Das autonome Fahren stellt einen grundlegenden Wandel in Transport und Mobilität dar und bietet eine ausgeklügelte Kombination aus Sicherheit, Effizienz und Komfort. Durch den Einsatz fortschrittlicher Algorithmen und Sensoren können autonome Fahrzeuge die Zahl der durch menschliches Versagen verursachten Unfälle deutlich reduzieren und so die Verkehrssicherheit deutlich verbessern.

Die präzise Einhaltung der Verkehrsregeln durch die Technologie trägt zudem zur Kraftstoffoptimierung bei und steht im Einklang mit umfassenderen Zielen der ökologischen Nachhaltigkeit. Über diese konkreten Vorteile hinaus verspricht autonomes Fahren ein neues Fahrerlebnis und verwandelt die Reisezeit in eine Möglichkeit zur Produktivitätssteigerung oder Entspannung.

Doch autonomes Fahren bietet möglicherweise noch einen weiteren Vorteil: Mehrere autonome Fahrzeuge, die koordiniert arbeiten, können den Luftwiderstand verringern, indem sie sich gegenseitig im Windschatten fahren, und so ihren gemeinsamen Energieverbrauch senken.

Aber wie? Mit ein wenig Hilfe aus der Physik und Simulation.

Die Physik des Entwurfs

Wenn zwei oder mehr Fahrzeuge in einer Reihe hintereinander fahren, können sie eine höhere Geschwindigkeit erreichen als ein einzelnes Fahrzeug. Diese Synergie entsteht durch den Niederdruck-Nachlauf hinter dem führenden Fahrzeug, der den aerodynamischen Widerstand des nachfolgenden Fahrzeugs verringert, wenn es sich dem führenden Fahrzeug nähert.

Dabei erzeugt das nachfolgende Fahrzeug einen Hochdruckluftstrom nach vorne, wodurch weniger schnelle Luft den Spoiler des führenden Fahrzeugs erreicht. Der kumulative Effekt ist eine Verringerung des Luftwiderstands für beide Fahrzeuge. Dies führt zu einer aerodynamischen Effizienz, die bedeutet, dass der Motor weniger Kraft überwinden muss, was höhere Geschwindigkeiten oder einen geringeren Kraftstoffverbrauch ermöglicht.

Für NASCAR-Fans ist das nichts Neues. 1960 nutzte Junior Johnson am Steuer eines Chevrolet, der in puncto Geschwindigkeit zurücklag, die Aerodynamik der führenden Fahrzeuge, um seinen Geschwindigkeitsrückstand auszugleichen und so einen unwahrscheinlichen Sieg beim Daytona 500 zu erringen. Johnsons Kollegen übernahmen diese Methode bald und entdeckten, dass eine Reihe von Windschattenfahrern höhere Geschwindigkeiten und einen geringeren Kraftstoffverbrauch erreichen und so die Notwendigkeit von Boxenstopps minimieren konnte.

Beim Radsport bilden Fahrer bei Rennen wie der Tour de France strategisch Pelotons. Die Führenden im Feld sind dem größten Luftwiderstand ausgesetzt und bieten den Hinteren aufgrund des geringeren Luftwiderstands einen aerodynamischen Vorteil. Ähnlich verhält es sich beim Eisschnelllauf: Die Athleten positionieren sich dicht hintereinander und nutzen den Luftwiderstand des Führenden, um Energie für die entscheidenden Momente des Rennens zu sparen.

Aber was ist mit uns nicht-professionellen NASCAR- und Tour de France-Athleten? Kann der Durchschnittsfahrer von diesem Phänomen profitieren, wenn dies durch autonome Fahrzeuge sicher möglich ist?

Funktioniert Windschattenfahren für Alltagsfahrer?

In einem spannenden Experiment in der Fernsehsendung „MythBusters“ wurde das Windschattenpotenzial eines Sattelschleppers untersucht. Dabei stellte sich heraus, dass die Einhaltung eines Abstands von 18 Metern zum Lkw die Kraftstoffeffizienz um beeindruckende 100 Prozent steigerte.
Diese Effizienz stieg auf 39 Prozent, als die Schleppdistanz auf lediglich 10 Fuß reduziert wurde.

