Tim balap Jota Motorsport menggunakan AI pada simulatornya untuk memangkas waktu dan biaya pengaturan
Produsen besar dan kecil berdiri untuk mendapatkan keuntungan yang signifikan dari pengujian virtual komponen
Dikatakan bahwa rata-rata mobil terdiri dari sekitar 30.000 suku cadang, dan mesin-mesin masa kini tak terbantahkan serumit sebelumnya.
Orang dapat berargumen bahwa mobil listrik memiliki powertrain yang lebih sederhana, tetapi, dari kimia baterai hingga pendinginan motor dan aerodinamika canggih, tantangan yang mereka perkenalkan lebih terperinci dan sulit dijabarkan.
Di sinilah kecerdasan buatan (AI) berperan. Dengan memodelkan tes dalam detail yang menyiksa berkali-kali, pembelajaran mesin dapat memisahkan variabel dari kekacauan yang sebenarnya yaitu mobil yang sedang bergerak, di mana manusia akan berjuang untuk melakukannya.
Richard Ahlfeld, CEO perusahaan AI Monolith, menjelaskan: “Dalam pengalaman saya, jika saya memberi Anda lima titik data, Anda akan melihat tren dan algoritma AI tidak. Jika saya memberikan 50 poin data, itu akan menjadi jauh lebih sulit bagi Anda, jadi sudah ada sedikit nilai dalam alat pembelajaran mesin. Jika saya memberi Anda 1000 poin data, Anda akan benar-benar tersesat, karena Anda tidak dapat memikirkan 1000 hal pada saat yang bersamaan, tetapi algoritme pembelajaran mesin senang.”
BMW bermitra dengan Monolith pada 2019 untuk menguji apakah dapat mengidentifikasi variabel yang menentukan apakah tibia (tulang kaki bagian bawah) patah dalam kecelakaan mobil.
Secara tradisional, ini hampir tidak mungkin untuk diidentifikasi. “Jika Anda mengikuti tes tabrak di BMW, maka ini jelas sesuatu yang sangat kompleks: ada ribuan komponen yang menabrak dinding dengan kecepatan 60mph,” jelas Ahlfeld.
“Ada 1.100 sensor dengan sampling rate yang sangat tinggi. Jadi itu menciptakan sesuatu yang sangat kompleks, di mana barang-barang beterbangan – sejumlah besar data. Dan mereka terus melakukannya. Perusahaan seperti BMW melakukan ribuan tes tersebut per tahun. Ini menciptakan sesuatu yang rumit [and] sangat sulit untuk dipahami – sesuatu yang sangat sulit untuk dimodelkan [using traditional statistical methods].”
Tetapi dengan menjalankan data uji tabrak bersejarah melalui Monolith, massa dan kecepatan kendaraan yang bervariasi, BMW mampu lebih memahami tibia – dan titik di mana ia patah dalam kecelakaan – tanpa berinvestasi dalam lebih banyak pengujian di dunia nyata.
Kembali ke contoh elektrifikasi, Ahlfeld berkata: “Para ahli selalu senang mempelajari sesuatu yang baru. Mereka suka ketika mereka lebih memahami berapa lama baterai bertahan [and] ketika baterai tidak berfungsi seperti yang mereka inginkan, sehingga mereka dapat meningkatkan sesuatu.”
Tapi itu tidak berarti bahwa input insinyur benar-benar dihapus. Ahlfeld menjelaskan: “[The tech says] inilah datanya, saya telah memvisualisasikan kepada Anda apa yang menurut saya variabel penting itu, dan saya telah membuat prediksi untuk Anda apa yang akan terjadi jika Anda melakukan ini. Tetapi terserah kepada insinyur untuk benar-benar menelepon dan berkata: ‘Saya ingin melakukan ini, itu masuk akal bagi saya’.”
Dennis Clark, direktur pelaksana kemitraan usaha strategis di Honda Innovations, sebelumnya mengatakan kepada Automotive News: “Ini bukan tentang mengganti manusia; ini tentang melengkapi dan menambah aktivitas mereka, dan di situlah kami melihat, sebagai perusahaan, nilai AI. . Itu hampir memberi kita kekuatan super.”
Bukan hanya kedalaman pemahaman yang dapat ditingkatkan AI, tetapi juga kecepatan dan biaya untuk mencapainya.
Monolith mengklaim bahwa pekerjaannya dengan Honda – spesifikasi yang tidak dirinci – menghasilkan iterasi 83% lebih sedikit untuk desain akhir bagian, dibandingkan dengan metode teknik tradisional, menghemat waktu, uang, dan material secara substansial.
Mengingat bahwa tes tabrakan individu dapat menelan biaya antara £ 10.000 dan £ 1 juta (menurut makalah penelitian dari Konferensi Internasional ISPE ke-15 tentang Rekayasa Bersamaan), penggunaan AI menawarkan penghematan biaya dan waktu yang signifikan untuk pengembangan mobil baru.
