European Commission logo
français français
CORDIS - Résultats de la recherche de l’UE
CORDIS

Upscaling Product development Simulation Capabilities exploiting Artificial inteLligence for Electrified vehicles

Article Category

Article available in the following languages:

Des algorithmes avancés améliorent l’efficacité des véhicules électriques

L’intégration de l’apprentissage automatique dans les tests automobiles simulés permet d’accélérer le développement de véhicules électriques plus efficaces et plus sûrs.

Transports et Mobilité icon Transports et Mobilité

Afin d’atteindre l’objectif ambitieux de l’UE de neutralité climatique d’ici 2050, de nombreux nouveaux véhicules électriques (VE) prendront la route dans les années à venir. Le projet UPSCALE, financé par l’UE, a facilité cette évolution en concevant un logiciel d’IA qui améliore la vitesse des tests de sécurité et de performance simulés.

Des avancées grâce aux algorithmes

Les tests de performance automobiles reposent depuis longtemps sur la résolution de problèmes physiques. Ce travail peut être long et fastidieux, et certains problèmes ne peuvent être résolus par ces méthodes. Le calcul haute performance (CHP) et l’ingénierie assistée par ordinateur (IAO) sont des domaines en plein essor, essentiels au développement de l’automobile. Des études universitaires révèlent que les progrès de l’apprentissage automatique, une application de l’IA, peuvent améliorer les essais automobiles et remplacer les solutions basées sur la physique par des solutions basées sur les données. L’équipe UPSCALE a voulu appliquer l’apprentissage automatique dans un contexte industriel et a développé des algorithmes et des processus à partir de rien. Enric Aramburu, coordinateur technique du projet, déclare à propos des simulations de collision et de l’aérodynamique: «Le projet UPSCALE a démontré qu’il était possible de remplacer les solveurs basés sur la physique par des solveurs basés sur les données, ce qui a permis de réduire les temps de simulation de trois ordres de grandeur, tout en conservant un taux de précision supérieur à 98 %.» Le projet s’est déroulé en trois phases. La première a consisté à définir et à mettre en œuvre des cadres d’apprentissage automatique pour diverses applications. Ensuite, les chercheurs ont développé des ensembles de données et un apprentissage automatique au niveau de la preuve de concept. Enfin, l’équipe a appliqué des outils de simulation à des situations industrielles réelles.

Études de cas essentielles

Pour atteindre les objectifs du projet, les chercheurs ont sélectionné deux études de cas: la modélisation des collisions et la modélisation aérothermique. Ces deux types de modélisation font déjà appel à des niveaux élevés de calcul intensif, ce qui en fait des candidats de choix pour l’intégration de logiciels d’apprentissage automatique. Les essais de collision sont essentiels pour évaluer la sécurité des véhicules, et dans le cas des VE, ils fournissent des informations essentielles sur les performances de la batterie. Les essais aérothermiques aident à déterminer la performance d’un véhicule, ce qui permet d’augmenter son autonomie et de réduire son impact sur l’environnement. L’une des principales réalisations du projet a été le développement d’une réduction d’ordre de modèle (ROM) pour les deux études de cas. La ROM des performances de la batterie est particulièrement révolutionnaire et permet une évaluation rapide de toutes les cellules de la batterie du véhicule. L’équipe a également recouru à des méthodes d’auto-encodage 3D pour réduire les conceptions automobiles extérieures à 20 paramètres. Cela a permis de modéliser l’aérodynamisme de véhicules de toutes formes. Le logiciel de simulation du projet a permis de réduire le temps consacré au développement des véhicules, ce qui, en fin de compte, permettra de lancer plus rapidement les VE sur les routes. Bon nombre des outils de simulation développés par UPSCALE sont prêts à être commercialisés, et le consortium a recueilli des commentaires d’utilisateurs finaux, notamment de trois fabricants d’équipements d’origine. Compte tenu de ces résultats positifs, l’application de l’apprentissage automatique est là pour durer. Alors que les chercheurs s’efforcent d’améliorer l’efficacité des outils de simulation, l’amélioration de la prédiction dans des scénarios qui divergent des ensembles de données d’entraînement et la réduction de la nécessité d’un entraînement approfondi des ensembles de données constituent des objectifs importants. Selon Enric Aramburu, «les prochaines étapes devraient se concentrer sur le développement de solutions plus efficaces qui nécessitent moins d’efforts de formation et peuvent également prédire des cas d’utilisation non visibles». Le monde évolue rapidement. Les défis environnementaux sont cruciaux et la technologie progresse à une vitesse vertigineuse. UPSCALE, avec ses utilisations innovantes de logiciels d’apprentissage automatique pour le développement des VE, a contribué à faire en sorte que l’industrie automobile soit capable de suivre le rythme.

Mots‑clés

UPSCALE, apprentissage automatique, simulation, véhicule électrique, IA, aérodynamique, aérothermique, développement automobile, tests de collision, réduction de l’ordre d’un modèle, auto-encodeur

Découvrir d’autres articles du même domaine d’application