European Commission logo
italiano italiano
CORDIS - Risultati della ricerca dell’UE
CORDIS

Upscaling Product development Simulation Capabilities exploiting Artificial inteLligence for Electrified vehicles

Article Category

Article available in the following languages:

Algoritmi avanzati per migliorare l’efficienza dei veicoli elettrici

L’integrazione dell’apprendimento automatico nei test automobilistici basati su simulazioni consente di accelerare lo sviluppo di veicoli elettrici caratterizzati da una maggiore efficienza e una sicurezza migliore.

Trasporti e Mobilità icon Trasporti e Mobilità

Al fine di conseguire l’ambizioso obiettivo dell’UE costituito dal raggiungimento della neutralità climatica entro il 2050, nei prossimi anni scenderanno in strada molti veicoli elettrici (EV, electric vehicle) di nuova concezione. Il progetto UPSCALE, finanziato dall’UE, ha facilitato questo sviluppo grazie alla progettazione di un software basato sull’IA che velocizza i test simulati sulla sicurezza e sulle prestazioni.

Progredire grazie agli algoritmi

La verifica delle prestazioni delle automobili si basa da molto tempo sulla risoluzione di problemi di fisica. Questo lavoro può essere lungo e noioso e alcuni problemi non possono essere risolti con questi metodi. Il calcolo ad alte prestazioni (HPC) e l’ingegneria assistita dal computer (CAE) sono campi in crescita, essenziali per lo sviluppo delle automobili. Studi accademici dimostrano che i progressi dello apprendimento automatico, un’applicazione dell’intelligenza artificiale, possono migliorare i test automobilistici e quindi sostituire le soluzioni basate sulla fisica con quelle basate sui dati. Il team UPSCALE ha avuto l’idea di applicare l’apprendimento automatico in un contesto industriale e ha quindi sviluppato algoritmi e processi partendo da zero. Per quanto riguarda le simulazioni degli incidenti e l’aerodinamica, Enric Aramburu, il coordinatore tecnico del progetto, afferma: «Il progetto UPSCALE ha dimostrato la fattibilità di sostituire i solutori guidati dalla fisica con solutori guidati dai dati, riducendo i tempi di simulazione di 3 ordini di grandezza, pur mantenendo un tasso di accuratezza superiore al 98 %.» Il lavoro svolto nell’ambito del progetto si è articolato in tre fasi: innanzitutto sono stati definiti e implementati i framework di apprendimento automatico per diverse applicazioni, quindi i ricercatori hanno sviluppato set di dati e processi di addestramento dell’apprendimento automatico a livello di prova di concetto e, infine, la squadra ha applicato gli strumenti di simulazione a contesti industriali reali.

Casi di studio essenziali

Per far progredire gli obiettivi del progetto, i ricercatori hanno selezionato due casi di studio da analizzare: la modellazione degli incidenti e la modellazione aerotermica. Entrambi i tipi di modellazione utilizzano già alti livelli di HPC, il che li rende forti candidati all’incorporazione di software di apprendimento automatico. I crash test sono essenziali per determinare la sicurezza dei veicoli e, in particolare per i veicoli elettrici, forniscono informazioni fondamentali sulle prestazioni delle batterie. I test aerotermici aiutano a determinare l’efficienza di un veicolo, consentendo una maggiore autonomia e un ridotto impatto ambientale. Uno dei principali risultati del progetto è stato lo sviluppo della modellazione di ordine ridotto (ROM) per entrambi i casi di studio. In particolare, la ROM delle prestazioni della batteria è innovativa e consente di valutare rapidamente tutte le celle della batteria del veicolo. Il team ha inoltre utilizzato i metodi 3D di un autocodificatore per ridurre a 20 i parametri della progettazione relativi agli esterni del veicolo. Ciò ha permesso di modellare aerodinamicamente veicoli di qualsiasi forma. Il software di simulazione sviluppato dal progetto ha ridotto il tempo necessario allo sviluppo delle autovetture, un vantaggio che consentirà in definitiva di immettere più rapidamente sulla strada i veicoli elettrici. Molti degli strumenti di simulazione sviluppati da UPSCALE sono pronti per la commercializzazione e il consorzio ha ricevuto il riscontro fornito dagli utenti finali, tra cui tre costruttori di apparecchiature originali per veicoli. Alla luce di questi risultati positivi, l’applicazione dell’apprendimento automatico è destinata a rimanere. Importanti obiettivi nell’ambito del compito dei ricercatori di incrementare l’efficacia degli strumenti di simulazione sono il miglioramento della capacità di previsione in scenari non coperti dai set di dati di addestramento e la rimozione della necessità di vasti set di dati ai fini dell’addestramento. Secondo Aramburu, «le prossime fasi dovranno incentrarsi sullo sviluppo di soluzioni più efficienti, che richiedano meno operazioni di addestramento e siano in grado di prevedere anche i casi d’uso non visibili». Il mondo sta cambiando rapidamente; le sfide ambientali rivestono un’importanza cruciale e la tecnologia sta avanzando a un ritmo vertiginoso. Grazie alle sue innovative applicazioni software nel campo dell’apprendimento automatico allo sviluppo dei veicoli elettrici, UPSCALE ha contribuito a garantire che l’industria automobilistica possa restare al passo con questi progressi.

Parole chiave

UPSCALE, apprendimento automatico, simulazione, veicolo elettrico, IA, aerodinamico, aerotermico, sviluppo automobilistico, prove d’urto, modellizzazione a ordine ridotto, autocodificatore

Scopri altri articoli nello stesso settore di applicazione