Fotók: Porsche

A mesterséges intelligencia az élet egyre több területére talál utat. Egy egyszerű képlet érvényes: minél összetettebb egy feladat, annál nagyobb az AI célzott felhasználásával kiaknázható lehetőség. „A Porsche Engineeringnél nagyon korán elkezdtük integrálni az AI-alkalmazásokat a fejlesztési folyamatainkba. A kísérleti projektek során meg tudtuk győzni magunkat arról, hogy milyen nagy lehetőségek rejlenek abban az esetben, ha a klasszikus fejlesztési módszereket a modern AI-val kombináljuk” – magyarázza dr. Joachim Schaper, a Porsche Engineering mesterséges intelligenciával és nagy adatokkal (Big Data) foglalkozó részlegének vezetője.

Tanulás állandó visszacsatoláson keresztül

A Porsche Engineering tapasztalatot szerzett a modern AI-alkalmazások fejlesztési folyamatba való integrálásával kapcsolatban, beleértve a belső égésű motorok univerzális alkalmazási stratégiáját, az elektromos járművek hajtásláncának rezgéscsillapítását és az oldalsó részek ütközési szerkezetének fejlesztését. Ezekben a projektekben a fejlesztők az AI-módszert, a megerősítési tanulást (RL) használták. A virtuális ügynök interakcióba lép a környezettel, és folyamatosan tanul a visszacsatoláson keresztül – bónuszpontokkal jutalmazzák azokat a tevékenységeket, amelyek jó eredményre vezetnek, és levonásokkal büntetik a kudarcokért. Az RL ügynök számára a betanítási fázisban szükséges visszacsatolást egy neurális hálózat biztosítja.

„A mesterséges intelligencia módszerekkel elért kiváló eredmények miatt – az eredmények általában néhány másodperc múlva érhetők el, szemben a klasszikus szimulációval végzett órákkal szemben – azon dolgozunk, hogy a jövőben még szélesebb körben alkalmazzuk az AI-t, és tovább erősítsük fejlesztési folyamataink állandó elemeként” – mondja Schaper. A Porsche Engineering mesterséges intelligencia offenzívájának egy másik példája a visszatartó rendszerek tervezése a passzív biztonság területén. Ütközés esetén ezeket az alkatrészeket optimálisan a járműhöz kell igazítani. Csak így tudnak maximális védelmet nyújtani az utasok számára. Például az öv visszatartó erői összhangban vannak a légzsák hatásával.

Az összes komponens kölcsönhatásban van egymással, és az optimalizálás során figyelembe kell venni a teljes rendszerben. Emellett nagyszámú terhelési esetet kell figyelembe venni. Ez rendkívül bonyolulttá és időigényessé teszi a passzív biztonság fejlesztését” – magyarázza Michael Di Roberto, a Porsche Engineering CAE és járműbiztonsági részlegének vezetője.

Michael Di Roberto

Az oldalsó küszöboptimalizálásban már bevált AI-módszert továbbfejlesztették a visszatartó rendszerek tervezésénél. „Az első projekt az AI képzésére összpontosított, ami bemutatta az alkalmazott módszertanban rejlő nagy lehetőségeket. Ezért az AI-t mostantól a rögzítőrendszerek sorozatfejlesztési folyamatában fogják használni” – mondja Schaper. Ennek elérése érdekében az AI-t egy klasszikus szimulációs eszközhöz kapcsolták a képzés sikeres elvégzése után. Ez a végeselem-módszeren (FEM) alapszik, amely pontos eredményeket ad, de használata nagyon időigényes: a mai modellméretekkel egy ütközésszimuláció akár 72 órát is igénybe vehet. Az RL ügynök upstream kiválasztásának köszönhetően lényegesen kevesebb FEM-számításra van szükség a megfelelő eredmény eléréséhez, ami csökkenti a költségeket és az időt.

Mi az a végeselem módszer?