Biaya untuk crash-testing dapat “dipotong hingga 80%”, menurut buku putih Monolith.
Karena ruang lingkup proyek berkurang, manfaat yang ditawarkan oleh AI dapat tumbuh secara signifikan.
Sejak tim balap Jota Motorsport memulai kemitraannya dengan Monolith, telah memangkas biaya terkait memasuki Le Mans 24 Jam sebesar 66%. Ini juga mengurangi separuh waktu yang diperlukan untuk menyiapkan mobilnya untuk setiap acara, ditambah jumlah simulasi yang diperlukan, karena peningkatan akurasi setiap simulasi seiring dengan pertumbuhan basis datanya.
Dan kemudahan pengumpulan data sekarang berarti bahwa penerapan AI tidak hanya terbatas pada perusahaan besar atau bersejarah dengan bank data besar.
Membahas kemitraan Monolith dengan perusahaan rintisan Inggris, Ox Delivers, pembuat Ox Truck yang digagas oleh Gordon Murray, Ahlfeld menjelaskan: “Jika Anda melihat cara data didistribusikan, 30 tahun yang lalu jumlahnya sangat sedikit tetapi sekarang [growing exponentially]. Banyak data baru masuk ke dalam pipeline setiap hari.
“Begitulah cara perusahaan baru [operate] adalah dengan mengumpulkan banyak informasi. Mereka akan menjalankan lebih banyak simulasi; mereka akan [use] lebih banyak sensor pada peralatan uji mereka.
“Jadi ketika kami melihat perusahaan baru seperti Ox Truck, mereka akan berkata: ‘Kami sudah memiliki prototipe tahap awal di mana kami mendapatkan data tentang berapa lama baterai bertahan dan kinerja kami; dapatkah kita segera menggunakannya untuk melakukan analisis guna meningkatkan kinerja baterai?”
Start-up juga dapat memanfaatkan perpustakaan data bersama. Misalnya, NASA, salah satu perusahaan Ahlfeld sebelumnya, menyumbangkan data terowongan angin. National Composite Center juga telah menyumbangkan data dari 5000 tes sifat serat karbon, sementara Kistler telah menyumbangkan data dinamika kendaraan untuk membantu perusahaan memodelkan kelelahan material dari waktu ke waktu.
“Kami mencoba membangun sedikit perpustakaan benchmark,” kata Ahlfeld. “Tapi pasti agak lambat prosesnya, karena tidak bisa hanya 100.000 [contributors]. Saya berharap saya melakukannya. ”
Mengoptimalkan desain dengan perangkat lunak
Perusahaan rintisan baterai Inggris Ionetic menawarkan metode alternatif dalam memanfaatkan daya komputasi untuk meningkatkan proses pengembangan bagi produsen khusus.
Alih-alih menggunakan AI, platform desain baterainya menerapkan algoritme pengoptimalan tradisional ke dimensi yang ditentukan pengguna, menjejalkan sebanyak mungkin kapasitas ke dalam volume yang ditetapkan.
Perangkat lunak Ionetic dilaporkan mendesain ulang paket baterai perusahaan konversi EV untuk meningkatkan kapasitasnya dari 40kWh menjadi 88kWh tanpa mengubah jejaknya.
Perusahaan juga berencana untuk menawarkan kapasitas produksinya sendiri mulai akhir 2023, yang diklaim akan memangkas biaya pengembangan untuk paket baterai yang dipesan lebih dahulu dari £40-80 juta menjadi £4-10 juta.
Ini akan memungkinkan beberapa orang untuk mengganti baterai Tesla Model 3 atau Nissan Leaf yang umum digunakan, membuat produk mereka lebih kompetitif dengan produk dari pabrikan besar.
James Eaton, CEO dan salah satu pendiri Ionetic, mengatakan kepada Autocar Business: “Saya benar-benar ingin melihat perusahaan-perusahaan ini berkembang di [the electric transition] dan tidak mati dalam perubahan ini.
“Saya pikir penting bagi kita untuk menemukan solusi yang lebih baik dari perspektif teknik, yang lebih murah dan benar-benar membuat kasus bisnis berhasil. Dan kami sangat termotivasi untuk mendukung produsen kendaraan khusus; kami sangat ingin melihat mereka berhasil.
“Pada dasarnya, [they] sering [make] proyek yang paling menarik atau yang paling penting bagi masyarakat: bus dan truk dan van pengiriman paket, semua hal yang membuat masyarakat beroperasi. Tetapi mereka juga membuat kendaraan yang paling menarik: mobil yang Anda pikirkan ketika Anda memikirkan pembuat mobil Inggris.”