European Commission logo
español español
CORDIS - Resultados de investigaciones de la UE
CORDIS

Upscaling Product development Simulation Capabilities exploiting Artificial inteLligence for Electrified vehicles

Article Category

Article available in the following languages:

Algoritmos avanzados para mejorar la eficiencia de los vehículos eléctricos

La integración del aprendizaje automático en las pruebas de simulación de automóviles favorece un desarrollo más rápido de vehículos eléctricos con mayor eficiencia y seguridad.

Transporte y movilidad icon Transporte y movilidad

La consecución del ambicioso objetivo de la Unión Europea de alcanzar la neutralidad climática de aquí a 2050 supondrá, en los próximos años, la puesta en circulación de multitud de nuevos vehículos eléctricos (VE). El equipo del proyecto UPSCALE, financiado con fondos europeos, facilitó este avance mediante el diseño de un «software» de inteligencia artificial (IA) que mejora la velocidad de las pruebas de simulación de seguridad y rendimiento.

Algoritmos que favorecen el progreso

Las pruebas de rendimiento de los automóviles se han basado durante mucho tiempo en la resolución de problemas de física. Este trabajo puede requerir mucho tiempo y ser tedioso, y algunos problemas no son factibles de resolver con estos métodos. La informática de alto rendimiento y la ingeniería asistida por ordenador son campos en auge esenciales para el desarrollo de la automoción. Los estudios académicos demuestran que los avances en aprendizaje automático, una aplicación de la inteligencia artificial, pueden mejorar las pruebas de automoción y sustituir así las soluciones basadas en datos por otras basadas en la física. El equipo de UPSCALE se animó a aplicar el aprendizaje automático en un contexto industrial y desarrolló algoritmos y procesos desde cero. En el contexto de las simulaciones de choque y la aerodinámica, Enric Aramburu, coordinador técnico del proyecto, afirma: «El proyecto UPSCALE ha demostrado la viabilidad de sustituir los solucionadores basados en la física por solucionadores basados en datos, reduciendo los tiempos de simulación en 3 órdenes de magnitud y manteniendo el índice de precisión por encima del 98 %». El trabajo del proyecto se efectuó en tres fases. La primera consistió en definir marcos de aprendizaje automático para diferentes aplicaciones que, después, se pusieron en práctica. A continuación, los investigadores desarrollaron conjuntos de datos y llevaron a cabo un entrenamiento de modelos de aprendizaje automático a nivel de prueba de concepto. Por último, el equipo aplicó herramientas de simulación a situaciones industriales reales.

Estudios de caso básicos

Para avanzar en los objetivos del proyecto, los investigadores seleccionaron dos casos de estudio: la modelización de choques y la modelización aerotérmica. Ambos tipos de modelización ya utilizan altos niveles de informática de alto rendimiento, lo que los convierte en firmes candidatos para incorporar «software» de aprendizaje automático. Las pruebas de choque son esenciales para determinar la seguridad de los vehículos y, en el caso concreto de los vehículos eléctricos, proporcionan información esencial sobre el rendimiento de las baterías. Las pruebas aerotérmicas ayudan a determinar la eficiencia de un vehículo, lo cual permite una mayor autonomía y un menor impacto ambiental. Uno de los principales logros en el proyecto fue el desarrollo de modelados de orden reducido para ambos casos de estudio. En particular, el modelado de orden reducido del rendimiento de la batería es innovador y permite evaluar rápidamente todas las celdas de la batería del vehículo. El equipo también utilizó métodos tridimensionales de autoencoder para reducir los diseños exteriores de automóviles a veinte parámetros. Esto permitió modelizar la aerodinámica de vehículos de cualquier forma. El «software» de simulación del proyecto redujo el tiempo de desarrollo de vehículos, un hecho que, en último término, agilizará la puesta en circulación de los VE. Muchas de las herramientas de simulación creadas por el equipo de UPSCALE están listas para su comercialización. En este sentido, el consorcio ya ha recibido comentarios de los usuarios finales, incluidos tres fabricantes de equipos originales para vehículos. Gracias a estos resultados positivos, la aplicación del aprendizaje automático ya está aquí para quedarse. A medida que los investigadores trabajan para mejorar la eficacia de las herramientas de simulación, otros objetivos importante a lograr son: la mejora de la predicción de supuestos que difieren de los conjuntos de datos de entrenamiento y la reducción de la necesidad de un entrenamiento exhaustivo con conjuntos de datos. Aramburu comenta: «Los próximos pasos deben centrarse en desarrollar tecnologías más eficientes que requieran un menor entrenamiento y que, además, puedan predecir casos de uso no contemplados». El mundo está cambiando con rapidez. Los problemas ambientales son cada vez más acuciantes y la tecnología evoluciona a una velocidad vertiginosa. El equipo de UPSCALE, con sus aplicaciones innovadoras de «software» de aprendizaje automático para el desarrollo de VE, ha ayudado a garantizar que el sector automovilístico pueda seguir el ritmo.

Palabras clave

UPSCALE, aprendizaje automático, simulación, vehículo eléctrico, IA, aerodinámica, aerotérmica, desarrollo automovilístico, pruebas de choque, modelo de orden reducido, autocodificador

Descubra otros artículos del mismo campo de aplicación