A végeselemes módszer (VEM) numerikus módszer parciális differenciálegyenletek közelítő megoldására. Jellemzően mérnökök használják, a gépészmérnöki és építőmérnöki feladatokkal szorosan összefüggő mechanikai (szilárdságtani és lengéstani) számítások elvégzésére, valamint a villamosmérnöki gyakorlatban mezőszimuláció során is ezt a módszert alkalmazzák.

„Egy konkrét fejlesztési feladat során 80 százalékkal tudtuk csökkenteni a szükséges FEM számítási hurkok számát” – mondja Janis Mathieu, a Porsche Engineering doktorandusza.

Janis Mathieu

Ennek eredményeként a rendszer általános érettségi szintje növekszik, csökkentve a bonyolult fizikai töréstesztek számát és a szükséges prototípus járművek számát. „Hosszú távon további hatékonysági potenciált tudunk majd kiaknázni, mivel a jövő termékgenerációit a korábbi generációk alapján optimalizáljuk” – mondja Di Roberto.

„A tanulási folyamatra fordított idő mellett a jövőben a teljes FEM-almodellek megépítése is megspórolható.” A mesterséges intelligencia alkalmazása a szimulációs adatok úgynevezett utófeldolgozásában további időmegtakarítást eredményez a passzív biztonsági rendszerek fejlesztésében. „A modern szimulációs eszközök nagyon nagy részletességgel számítják ki az ütközést. Ez azonban sok olyan adatot is generál, amelyeket a mérnököknek értelmezniük kell” – mondja Di Roberto. Míg a mesterséges intelligenciát a Porsche Engineering által eddig folytatott mesterséges intelligencia-projektekben a szimulációs lépések előtt használták, az utófeldolgozásban csak a szimuláció után használják. Egy úgynevezett Explainable AI algoritmust használnak. Feladata az összetett kapcsolatok azonosítása egy adathalmazban és láthatóvá tétele a fejlesztő számára. A függőségek meghatározhatók lokálisan (szimulációs szinten) és globálisan (adatkészlet szinten). Az AI így segítséget nyújt a fejlesztőmérnököknek a szimulációs eredmények értelmezésében.

„Az Explainable AI használatával a mérnökök iránytűt kapnak, amely segít eligazodni a modern szimulációk egyre összetettebb és kiterjedtebb adathalmazában” – magyarázza Mathieu. Ilyen mennyiségű adat keletkezésének egyik példája a passzív járműbiztonság robusztussági vizsgálata. Stefan Kronwitter, a Porsche AG karosszéria-fejlesztési részlegének doktori hallgatója, aki a járműbiztonsággal foglalkozik, Janis Mathieuval közösen kutatja a megmagyarázható mesterséges intelligencia módszerek használatát az ütközésszimulációk elemzésére. "A megmagyarázható mesterséges intelligencia lehetővé teszi, hogy gyorsan meghatározzák azokat a befolyásoló tényezőket, amelyek szokatlan viselkedést okoznak az egyéni szimulációkban" - mondja Kronwitter.

Kiegészítés a FEM szimulációkhoz

Az Explainable AI-alapú elemzés első verzióját jelenleg a Porsche Engineering sorozatos ütközésszámítási folyamataiba integrálják, és további alkalmazások következnek. „A megmagyarázható mesterséges intelligencia megteremti a feltételeket minden olyan rendszer optimalizálásához, amely a rendszer mélyreható megértését igényli. A passzív biztonságon kívül a könnyűszerkezetes konstrukció vagy a vezetési dinamika paramétertanulmányait is magában foglalja” – mondja Schaper. A mesterséges intelligencia terén elért haladás ellenére a FEM-szimulációk a jövőben is a fejlesztési folyamat lényeges részét képezik. A folyamatok digitalizálása és a rendszerek összetettsége miatt egyre precízebb szimulációk készülnek, ami itt is megkerülhetetlenné teszi a mesterséges intelligencia támogatását. „A Porsche Engineering mélyen ismeri a sorozatfejlesztési folyamatokat és módszereket, és évek óta részt vesz az AI-módszerek fejlesztésében és alkalmazásában” – magyarázza Schaper.