Riassunto analitico
Questa tesi si prefigge di definire una metodologia che, tramite l’utilizzo di tecniche di intelligenza artificiale, sia in grado di predire i coefficienti di deportanza (Clf e Clr) di un’auto da corsa e la distribuzione discreta di pressione sul fondo dell’auto per un determinato assetto dell’auto stessa.
Lo scopo principale di questo studio è il disegno ed implementazione di modelli computerizzati per ciascun sensore di pressione posto sul fondo dell'auto e, conseguentemente, la generazione della distribuzione della pressione su tutto il fondo dell'auto anche in assenza di sensori di pressione.
Sono stati realizzati tre tipi di modelli utilizzando tre diversi algoritmi di Machine Learning:
• Support Vector Machine: Support Vector Regression – SVR
• Neural Networks: Multilayer Perceptron - MLP
• Neural Networks: Recurrent Neural Network – RNN
e i rispettivi risultati sono presentati e discussi in dettaglio.
Il vantaggio di avere un modello per determinare la distribuzione della pressione sul fondo dell’auto rispetto ad averne uno unico per prevedere i singoli valori di deportanza (Clf, Clr) consiste nella possibilità di ottenere una descrizione 3D dell'aerodinamica dell'automobile, senza ridurla alla sola definizione dei coefficienti di deportanza. Una distribuzione continua sul fondo dell’auto non sarà presa in considerazione in questa tesi poiché richiederebbe un’estrapolazione dei dati e la conseguente introduzione di errori.
I modelli dovrebbero essere implementati per ciascuno dei diversi tipo di telaio utilizzati nelle competizioni IndyCar in base alla tipologia di circuito in cui si svolgono le gare:
• Configurazione Road course RC.
• Configurazione Short oval SO.
• Configurazione Super Speedway SSW.
Tuttavia, questa tesi si è focalizzata esclusivamente sulla creazione di modelli di downforce e Cp utilizzando dati di pista per un’auto in configurazione RC, in quanto, ai fini di questo studio, sono stati accessibili solo i dati ottenuti facendo una mappatura dell’auto in pista per il telaio della configurazione RC.
In ogni caso, la medesima procedura descritta in questa tesi per l'auto in configurazione RC è valida in generale per tutti i tipi di telaio di auto e, quindi, può essere replicata per generare i modelli anche per auto in configurazione SO e SSW, a condizione che i dati di mappatura siano sufficienti.
Infine vengono presentati i vantaggi derivanti dall’aver generato i modelli di questa tesi utilizzando i dati di pista invece di quelli raccolti in galleria del vento.
|
Abstract
The aim of this thesis is to investigate a method that, by using Artificial Intelligence technics, it is able to predict the overall downforce coefficients (Clf and Clr) of a racing car and the discrete pressure distribution over the car floor for a given particular car attitude.
The main result of this study is the design and development of computer models for each single pressure tap placed on the car floor and, thanks to that, to generate the pressure distribution over the whole car floor even in absence of pressure tap sensors.
Three types of models have been implemented using three different Machine Learning algorithms:
• Support Vector Machine: Support Vector Regression – SVR
• Neural Networks: Multilayer Perceptron - MLP
• Neural Networks: Recurrent Neural Network – RNN
and the respective results are presented and discussed in detail.
The advantage of having a model for determining the pressure distribution over the car floor with respect of having one single model to predict the single values of downforce (Clf, Clr) consists in the ability of obtaining a 3D description of the car aerodynamics, without reducing it to the sole definition of the downforce coefficients. A continuous distribution over the car floor will not be considered in this thesis since it would imply extrapolation and the consequent introduction of an error.
Models would need to be built for each of the car chassis used in the IndyCar competition according to the type of circuit where the racing event takes place:
• Road course RC configuration.
• Short oval SO configuration.
• Super Speedway SSW configuration.
However, this thesis is focused on the creation of downforce and Cp models from track data for only the RC car since only the track mapping data for this chassis were accessible to me for this study.
In any case, the exact same procedure described in this thesis for the RC car is valid in general for all the car chassis, and so it can be applied to generate the models for also the SO and SSW cars, provided good enough mapping data.
The advantages of having generated the models of this thesis using Track data with respect to Wind Tunnel ones are also discussed.
|
