レーシングカーがお互いの後ろでドラフトします。
| | | AI/ML 物理学 | 自動車関連 | 流体 / 流体力学 (CFD など)

自動運転は運転をより環境に優しいものにできるか?

自動運転により、レースカーのドライバーのようにドラフティングをすることでエネルギーを節約できるようになったらどうなるでしょうか? 可能性を検討します。

自動運転の出現は、輸送とモビリティに大きな変化をもたらし、安全性、効率性、利便性の洗練された融合を提供します。 自動運転車は高度なアルゴリズムとセンサーを活用することで、人為的ミスに起因する事故を大幅に削減する可能性を秘めており、交通安全が大幅に進歩します。

このテクノロジーの交通法規遵守の精度は、より広範な環境持続可能性目標に沿った燃料の最適化にも貢献します。 これらの目に見える利点を超えて、自動運転は乗客の体験を再定義し、移動時間を生産性やリラックスの機会に変えることを約束します。

しかし、自動運転がもたらす可能性のある追加の利点もあります。 複数の自動運転車が連携して動作することで、これらの車両は互いの隙間風を吸い込み風の抵抗を軽減し、全体的なエネルギー消費量を削減できます。

しかし、どうやって? 物理学と少しの助けを借りて、 .

製図の物理学

XNUMX 台以上の車両が前後に並ぶと、単独の車両よりも高い速度を達成できます。 この相乗効果は、先頭車両の後ろの低圧後流によって生み出され、後続車両が先頭車両の背後に近づくにつれて空気抵抗が減少します。

これが起こると、後続車両は高圧の空気の流れを前方に押し出し、速度の遅い空気が先頭車両のスポイラーに確実に到達するようにします。 累積的な効果として、両方の車両の抵抗が減少し、空力効率が向上してモーターが克服する力が減少し、速度の向上や燃料効率の向上が可能になります。

あなたがNASCARファンなら、これは完全に古いニュースです。 1960 年、ジュニア ジョンソンは、素の速度で劣るシボレーのハンドルを握り、ドラフティングによって先頭車両の空気力学を利用してスピード不足を克服し、デイトナ 500 でありえない勝利を収めることができました。ジョンソンの同僚たちはすぐにこの習慣を採用し、次のことを発見しました。ドラフターのラインはより高速を達成し、燃料効率を向上させ、ピットストップの必要性を最小限に抑えることができます。

自転車競技では、ツール・ド・フランスなどのレース中、ライダーは戦略的にプロトンを形成します。 集団をリードするチームは最も大きな風の抵抗に直面し、後続のチームは空気抵抗の減少により空気力学的利点を得ることができます。 同様に、スピードスケートでも、アスリートはお互いの後ろに近い位置に位置し、リーダーの空気力学的な後流を利用して、レースの重要な瞬間にエネルギーを節約します。

しかし、私たちプロではないNASCARやツール・ド・フランスのアスリートはどうでしょうか? 自動運転車によって安全に実現できれば、平均的なドライバーはこの現象から恩恵を受けることができるでしょうか?

製図は日常のドライバーにも効果がありますか?

テレビ番組「MythBusters」での説得力のある実験では、18 輪トラックを使用して製図の可能性が探られました。 彼らは、トラックの後方から 100 フィートの距離を維持すると、燃費が 11 パーセントも向上することを発見しました。
後続距離がわずか 39 フィートに短縮されたとき、この効率は 10% に跳ね上がりました。

しかし、実際のハイパーマイリングでは、ドライバーはより頻繁にブレーキをかけたり加速したりする可能性が高く、効率の向上が減少する可能性があると研究者らは指摘しました。

ドラフターは常に、前方車両による突然の停止の脅威に常にさらされます。 反応しないと重大な事故につながる可能性があります。

自律艦隊の参入

自律走行車両は、理論的には車両の位置を調整して、ドラフトの空気力学を利用できます。

自律型フリートとは、人工知能、機械学習、センサー、GPS などの高度なテクノロジーを使用して、人間の介入なしで調整および運用される自動運転車両の集合を指します。 たとえば、クルーズは今年、米国のいくつかの都市で自律走行車両を展開しています。

Uber のようなライドシェアリングプラットフォームが変革する可能性を考えてみましょう。乗客は間もなく他の乗客と「ドラフト」し、目的地だけでなく速度とルートを正確に調整して旅行を調整するようになるかもしれません。

この現象は、より広い都市環境にまで広がり、高占有車両 (HOV) 車線の従来の概念がインテリジェントな通路に進化する可能性があります。 これらのスペースでは、自律走行多人乗り車両のクラスターが統合されたエンティティとして機能し、XNUMX つとして制動と加速を行います。

このシームレスなインタラクションは、効率性と安全性の向上、そしてモビリティに対する集団的なアプローチのパラダイムシフトを約束し、テクノロジーが社会行動やインフラ計画に大きな影響を与えることを浮き彫りにしています。

しかし、自動車エンジニアは、平均的なセダンが自動運転化された場合の製図の実現可能性をどこから評価し始めるのでしょうか? 物理シミュレーションから始めることができます。

Rescale Elastic Cloud Workstation 上の Ansys Discovery Live でシミュレートされた孤立した車両上の気流。

初期のコンセプトのシミュレーション

初期の概念的シミュレーションは、現代の自動車の設計、開発、テストにおける重要なステップを表します。 プロジェクトの開始時にシミュレーションを適用することで、組織は潜在的な設計の弱点を明らかにし、それが物理的なプロトタイプに現れる前に軽減することができます。