Sie stellten jedoch fest, dass die Fahrer beim Hypermiling in der Praxis wahrscheinlich häufiger bremsen und beschleunigen würden, was ihre Effizienzgewinne schmälerte.

Windschattenfahrer sind ständig der Gefahr eines abrupten Bremsens durch das vorausfahrende Fahrzeug ausgesetzt. Eine fehlende Reaktion kann zu schweren Unfällen führen.

Autonome Flotten

Autonome Flotten sind eine Ansammlung selbstfahrender Fahrzeuge, die ohne menschliches Eingreifen koordiniert und gesteuert werden. Dabei kommen fortschrittliche Technologien wie künstliche Intelligenz, maschinelles Lernen, Sensoren und GPS zum Einsatz. Cruise beispielsweise führt seine autonome Flotte dieses Jahr in mehreren US-Städten ein.

Denken Sie an die mögliche Transformation von Mitfahrplattformen wie Uber, wo Fahrgäste schon bald versuchen könnten, sich mit anderen zusammenzutun und ihre Fahrten nicht nur nach dem Ziel, sondern auch nach der präzisen Koordination von Geschwindigkeit und Route abzustimmen.

Dieses Phänomen erstreckt sich auf einen breiteren städtischen Kontext, in dem sich das traditionelle Konzept der Fahrspuren für Fahrzeuge mit hoher Besetzungsdichte zu intelligenten Korridoren weiterentwickeln könnte. In diesen Bereichen würden Gruppen autonomer Fahrzeuge mit hoher Besetzungsdichte als einheitliche Einheiten agieren und gemeinsam bremsen und beschleunigen.

Diese nahtlose Interaktion verspricht mehr Effizienz und Sicherheit sowie einen Paradigmenwechsel in unserem kollektiven Mobilitätsansatz und unterstreicht den tiefgreifenden Einfluss der Technologie auf das gesellschaftliche Verhalten und die Infrastrukturplanung.

Doch wo können Automobilingenieure überhaupt anfangen, die Machbarkeit des Windschattenfahrens für eine durchschnittliche Limousine zu bewerten, wenn diese autonom fahren würde? Sie können mit physikalischen Simulationen beginnen.

Luftstrom über einem einzelnen Auto, simuliert in Ansys Discovery Live auf einer Rescale Elastic Cloud Workstation.

Simulation früher Konzepte

Die frühe Konzeptsimulation stellt einen entscheidenden Schritt in der modernen Automobilkonstruktion, -entwicklung und -erprobung dar. Durch den Einsatz von Simulationen zu Beginn eines Projekts können Unternehmen potenzielle Konstruktionsschwächen aufdecken und beheben, bevor sie sich in physischen Prototypen manifestieren.

Die Kosteneinsparungen sind spürbar und versprechen, die Abhängigkeit von physischen Tests zu verringern. Dies beschleunigt nicht nur Innovationen, sondern sorgt auch für mehr Sicherheit. Noch tiefgreifender sind jedoch die Auswirkungen auf Kreativität und Zusammenarbeit.

Frühe Konzeptsimulationen beschleunigen die Ideenentwicklung und ermöglichen multidisziplinären Teams, alternative Designs zu erkunden und eine gemeinsame Vision zu entwickeln. Die kumulative Wirkung dieser Vorteile macht die frühe Konzeptsimulation von einem reinen Verfahrensschritt zu einem strategischen Hebel, der Risiken minimiert, die Produktstabilität erhöht und Unternehmen befähigt, die turbulenten Zeiten der modernen Produktentwicklung präzise und flexibel zu meistern.

Um den Wert früher konzeptioneller Simulationen zu veranschaulichen, habe ich eine Computational Fluid Dynamics (CFD) Modell meines Acura TLX von 2015. Ich habe dieses Modell in einem virtuellen Windkanal positioniert und die Dynamik bei einer Geschwindigkeit von 65 Meilen pro Stunde nachgebildet.

