Neue Fahrzeuge zu designen ist teuer und zeitaufwendig. Daher kommt es zwischen den Modell-Generationen in der Regel nur zu kleinen Veränderungen. Mit "DriverAerNet++" haben Forschende der Technischen Universität München (TUM) und des Massachusetts Institute of Technology (MIT) nun den grössten Open-Source-Datensatz für Autoaerodynamik entwickelt. Über 8.000 Modelle, die die gängigsten Fahrzeugtypen repräsentieren, sollen es laut Mitteilung ermöglichen, mithilfe von Künstlicher Intelligenz (KI) effizientere Designs zu entwerfen. Das Ziel seien kostengünstigere Entwicklungsprozesse, kraftstoffsparende Autos und Fortschritte bei Elektrofahrzeugen.
Automobilhersteller investieren oft mehrere Jahre in das Design eines Fahrzeugs. Dabei werden zunächst 3D-Modelle simuliert, bevor die vielversprechendsten Entwürfe im Windkanal getestet werden. Die Details und Spezifikationen dieser Tests, einschliesslich der Aerodynamik eines bestimmten Designs, werden in der Regel nicht veröffentlicht. Fortschritte in Bereichen wie Kraftstoffeffizienz oder Reichweite von Elektrofahrzeugen sind daher oft langsam und auf die jeweiligen Unternehmen beschränkt.
Als Ausgangspunkt für "DrivAerNet++" nutzten die Forschenden 3D-Modelle aus dem Jahr 2014, die von Audi und BMW bereitgestellt wurden und unterschiedliche Karosserieformen von Autos repräsentieren. Zusätzlich veränderten sie bei diesen Modellen 26 Parameter wie Länge, Unterbodenmerkmale und Windschutzscheibenneigung systematisch. Das Team führte ausserdem komplexe Strömungssimulationen durch, um zu berechnen, wie gross der Luftwiderstand der einzelnen generierten Autodesigns ist.
Die Forschenden verfolgen damit das Ziel, "DriverAerNet++" als Trainingsdatensatz für generative KI einzusetzen. So können riesige Datenmengen in Sekunden analysiert und neuartige Designs generiert werden. Zwar existieren solche Tools, doch die dafür erforderlichen Daten waren bisher nicht frei zugänglich.
Angela Dai, Professorin für 3D Artificial Intelligence an der TUM, sagt: "Unser Datensatz kann als umfangreiche Bibliothek genutzt werden, um mithilfe von KI-Modellen in kurzer Zeit neue Designs zu generieren, die zukünftig zu kraftstoffeffizienteren Autos oder Elektrofahrzeugen mit längerer Reichweite führen sollen."
Mohamed Elrefaie, Erstautor der Studie sagt: "Dieser Datensatz legt den Grundstein für die nächste Generation von KI-Anwendungen im Autobau, fördert effiziente Designprozesse, senkt Kosten in der Forschung und Entwicklung und treibt Fortschritte in Richtung einer nachhaltigeren Automobilzukunft voran."
https://www.tum.de/fileadmin/user_upload_87/ge24jux/car-aerodynamics.mp4