コスト削減は目に見えており、物理的テストへの依存を減らしてイノベーションを加速するだけでなく、より高い安全性を確保できるという大きな期待が寄せられています。 しかし、創造性とコラボレーションへの影響はさらに深刻です。

初期のコンセプト シミュレーションによりアイデアの反復が促進され、学際的なチームが代替デザインを検討し、共有のビジョンを促進できるようになります。 これらの利点の累積的な効果により、初期のコンセプト シミュレーションが単なる手順ステップから、リスクを最小限に抑え、製品の堅牢性を強化し、組織が現代の製品開発の荒波を正確かつ機敏に乗り切ることができる戦略的な手段に変わります。

初期の概念シミュレーションの価値を説明するために、私は次の図を作成しました。 計算流体力学 (CFD) 私の2015 Acura TLXのモデル。 このモデルを仮想風洞内に配置し、時速 65 マイルの速度でダイナミクスを再現しました。

次に、私は次の質問に答えようとしました。ドラフティングの空力的利点を最大化するための、先頭車両と後続車両の間の最適な距離はどれくらいですか?

シミュレーションのデータ視覚化はフィルター処理され、球状マーカーで表される気圧の低下した領域のみが表示されます。 圧力の強さは色のグラデーションで表され、青い球は圧力が最も低い領域を示します。

単独車両の後方の低気圧領域の視覚化。 Rescle Elastic Cloud ワークステーション上の Ansys Discovery Live で準備されています。

物理シミュレーションでは、車が互いに数インチ以内にぎっしりと詰め込まれているときに最大のゲインが得られることが示されています。 このシナリオでは、先頭車両の効率が 11% 向上します。 単独車両と比較して、中間車両は 35 パーセント、後続車両は 37.5 パーセント増加します。

エアフローストリームは総圧力によって色分けされます。 後続車両の圧力プロファイルは緑色の蒸気線で示されています。

エンジニア (およびドライバー) は、何らかの安全要素を組み込みたいと考えるのは明らかです。 車一台分くらいの長さでしょうか? 車2台分の距離? トレードオフは何ですか? 車 0.5 台分の距離が離れると、これらの利益は大幅に減少します。 先頭車は 2% しか増加せず、中間車は 2.2%、後続車は XNUMX% 増加します。 この分離では、車両は互いの後流を完全に利用できません。

車が XNUMX 台分の距離だけ離れて配置されている場合、お互いの後流にいることによるメリットはありません。

車の全長の間隔を維持する自動運転システムは、平均的なドライバーを魅了できない可能性があります。 自動運転技術が大幅に進歩しない限り、製図はエネルギーを節約するための難しい戦術であるように思われます。

このような予備的な洞察は、一見単純そうに見えますが、欠陥のある設計コンセプトの再調整は早ければ早いほど良いという、深い戦略的意味を強調しています。

ゲームの後半で設計の軌道を変更すると、製品の生産目標が大きく損なわれる可能性があります。 初期段階の物理シミュレーションの精度を活用し、潜在的なユースケースを注意深く反復することで、エンジニアはこれらの XNUMX 時間かかる落とし穴を回避し、製品の改善を迅速かつ効率的に行うことができます。

Rescale プラットフォーム上の AI エンジニアリング

Rescale は、多くのクラス最高のシミュレーション ソフトウェアにオンデマンド ライセンスを提供することで、エンジニアリング会社が物理シミュレーションに簡単にアクセスできるようにします。 Rescale は安全であり、HPC 環境向けに構築されています。 また、オープンソースの物理学および SciML シミュレーション ソフトウェアや、Python、Julia、さらには Fortran で記述されたカスタム コードを実行する方法も提供します。 ここで魔法が起こります。

エンジニアは新しいものを使用できる 機械学習 (ML) エンジニアがリアルタイムでトレードオフ分析を行えるように、幅広い設計オプションを検討するための技術。

たとえば、車間距離のあらゆる組み合わせについて、先頭車両と後続車両の圧力プロファイルを学習する AI/ML モデルを構築することが可能になります。 一度学習すると、エンジニアは AI/ML モデルに好きな仮定の質問をし、瞬時に視覚的なフィードバックを得ることができます。

将来的には、パイプで接続できるようになります。 AI/ML モデル リアルタイムの物理学に基づいた自動運転のための ADAS シミュレーションに組み込まれます。 Rescale は、シミュレーション ツールの完全なエコシステムにアクセスできるため、エンジニアにこのような最先端のシミュレーションを開発するための完璧なサンドボックスを提供します。

Rescale の例とチュートリアル

いくつかの および チュートリアル Rescale を試すことができます。 無料試用.

Ansys Discovery Live on Rescale の外部空気力学を調べるには、このページの下部にあるビデオをご覧ください。 弾力性のあるワークステーション 概要ページ。 Discovery Live 製品に同梱されているサンプルを試してください。

著者

  • サンディープ・ウランカール

    Sandeep Urankar は、Rescale の製品マーケティング マネージャーです。彼は、エンジニアがより深い洞察をより迅速に得られるようにすることを目標として、Rescale Metadata Management と Rescale Computational Pipelines に重点を置いています。 Rescale に入社する前は、Dassault Systems や Hexagon Manufacturing Intelligence などの大手シミュレーション ソフトウェア会社でいくつかの製品管理職を歴任しました。

類似の投稿