서로 뒤에서 제도를 진행하는 경주용 자동차.
| | | AI/ML 물리학 | 자동차 | 유체/유체역학(CFD 등)

자율 주행으로 더 친환경적인 운전이 가능할까?

자율주행을 통해 우리도 경주용 자동차 운전자처럼 제도를 통해 에너지를 절약할 수 있다면 어떨까요? 우리는 가능성을 조사합니다.

자율주행의 출현은 교통과 이동성의 변혁을 가져오며 안전성, 효율성, 편의성이 정교하게 조화를 이루고 있습니다. 자율주행차는 첨단 알고리즘과 센서를 활용해 사람의 실수로 인한 사고를 크게 줄여 도로 안전을 크게 향상시킬 수 있는 잠재력을 갖고 있습니다.

교통 법규를 준수하는 이 기술의 정확성은 연료 최적화에도 기여하여 보다 광범위한 환경 지속 가능성 목표에 부합합니다. 이러한 실질적인 이점 외에도 자율 주행은 승객 경험을 재정의하여 이동 시간을 생산성이나 휴식의 기회로 전환할 것을 약속합니다.

하지만 자율주행이 제공할 수 있는 추가적인 이점이 있습니다. 여러 대의 자율주행 차량이 협력하여 작동하면 이러한 차량은 서로 바람의 저항을 줄여 집단 에너지 소비를 줄이는 데 도움이 됩니다.

하지만 어떻게? 약간의 물리학과 도움을 받아 시뮬레이션.

제도의 물리학

두 대 이상의 차량이 앞뒤로 정렬되면 단독 차량보다 더 높은 속도를 달성할 수 있습니다. 이러한 시너지 효과는 선두 차량 뒤의 저압 후류에 의해 생성되며, 이는 선두 차량 뒤에 가까워질수록 뒤따르는 차량의 공기역학적 저항을 감소시킵니다.

이런 일이 발생하면 뒤따르는 차량이 고압 공기 흐름을 앞쪽으로 밀어서 덜 빠르게 움직이는 공기가 선두 차량의 스포일러에 도달하도록 합니다. 누적 효과는 두 차량 모두의 항력 감소이며, 공기역학적 효율성은 모터가 극복해야 하는 힘을 줄여 더 빠른 속도나 더 높은 연료 효율성을 제공합니다.

NASCAR 팬이라면 이것은 완전히 오래된 뉴스입니다. 1960년에 주니어 존슨은 속도가 뒤처진 쉐보레를 운전하면서 드래프팅을 통해 선두 차량의 공기역학을 활용하여 속도 부족을 극복하고 데이토나 500에서 있을 법하지 않은 승리를 거두었습니다. 존슨의 동료들은 곧 이 관행을 채택하여 다음과 같은 사실을 발견했습니다. 드래프터 라인은 더 빠른 속도를 달성하고 연료 효율성을 높여 피트 스톱의 필요성을 최소화할 수 있습니다.

사이클링에서 라이더는 투르 드 프랑스와 같은 경주 중에 전략적으로 펠로톤을 형성합니다. 무리를 이끄는 사람들은 가장 큰 바람 저항에 직면하며, 뒤처진 사람들은 항력 감소로 인해 공기 역학적 이점을 제공합니다. 마찬가지로, 스피드 스케이팅에서 선수들은 서로 밀접하게 위치하여 선두의 공기역학적 웨이크를 활용하여 경주의 중요한 순간을 위해 에너지를 절약합니다.

하지만 우리 비전문 NASCAR 및 투르 드 프랑스 운동선수는 어떻습니까? 자율주행차를 통해 안전하게 수행할 수 있다면 일반 운전자도 이러한 현상으로부터 이익을 얻을 수 있을까요?

제도가 일상적인 운전자에게도 효과가 있나요?

TV 쇼 "MythBusters"의 흥미로운 실험에서 18륜 트럭을 사용하여 제도 잠재력을 탐구했습니다. 그들은 트럭 뒤에서 100피트의 거리를 유지하면 연료 효율이 무려 11%나 향상된다는 사실을 발견했습니다.
후행 거리가 39피트로 줄어들자 이 효율성은 10%로 뛰어올랐습니다.

그러나 그들은 실제 하이퍼밀링에서 운전자가 더 자주 브레이크를 밟고 가속할 가능성이 높아 효율성 향상이 감소한다는 점에 주목했습니다.

