F1赛车空气动力学与高性能计算技术解析

F1赛车空气动力学与高性能计算技术解析

当2022年一级方程式（F1）赛车赛季在3月启动时，各车队将带着全新设计的赛车亮相，这些赛车旨在为车迷和车手提供更多他们期待已久的并排竞速场面。

"任何关注这项运动的人都听过车手通过无线电抱怨无法接近前车，"F1首席空气动力学家Simon Dodman解释道，"本质上他们报告的是缺乏抓地力或下压力。"

F1赛车是世界上速度最快的受监管公路赛车。虽然这些开放式车轮汽车仅比顶级跑车快20至30公里/小时（或12至18英里/小时），但由于产生的强大空气动力学下压力，它们过弯速度可达跑车的五倍。就像飞机通过机翼产生升力一样，F1汽车使用类似机制（但是反向的）来产生所需的下压力。

当紧跟在另一辆车后比赛时，由于翼片和车身产生的湍流尾流，赛车会损失高达50%的下压力。前车产生的湍流导致后车打滑并失去对赛道的抓地力。后车车手比前车车手更早感知到抓地力损失，最终不得不松开油门。

"这种下压力的损失意味着即使世界上最好的车手也无法超越前车，"前F1工程师、现任某中心首席计算流体动力学专家Neil Ashton表示。

计算流体动力学的应用

在过去三年中，F1工程团队与某中心合作，探索赛车在近距离比赛时的相互作用科学，并最终制定新的设计规范，为车迷提供更具竞争力的比赛观赏体验，同时确保车手安全。

F1工程团队的任务是设计一种能产生更小尾流的赛车，同时保持下压力程度和峰值速度，且不会因驶过另一辆车的尾流而受到不利影响。

"没有人设计赛车是为了获得第二名，"F1首席技术官Pat Symonds指出，"但对于这个项目，我们关注的是赛车在另一辆车尾流中的表现，而不是在洁净空气中行驶。"

F1没有依赖耗时且昂贵的物理测试，而是使用计算流体动力学，这提供了一个研究流体流动（此处指F1汽车周围的空气）的虚拟环境，无需制造任何单个部件。通过数值求解纳维-斯托克斯方程的形式，像F1这样的公司可以从笔记本电脑上研究湍流的复杂性质。

高性能计算挑战

"F1赛车过弯涉及大量复杂物理现象，这带来了巨大的计算挑战，包含大量场景矩阵，"Ashton说，"这意味着F1需要访问非常大的高性能计算资源。"

该项目开始时，F1在第三方设施使用CFD，这意味着要与其他客户共享容量，从而限制了模拟的数量和质量。Dodman的团队最终过渡到某中心的高性能计算平台，使用AWS ParallelCluster和包括基于AWS Graviton2的C6gn实例的Amazon Elastic Compute Cloud实例组合，来运行模拟汽车湍流尾流及其对后车影响的复杂模拟。

"转移到某中心使我们能够摆脱串行模型，同时运行大量案例，而无需在其他客户后面排队，"Dodman说，"这意味着接收和分析结果并进入下一步之间的时间要短得多。我们能够简化很多流程。"

客户使用某中心进行CFD项目，设计从飞机到医疗设备的各种产品。虽然最强大的台式机约有64个处理核心，但F1工程师每次运行可访问超过2500个某中心核心 - 通常同时运行多个作业。

数据分析与设计优化

"我们很快意识到，取得进展的唯一方法是尽可能多地进行CFD模拟，"Dodman说，"通过使用某中心提供的巨大可扩展计算资源，我们能够进行更多次运行，并更快得出结论和解决方案。"

与某中心合作运行该项目消除了所有与时间和计算能力相关的障碍，将平均模拟运行时间从60小时减少到12小时。还将工作负载运行成本降低了30%，以一小部分预算提供超级计算机级别的性能。

F1原计划每周运行20或30次模拟，但使用某中心后能够增加到80至90次。"而且通过访问比[F1车队]团队更多的计算资源，我们能够运行双车模拟，以前所未有的方式研究这个问题，"Dodman补充道。

大规模数据成果

某中心使F1能够在六个月内运行超过5000次单車和多車模拟，产生5.5亿个数据点。这些见解促成了国际汽车联合会为下一代汽车制定的设计规范，在一车距离处仅损失15%的下压力。F1车队目前正在使用这些规定设计2022赛季的赛车。

新的稳健空气动力学特征包括车轮尾流控制装置；简化的前翼，将气流从前轮转移；更雕塑化的后翼，以有效地从侧面吸入空气并将其提升到跟随的汽车上方；简化的悬架；和地板下隧道。所有F1赛车将首次使用18英寸车轮（从13英寸升级）和低断面轮胎。

这将减少前车的湍流气流，增加后车的下压力，使其能够缩小差距并有可能超越领先者。

"新设计将汽车的尾流抬得更高，以便后车可以在其下方行驶而不是穿过它，"Dodman说，"我们相信车手将能够更紧密地比赛，有更多超车潜力。随着赛道上最快和最慢汽车之间的距离减小，我们看到不同车队每周获胜的机会更多。"

机器学习未来应用

F1在风洞中测试并验证了新设计。"他们发现模拟数据与测试之间的相关性非常好，这证明你可以在CFD中完成复杂、高保真的工程设计项目，"Ashton说。

F1现在开始研究使用某中心机器学习服务（如Amazon SageMaker）的过程，通过使用模拟数据构建具有额外洞察力的模型，帮助优化汽车的设计和性能。

"这仍处于早期阶段，"Ashton总结道，"但机器学习正被证明是与某中心合作的另一个令人信服的理由，我期待看到我们能共同实现什么。"
更多精彩内容 请关注我的个人公众号 公众号（办公AI智能小助手）或者 我的个人博客 https://blog.qife122.com/
对网络安全、黑客技术感兴趣的朋友可以关注我的安全公众号（网络安全技术点滴分享）

公众号二维码

公众号二维码