Prediktiva noggranna maskininlärningsmodeller för aerodynamik

Viktiga resultat som projektet gav

Projektet etablerade ett icke-parametriskt geometriarbetsflöde för aerodynamiska utvärderingar. En geometri-autoencoder komprimerar detaljerade lastbilsmesh till en kompakt latent representation, som kopplas till operatörsbaserade prediktorer för att uppskatta målstorheter (hytt; hytt+släp, yttre ytor). En pre-alpha-plattform för ingenjörer paketerar dessa funktioner för praktisk användning.

Långsiktiga effekter som förväntas

Resultaten banar väg för snabbare aerodynamiska utvärderingar på fordons-/monteringsnivå med dataeffektiv AI. Genom att lära direkt från icke-parametriska lastbilsgeometrier kan angreppssättet minska antalet fullständiga CFD-körningar som krävs i tidiga screeningskeden och korta iterationstiderna. Metoderna integreras i en plattform framtagen för ingenjörer och stödjer gradvis utökning från användning på hyttnivå till större assemblyn allteftersom datatäckningen ökar.

Upplägg och genomförande

Team och roller: Från Scania var produktägare/teknisk ledare Thomas Hällqvist. Från PredictiveIQ leddes projektet av Juan F. Betts (VD) och Fermin Mallor Franco (CTO). Data- och beräkningsmiljö: CFD-data från PowerFLOW-simuleringar användes som indata i projektet; AI-infrastrukturen kördes på AWS och tillhandahölls av PredictiveIQ. Metoder och modeller: Neurala operatörs-surrogat av DeepONet-typ användes.