Dann wollte ich die Frage beantworten: Was ist der optimale Abstand zwischen einem führenden und einem nachfolgenden Auto, um den aerodynamischen Vorteil des Windschattenfahrens zu maximieren?

Die Datenvisualisierungen unserer Simulationen werden gefiltert, um nur die Regionen mit reduziertem Luftdruck anzuzeigen, die durch kugelförmige Markierungen dargestellt werden. Die Intensität des Drucks wird durch einen Farbverlauf dargestellt, wobei die blauen Kugeln die Regionen mit dem niedrigsten Druck kennzeichnen.

Visualisierung des Tiefdruckgebiets hinter einem einzelnen Auto. Erstellt in Ansys Discovery Live auf einer Rescle Elastic Cloud Workstation.

Die Physiksimulation zeigt, dass die größten Effizienzgewinne erzielt werden, wenn die Autos dicht beieinander stehen, nur wenige Zentimeter voneinander entfernt. In diesem Szenario verbessert sich die Effizienz des führenden Autos um 11 Prozent. Das mittlere Auto gewinnt 35 Prozent und das nachfolgende Auto 37.5 Prozent im Vergleich zum einzelnen Auto.

Natürlich möchten Ingenieure (und Fahrer) einen gewissen Sicherheitsfaktor einbauen. Sollte es eine Wagenlänge sein? Zwei Wagenlängen? Was ist der Kompromiss? Bei einem Abstand von einem Wagen schrumpfen diese Vorteile erheblich. Das führende Auto gewinnt nur 0.5 %, das mittlere Auto 2 % und das nachfolgende Auto 2.2 %. Bei diesem Abstand können die Autos den Windschatten des jeweils anderen nicht voll ausnutzen.

Ein autonomes Fahrsystem, das einen Abstand von einer vollen Fahrzeuglänge einhält, könnte den Durchschnittsfahrer nicht überzeugen. Ohne signifikante Fortschritte in der autonomen Fahrtechnologie scheint Windschattenfahren eine schwierige Taktik zum Energiesparen zu sein.

Solche vorläufigen Erkenntnisse scheinen zwar einfach zu sein, unterstreichen jedoch eine tiefgreifende strategische Implikation: Je früher ein fehlerhaftes Designkonzept neu kalibriert wird, desto besser.

Eine späte Änderung des Designverlaufs kann die Produktproduktionsziele erheblich beeinträchtigen. Durch die Nutzung der Präzision von Physiksimulationen im Frühstadium und die sorgfältige Iteration potenzieller Anwendungsfälle können Ingenieure diese Fallstricke in letzter Minute umgehen und so sicherstellen, dass sie schnell und effizient Produktverbesserungen entwickeln.

KI-Engineering auf der Rescale-Plattform

Rescale macht Physiksimulationen für Ingenieurunternehmen leicht zugänglich, indem es On-Demand-Lizenzen für viele erstklassige Simulationssoftware anbietet. Rescale ist sicher und für HPC-Umgebungen konzipiert. Es bietet außerdem Möglichkeiten zur Ausführung von Open-Source-Physik- und SciML-Simulationssoftware sowie von benutzerdefiniertem Code, der in Python, Julia oder sogar Fortran geschrieben ist. Hier geschieht die Magie.

Ingenieure können neuere maschinelles Lernen (ML) Techniken zum Erkunden eines breiten Spektrums an Designoptionen, sodass Ingenieure Kompromissanalysen in Echtzeit durchführen können.

Beispielsweise wäre es möglich, ein KI/ML-Modell zu erstellen, das die Druckprofile der führenden und nachfolgenden Fahrzeuge für jede Kombination von Sicherheitsabständen lernt. Sobald dies gelernt ist, können Ingenieure dem KI/ML-Modell beliebige Was-wäre-wenn-Fragen stellen und erhalten sofort visuelles Feedback!

In Zukunft wäre es möglich, die KI/ML-Modell in eine ADAS-Simulation für physikbasiertes autonomes Fahren in Echtzeit. Mit Zugriff auf ein komplettes Ökosystem von Simulationstools bietet Rescale Ingenieuren die perfekte Sandbox für die Entwicklung solcher hochmodernen Simulationen.