Sistema de predicción aerodinámica para automóviles basado en redes neuronales convolucionales

Álvaro Megía Caballero

CITA

Megía Caballero, Á. (2024). Sistema de predicción aerodinámica para automóviles basado en redes neuronales convolucionales. Analíticos, 6, 15-27.

ENLACE

https://ainves.org/an620241527

RESUMEN

Este estudio propone un sistema de predicción aerodinámica para automóviles basado en redes neuronales convolucionales (CNN) como alternativa eficiente a la dinámica de fluidos computacional (CFD). La investigación busca predecir campos de velocidad, presión y coeficientes de resistencia aerodinámica, reduciendo significativamente costos computacionales y de tiempo. Para ello, se diseñaron dos modelos de CNN, utilizando bases de datos de perfiles aerodinámicos y simulaciones CFD. La metodología incluyó el procesamiento de imágenes y datos geométricos de vehículos para entrenar los modelos, implementados con Python y librerías especializadas como Keras. El primer modelo predice campos de presión y velocidad a partir de funciones de distancia con signo (SDF) mediante una arquitectura U-Net. El segundo estima coeficientes de drag a partir de imágenes en formato simplificado. Ambos modelos fueron entrenados y evaluados empleando técnicas avanzadas de validación cruzada y ajustes de hiperparámetros. Los resultados muestran una tasa de error promedio del 5,25% en los modelos, con reducciones del tiempo de cálculo de hasta 1/160 comparado con CFD. Además, los sistemas presentan una alta capacidad de generalización, permitiendo su aplicación a diferentes configuraciones de vehículos. En conclusión, este enfoque optimiza el diseño aerodinámico, ofreciendo una herramienta escalable y sostenible para la industria automotriz. Futuros trabajos explorarán su integración en otras industrias, así como mejoras en las bases de datos y modelos para abordar problemas más complejos.

ABSTRACT

This study proposes an aerodynamic prediction system for automobiles based on Convolutional Neural Networks (CNN) as an efficient alternative to Computational Fluid Dynamics (CFD). The research aims to predict velocity fields, pressure fields, and drag coefficients, significantly reducing computational costs and time. Two CNN models were developed using databases of aerodynamic profiles and CFD simulations. The methodology included processing vehicle geometry data and images to train the models, implemented in Python with specialized libraries like Keras. The first model predicts pressure and velocity fields from signed distance functions (SDF) using a U-Net architecture. The second estimates drag coefficients from simplified image formats. Both models were trained and evaluated using advanced cross-validation techniques and hyperparameter tuning. The results demonstrate an average error rate of 5.25% in the models, with computation time reductions of up to 1/160 compared to CFD. Additionally, the systems exhibit high generalization capabilities, allowing application to various vehicle configurations. In conclusion, this approach optimizes aerodynamic design, offering a scalable and sustainable tool for the automotive industry. Future work will explore its integration into other industries, as well as enhancements to databases and models to address more complex challenges.

REVISTA ANALÍTICOS 6 (2024) >

ARCHIVOS >