Suchen

Maschinelles Lernen Stromlinien in Echtzeit simulieren

| Redakteur: Katharina Juschkat

Um Strömungsfelder von 3D-Objekten zu berechnen, benötigt es bisher mehrere Stunden. Jetzt gelang es Wissenschaftlern, mithilfe von maschinellem Lernen die aerodynamische Eigenschaften in Echtzeit zu testen.

Firmen zum Thema

Die neue Software zeigt innerhalb von Sekundenbruchteilen die Stromlinien und den Druck an den Oberflächen von interaktiv deformierbaren Objekten.
Die neue Software zeigt innerhalb von Sekundenbruchteilen die Stromlinien und den Druck an den Oberflächen von interaktiv deformierbaren Objekten.
(Bild: Nobuyuki Umetani)

Es dauert normalerweise mehrere Stunden oder einen ganzen Tag, um die aerodynamischen Eigenschaften eines neu gestalteten Autos, Flugzeugs oder anderen Objekts zu testen, da der Computer normalerweise ein komplexes System an Gleichungen lösen muss, um den Luftstrom um das Modell zu berechnen.

Jetzt hat der Wissenschaftler Nobuyuki Umetani von Autodesk Research (jetzt an der Universität Tokio) und Bernd Bickel vom Institute of Science and Technology Austria (IST Austria) diesen Prozess deutlich beschleunigt, sodass Stromlinien und Druckfeld nun in Echtzeit verfügbar sind. Ihre Methode verwendet erstmals maschinelles Lernen zur Modellierung der Strömung um kontinuierlich editierbare 3D-Objekte.

Die Idee kam in einer Diskussion

Maschinelles Lernen kann extrem zeitaufwendige Berechnungen deutlich beschleunigen. Bisher dauerte die Berechnung der aerodynamischen Eigenschaften von Autos einen kompletten Tag. „Durch maschinelles Lernen können wir das Strömungsfeld in Sekundenbruchteilen vorhersagen“, erklärt Nobuyuki Umetani. Die Idee, maschinelles Lernen zu nutzen, entstand in einer Diskussion zwischen den beiden Wissenschaftlern, die seit Jahren zusammenarbeiten. „Wir beide teilen die Vision, Simulationen schneller zu machen„, erklärt Bickel. „Wir wollen, dass Menschen interaktiv Objekte entwerfen können, daher arbeiten wir zusammen, um datengetriebene Methoden zu entwickeln.“

3D-Objekte haben große Anforderung an maschinelles Lernen

Wegen der strengen Anforderungen des maschinellen Lernens war es bisher extrem schwierig, die Methode auf die Modellierung von Strömungsfeldern anzuwenden. Für maschinelles Lernen müssen sowohl die Eingabe- als auch die Ausgabedaten strukturiert sein. Dies funktioniert gut für zweidimensionale Bilder, die durch eine regelmäßige Anordnung von Pixeln leicht dargestellt werden können. Wird jedoch ein 3D-Objekt durch kleine Einheiten dargestellt wird, wie zum Beispiel durch ein Netz aus Dreiecken, kann sich die Anordnung dieser Einheiten ändern, wenn sich eine Form ändert. Zwei sehr ähnliche Objekte könnten daher für einen Computer sehr unterschiedlich aussehen, wenn sie durch ein anderes Netz repräsentiert werden. Die Maschine wäre dann nicht in der Lage, gewonnene Information über die eine Form auf die andere zu übertragen.

SEMINARTIPP Mit dem Online-Kurs „Machine Learning – wie lernt die Maschine?“ tauchen Sie tiefer in die Methodik ein. Professor van der Smagt – Leiter Artificial Intelligence bei Volkswagen – erläutert Teilnehmern in zwei Stunden die wichtigsten Konzepte des Machine Learnings konzentriert und verdichtet.
Weitere Informationen

Polycubes lösen das Problem mit hoher Genauigkeit

Die Lösung kam durch Nobuyuki Umetanis Idee, sogenannte Polycubes zu verwenden, um die Formen für maschinelles Lernen handhabbar zu machen. Dieser Ansatz - ursprünglich entwickelt, um Objekte in Computeranimationen mit Texturen zu versehen - verwendet strenge Regeln bei der Darstellung von Objekten. Ein Modell wird erst durch eine kleine Anzahl großer Würfel dargestellt. Diese werden dann verfeinert und nach einem genau definierten Verfahren in kleinere unterteilt. Auf diese Weise dargestellt, haben Objekte mit ähnlichen Formen auch ähnliche Datenstrukturen, die von maschinellen Lernmethoden ausgewertet und verglichen werden kann.

Die Forscher konnten in ihrer Studie auch zeigen, dass ihre Methode eine beeindruckende Genauigkeit erreicht, was beim Design neuer Autos eine wichtige Voraussetzung ist. Nobuyuki Umetani erklärt: „Wenn Simulationen auf klassische Weise durchgeführt werden, werden die Ergebnisse für jede getestete Form nach der Berechnung schließlich verworfen. Dies bedeutet, dass jede neue Berechnung von Grund auf neu gestartet wird. Beim maschinellen Lernen nutzen wir die Daten früherer Berechnungen. So steigt die Genauigkeit, wenn wir die Berechnung wiederholen.“

Die Methode der Wissenschaftler wurde auf der renommierten SIGGRAPH-Konferenz vorgestellt. Die Originalpublikation kann hier gelesen werden.

Dieser Beitrag ist urheberrechtlich geschützt. Sie wollen ihn für Ihre Zwecke verwenden? Kontaktieren Sie uns über: support.vogel.de (ID: 45467554)