Prediktiva noggranna maskininlärningsmodeller för aerodynamik

Syfte och mål

Maskininlärning omvandlar aerodynamikforskning och produktutveckling genom att möjliggöra snabba designiterationer och precisa optimeringar. Genom att analysera luftflöden och identifiera effektiva designförändringar minskar ML behovet av vindtunnlar och CFD-simuleringar, vilket sparar tid och resurser. Målet är att skapa mer aerodynamiskt effektiva, högpresterande strukturer. Denna teknik driver innovation och konkurrenskraft, även inom andra områden där prestanda och effektivitet är avgörande.

Förväntade effekter och resultat

Maskininlärning (ML) förväntas revolutionera aerodynamik och fordonsdesign genom att möjliggöra mer exakta simuleringar och optimeringar. Resultaten inkluderar effektivare former som minskar luftmotstånd och förbättrar prestanda, vilket leder till ökad bränsleeffektivitet och högre hastigheter. Genom att ersätta tidskrävande tester med data-driven analys kan utvecklingscyklerna förkortas, vilket sparar resurser och driver innovation.

Planerat upplägg och genomförande

Projektet syftar till att förbättra lastbilars aerodynamik med hjälp av CFD-simuleringar, maskininlärning (ML) och optimering. Viktiga steg inkluderar att identifiera kritiska geometriska faktorer, genomföra CFD-simuleringar vid behov, träna och validera ML-modeller för att förbättra prediktioner, samt använda parametrisk optimering för att förfina designen. Integration i PredictiveIQ:s plattform och utbildning av Scanias ingenjörer säkerställer effektiv implementering och förbättring.