Skip to main content
European Commission logo print header

Upscaling Product development Simulation Capabilities exploiting Artificial inteLligence for Electrified vehicles

Article Category

Article available in the following languages:

Mit fortgeschrittenen Algorithmen die Elektrofahrzeugeffizienz verbessern

Die Einbindung des maschinellen Lernens in simulierte Automobiltests führt zu einer schnelleren Entwicklung von Elektrofahrzeugen mit höherer Effizienz und besserer Sicherheit.

Verkehr und Mobilität icon Verkehr und Mobilität

Um das ehrgeizige Ziel der EU zu erreichen, bis 2050 klimaneutral zu werden, müssen in den kommenden Jahren viele neue Elektrofahrzeuge auf unseren Straßen fahren. Das EU-finanzierte Projekt UPSCALE hat dieses Vorhaben mit der Entwicklung von KI-Software unterstützt, welche die Geschwindigkeit von simulierten Sicherheits- und Leistungstests erhöht.

Vorsprung durch Algorithmen

Zur Leistungsbewertung von Kraftfahrzeugen wird seit Langem auf die Lösung physikalischer Probleme zurückgegriffen. Diese Arbeit kann zeitaufwendig und mühsam sein, und einige Probleme lassen sich mit diesen Methoden nicht lösen. Hochleistungsrechnen (HPC) und computergestützte Technik sind aufkommende Bereiche, die für die Automobilentwicklung von wesentlicher Bedeutung sind. In wissenschaftlichen Studien kam heraus, dass Fortschritte im Bereich des maschinellen Lernens, einer Anwendung von künstlicher Intelligenz, zu Verbesserungen von Prüfungen im Automobilbereich führen könnten. Somit würde physikalisch gestützte Lösungen durch datengestützte ersetzt. Das Team von UPSCALE wollte maschinelles Lernen in einem industriellen Kontext anwenden und entwickelte von Grund auf neue Algorithmen und Prozesse. Der technische Koordinator im Projekt, Enric Aramburu, sagt im Zusammenhang mit Crashsimulationen und Aerodynamik: „Im UPSCALE-Projekt konnte gezeigt werden, dass es möglich ist, physikalisch gestützte Lösungsansätze durch datengestützte Lösungsansätze zu ersetzen und so die Simulationszeiten um drei Größenordnungen zu senken, während die Genauigkeit von über 98 % erhalten bleibt.“ Die Projektarbeit erfolgte in drei Phasen. Die erste beinhaltete die Definition und Implementierung von Rahmenwerken für maschinelles Lernen für verschiedene Anwendungen. Anschließend entwickelten die Forschenden Datensätze und Training für das maschinelle Lernen auf Konzeptnachweisniveau. Zu guter Letzt wendete das Team die Simulationswerkzeuge auf reale industrielle Situationen an.

Wichtige Fallstudien

Um die Projektziele voranzutreiben, wählten die Forschenden zwei Fallstudien aus: Crashmodellierung und aerotherme Modellierung. Bei diesen Modellierungen wird das Hochleistungsrechnen bereits eingesetzt, wodurch sie sehr gut dafür geeignet sind, Software für maschinelles Lernen zu integrieren. Crashsimulationen sind unerlässlich für die Bestimmung der Fahrzeugsicherheit und liefern insbesondere für Elektrofahrzeuge wichtige Informationen über die Batterieleistung. Mit aerothermen Tests wird die Effizienz eines Fahrzeugs geprüft, um eine längere Reichweite und geringere Umweltauswirkungen zu erreichen. Eines der wichtigsten Ergebnisse des Projekts war die Entwicklung von Modellen mit reduzierter Ordnung für beide Fallstudien. Insbesondere das Modell mit reduzierter Ordnung zur Batterieleistung ist bahnbrechend und ermöglicht eine schnelle Bewertung aller Batteriezellen im Fahrzeug. Das Team setzte auch 3D-Autoencoder ein, um die äußeren Autodesigns auf 20 Parameter zu reduzieren. Dies ebnete den Weg für die aerodynamische Modellierung von Fahrzeugen jeglicher Form. Die projektinterne Simulationssoftware verkürzte die für die Fahrzeugentwicklung benötigte Zeit, sodass die Elektrofahrzeuge im Endeffekt schneller auf die Straße kommen werden. Viele der von UPSCALE entwickelten Simulationswerkzeuge sind nun marktreif, und das Gemeinschaftsunternehmen hat Rückmeldungen von Endnutzenden erhalten, darunter auch von drei Fahrzeugerstausrüstung herstellenden Unternehmen. Angesichts dieser positiven Ergebnisse dürfte die Anwendung des maschinellen Lernens hier nicht mehr wegzudenken sein. Die Forschenden arbeiten an der Optimierung der Wirksamkeit der Simulationswerkzeuge. Wichtige Ziele sind dabei verbesserte Vorhersagen für von den Trainingsdatensätzen abweichende Szenarien sowie die Reduzierung der Notwendigkeit eines umfangreichen Trainings mit Datensätzen. Aramburu zufolge „sollten sich die nächsten Schritte auf die Entwicklung effizienterer Lösungen konzentrieren, die weniger Trainingsaufwand erfordern und auch nicht vorhersehbare Anwendungsfälle vorhersagen können.“ Die Welt verändert sich schnell. Die umweltpolitischen Herausforderungen sind gewaltig, und die Technologie schreitet in schwindelerregendem Tempo voran. UPSCALE hat mit seinen innovativen Anwendungen von Maschinenlernsoftware bei der Elektrofahrzeugentwicklung dazu beigetragen, dass die Automobilindustrie Schritt halten kann.

Schlüsselbegriffe

UPSCALE, maschinelles Lernen, Simulation, Elektrofahrzeug, KI, Aerodynamik, aerothermisch, Automobilentwicklung, Crashtests, ordnungsreduzierte Modellierung, Autoencoder

Entdecken Sie Artikel in demselben Anwendungsbereich