скорость потоков воздуха в кабине авто и общий теплообмен.
Независимо от того, использует ли человек автомобили для работы или отдыха, всесезонная система гарантирует, что люди всегда чувствуют себя комфортно и защищены от непогоды. Как разработчики проектируют комфорт и безопасность пассажиров автомобиля с помощью тепловых и акустических систем, обеспечивая при этом энергоэффективность?
Вычислительное гидродинамическое моделирование (CFD — Computational fluid dynamics) можно использовать для оптимизации конструкции всех узлов автомобиля, отвечающих за комфорт, путём прогнозирования того, как воздух будет проходить через систему и как это повлияет на температуру и самочувствие пассажиров.
Проектировщикам необходимо изучить физику, чтобы найти оптимальные конструкции системы вентиляции. Физика полного процесса довольно разнообразна: теплообмен, механика жидкости и даже аэроакустика. Можно ли все это смоделировать на одной платформе? Да, программы для анализа вычислительной гидродинамики могут воспроизвести все из них! Используя технологию вычислительного моделирования гидродинамики, конструктора теперь могут решать задачи проектирования с большей скоростью, используя мощности серверов в дата-центре, а также с потрясающей экономической эффективностью, устраняя необходимость в дорогостоящих физических экспериментах, которые когда-то были нормой в отрасли автомобилестроения.
Теоретически легко представить моделирование CFD, поддерживающее кампанию по оптимизации ключевых показателей эффективности. Но тут надо поставить глобально два вопроса: сколько аппаратных ресурсов и узкоспециализированных навыков требуется? Много. Сколько дизайнеров имеют доступ к этому инструменту? Немного.
Процесс обучения систем искусственного интеллекта в контролируемых ситуациях может привнести новизну в процессы проектирования для подавляющего большинства инженеров. Приложения искусственного интеллекта могут работать на локальных компьютерах или даже ноутбуках, а вычислительные мощности будут располагаться удалённо.
Специалисты конструкторских бюро теперь могут использовать CFD-анализ для прогнозирования распределения воздушного потока и температуры во внутренних системах автомобиля. Кроме того, вычислительный анализ также может применяться для оценки акустических свойств этих систем, что делает процесс проектирования более быстрым. Оценка параметров теплового комфорта (таких как индекс тяги) позволяет инженерам точно прогнозировать распределение температуры и эффективные потоки внутри внутреннего пространства кабины транспортного средства. Поскольку солнечное излучение, теплопередача и свойства воздуха влияют на тепловые характеристики системы (особенно для авто с прозрачным большим люком в крыше), их учёт на ранних этапах проектирования имеет важное значение для пассажиров.
Посредством использования гибкой программной платформы физического моделирования инженеры могут оптимизировать естественную и принудительную конвекцию, а также теплопроводимость (включая сопряжённую теплопередачу, в том числе с участием твёрдых объектов), чтобы обеспечить тепловой комфорт и улучшить распределение воздуха на ранней стадии проектирования. Стоит помнить, что проект так же влияет на внешний вид приборной панели, поскольку расположение дефлекторов должно эффективно распределять потоки воздуха по салону.
Большие данные, полученные на основе многолетнего или десятилетия опыта работы в автомобильной промышленности преобразуют автомобильную промышленность и могут помочь проектировщикам двумя способами:
1. Быстрое прогнозирование температур и потоков, связанное с алгоритмами на основе ИИ, которые можно использовать для создания прогнозных моделей на основе данных, которые могут оценить производительность системы вентиляции на основе её конструкции и температурных условий окружающей среды. Эти модели могут помочь проектировщикам оптимизировать размер и конфигурацию всех узлов и компонентов.
2. Создание новых дизайнов посредством использования нейросетей и алгоритмов оптимизации, на основе набора ограничений и конечных целей. Эти алгоритмы могут учитывать множество проектных переменных практически в режиме реального времени, а также находить наилучшую комбинацию, соответствующую желаемым показателям производительности.
Инструмент искусственного интеллекта Neural Concept Shape (NCS) сочетает наборы данных, взятые из исторического опыта компаний, и соответствующим образом хранится в системе PLM. Говоря о «больших данных» (одно из новых ключевых слов, когда речь идет о технологических тенденциях), важно практически отслеживать, где они расположены. В PLM могут храниться все типы данных, относящиеся к истории продукта, от данных САПР и моделирования до данных датчиков автомобилей во время эксплуатации, а также необработанные CAD-геометрии и рабочие параметры (например, массовый расход воздуха на входе и температура). Они просто ждут, чтобы NCS использовала их в процессе технологии глубокого машинного обучения.
А вот инструменты прогнозирования — это нечто большее, чем простое ПО. Его использование в среде проектирования является необходимым, поскольку оно воплощает в себе рабочий процесс, заказанный конечными пользователями и адаптированный к их персональным потребностям. Оптимальные формы конструкции соответствуют геометрическим ограничениям транспортного средства и гарантируют энергоэффективность, снижение шума и максимальную эффективность приточной вентиляции на выпускных отверстиях.
Ключевыми компонентами эффективности использования данных являются два:
1. Использование непараметрического, обобщённого свободного чтения информации САПР, благодаря непараметрической природе Neural Concept Shape.
2. Использование трансферного обучения. С помощью трансферного обучения можно «перезапустить» глубокое обучение не с нуля, а из предварительно обученной прогнозирующей модели.
Искусственный интеллект и глубокое обучение потенциально могут революционизировать процесс проектирования в автомобильной промышленности, начиная с самой ранней стадии разработки концепции. Глубокое обучение может извлекать знания из предыдущих моделей CFD/CAE и предоставлять их инженерам-конструкторам для более широкого и быстрого исследования пространства проектирования. Сервера с ИИ могут работать в 1000 раз быстрее, чем CFD/CAE, что позволяет исследовать более 1000 проектов за тот же промежуток времени.
Производительность системы будет постоянно улучшаться по мере обучения ИИ, опираясь на более разнообразный спектр данных и возможностей анализа. Помимо анализа дизайна интерьера салона автомобиля, можно будет прогнозировать потоки внутри кабины для обеспечения комфорта человека.