운전자는 항상 앞차가 갑자기 정지할 위험에 직면하게 됩니다. 대응하지 않으면 심각한 사고로 이어질 수 있습니다.

자율주행 함대를 시작하세요

자율주행차는 이론적으로 공기역학 제도를 활용하여 자동차의 위치를 ​​조정할 수 있습니다.

자율주행차란 인공지능, 머신러닝, 센서, GPS 등 첨단 기술을 활용해 사람의 개입 없이 조율되고 운행되는 자율주행 차량의 집합체를 말한다. 예를 들어 크루즈(Cruise)는 올해 미국 여러 도시에서 자율주행 차량을 출시할 예정입니다.

승객들이 목적지뿐만 아니라 속도와 경로의 정확한 조정을 통해 여행을 조정하면서 곧 다른 사람들과 함께 "초안 작성"을 추구할 수 있는 Uber와 같은 차량 공유 플랫폼의 잠재적인 변화를 생각해 보십시오.

이 현상은 전통적인 HOV(다인승 차량) 차선 개념이 지능형 통로로 진화할 수 있는 더 넓은 도시 상황으로 확장됩니다. 이러한 공간에서는 다수의 자율주행 차량 클러스터가 통합된 개체로 작동하여 하나로 제동하고 가속합니다.

이러한 원활한 상호 작용은 효율성과 안전성을 높이고 모빌리티에 대한 집단적 접근 방식의 패러다임 전환을 약속하며, 이는 사회 행동과 인프라 계획에 대한 기술의 심오한 영향을 강조합니다.

하지만 자동차 엔지니어들은 일반 세단이 자율화된다면 제도의 타당성을 어디에서 평가하기 시작할까요? 물리 시뮬레이션으로 시작할 수 있습니다.

Rescale Elastic Cloud Workstation의 Ansys Discovery Live에서 시뮬레이션된 단독 차량 위의 공기 흐름.

초기 개념 시뮬레이션

초기 개념 시뮬레이션은 현대 자동차 설계, 개발 및 테스트의 중요한 단계를 나타냅니다. 프로젝트 초기에 시뮬레이션을 적용함으로써 조직은 잠재적인 설계 약점을 파악하고 실제 프로토타입에 나타나기 전에 이를 완화할 수 있습니다.

물리적 테스트에 대한 의존도를 줄여 혁신을 가속화할 뿐만 아니라 더 큰 안전성을 보장한다는 큰 약속을 통해 비용 절감은 실질적입니다. 그러나 더 심오한 것은 창의성과 협업에 미치는 영향입니다.

초기 개념 시뮬레이션은 아이디어 반복을 촉진하여 여러 분야의 팀이 대체 설계를 탐색하고 공유 비전을 육성할 수 있도록 합니다. 이러한 이점의 누적 효과는 초기 개념 시뮬레이션을 단순한 절차적 단계에서 위험을 최소화하고 제품의 견고성을 향상시키며 조직이 정밀하고 민첩하게 현대 제품 개발의 격동의 바다를 헤쳐나갈 수 있도록 지원하는 전략적 수단으로 전환합니다.

초기 개념 시뮬레이션의 가치를 설명하기 위해 저는 전산유체역학(CFD) 내 2015 Acura TLX 모델입니다. 저는 이 모델을 가상 풍동 내에 배치하여 시속 65마일의 속도로 역학을 복제했습니다.

그런 다음 나는 다음 질문에 답하려고 했습니다. 드래프팅의 공기역학적 이점을 극대화하기 위해 앞차와 뒤따르는 차 사이의 최적 거리는 얼마입니까?

시뮬레이션의 데이터 시각화는 구형 마커로 표시되는 감소된 기압 영역만 표시하도록 필터링되었습니다. 압력의 강도는 색상 그라데이션을 통해 표시되며, 파란색 구체는 압력이 가장 낮은 영역을 나타냅니다.

단독 차량 뒤의 저기압 영역 시각화. Rescle Elastic Cloud Workstation의 Ansys Discovery Live에서 준비되었습니다.

물리 시뮬레이션은 자동차가 서로 몇 인치 이내로 촘촘하게 포장되어 있을 때 가장 큰 이득을 얻을 수 있음을 보여줍니다. 이 시나리오에서는 선두 차량의 효율성이 11% 향상됩니다. 단독차 대비 중간차는 35%, 뒤차는 37.5%의 이득을 얻는다.

기류 흐름은 총 압력에 따라 색상으로 구분됩니다. 뒤따르는 차량은 녹색 증기 라인으로 표시된 감소된 압력 프로파일을 갖습니다.

분명히 엔지니어(및 운전자)는 안전 요소를 구축하기를 원할 것입니다. 차 한 대 길이여야 하나요? 자동차 길이가 두 대인가요? 절충안은 무엇입니까? 자동차 한 대의 거리로 분리되면 이러한 이득은 상당히 감소합니다. 선두차는 0.5%, 중간차는 2%, 뒤차는 2.2%의 이득을 얻는다. 이 분리에서는 자동차가 서로의 후류를 완전히 활용할 수 없습니다.

자동차가 한 대의 거리만큼 떨어져 배치되면 서로의 후류에 있는 이점을 얻을 수 없습니다.

차량 전체 길이를 분리한 자율 주행 시스템은 일반 운전자의 관심을 끌지 못할 수도 있습니다. 자율주행 기술이 크게 발전하지 않은 상태에서 제도는 에너지 절약을 위한 어려운 전략인 것 같습니다.

이와 같은 예비 통찰력은 겉으로는 간단해 보이지만 심오한 전략적 의미를 강조합니다. 잘못된 설계 개념을 조기에 재조정할수록 좋습니다.

게임 후반에 디자인 궤적을 바꾸면 제품 생산 목표에 큰 타격을 줄 수 있습니다. 엔지니어는 초기 단계 물리 시뮬레이션의 정확성을 활용하고 잠재적인 사용 사례를 꼼꼼하게 반복함으로써 이러한 XNUMX시간의 함정을 피하고 빠르고 효율적으로 제품 개선을 도모할 수 있습니다.

Rescale 플랫폼의 AI 엔지니어링

Rescale은 동급 최고의 시뮬레이션 소프트웨어에 대한 주문형 라이선스를 제공함으로써 엔지니어링 회사가 물리 시뮬레이션에 쉽게 접근할 수 있도록 해줍니다. Rescale은 안전하며 HPC 환경을 위해 구축되었습니다. 또한 오픈 소스 물리학 및 SciML 시뮬레이션 소프트웨어와 Python, Julia 또는 Fortran으로 작성된 사용자 정의 코드를 실행하는 방법도 제공합니다. 이것이 바로 마법이 일어나는 곳입니다.

엔지니어는 최신 버전을 사용할 수 있습니다. 머신러닝(ML) 엔지니어가 실시간으로 균형 분석을 수행할 수 있도록 광범위한 설계 옵션을 탐색하는 기술입니다.

예를 들어, 모든 이격 거리 조합에 대해 앞차와 뒤따르는 차량의 압력 프로파일을 학습하는 AI/ML 모델을 구축하는 것이 가능합니다. 일단 학습하면 엔지니어는 AI/Ml 모델에 자신이 좋아하는 가정 질문을 질문하고 즉각적인 시각적 피드백을 얻을 수 있습니다!

앞으로는 파이프로 연결하는 것도 가능할 것 같습니다. AI/ML 모델 실시간 물리학 기반 자율 주행을 위한 ADAS 시뮬레이션에 적용됩니다. 시뮬레이션 도구의 완전한 생태계에 접근할 수 있는 Rescale은 엔지니어에게 최첨단 시뮬레이션을 개발하기 위한 완벽한 샌드박스를 제공합니다.

Rescale에 대한 예제 및 튜토리얼

여러 자습서 우리의 Rescale을 사용해 볼 수 있습니다 무료 시험판.

Rescale에서 Ansys Discovery Live의 외부 공기역학을 탐색하려면 아래에 있는 비디오를 시청하십시오. 탄력적 워크스테이션 개요 페이지. Discovery Live 제품과 함께 제공되는 예제를 사용해 보십시오.

저자

  • 산딥 우란카르

    Sandeep Urankar(산딥 우란카르)는 Rescale의 제품 마케팅 매니저입니다. 그의 업무는 엔지니어들이 보다 빠르고 깊이 있는 인사이트를 얻을 수 있도록 지원하는 것을 목표로 Rescale 메타데이터 관리 및 Rescale 전산 파이프라인에 중점을 두고 있습니다. Rescale에 합류하기 전 그는 Dassault Systems 및 Hexagon Manufacturing Intelligence 등 유수의 시뮬레이션 소프트웨어 기업에서 다양한 제품의 관리 업무를 맡은 바 있습니다.

비슷한 게시물