Mühendislik harikası Formula 1 araçlarının aerodinamik yapısını Medyascope Spor Servisi’nden Muhammed Kaya yazdı.
Formula 1’in matematiği: Aerodinamik modelleme
Formula 1’de veri analizi günden güne hızlanarak yayılıyor. Tasarımlar, optimizasyon çalışmaları, stratejiler ve çok daha fazlası verilerin ışığında ortaya çıkıyor. Özellikle Formula 1 ve AWS işbirliği ile ortaya çıkan teknolojik çalışmalar Formula 1’in matematiğini anlamamıza yardımcı olacak.
Regülasyon çalışmaları
Formula 1 araçları dünya üzerindeki en hızlı yol araçlarındandır. Bu açık tekerlekli araçlar, en hızlı spor otomobillerinden yalnızca 30-40 km daha hızlı olsa da, aerodinamik yapıları nedeniyle en hızlı virajları dahi bu otomobillerden 5-6 kat daha hızlı dönebilirler. Yere Basma Kuvveti, bildiğiniz gibi aracı yola doğru bastıran ve lastiklerin yol tutuşunu arttıran aerodinamik parçalar tarafından oluşturulan dikey kuvvetlerdir.
Formula 1’de tasarımcılar hava direncini de hesaba katarak çalışma yaparlar, ana kriter de budur aslında. Teknik düzenlemeler (regülasyonlar) ışığında yeni nesil F1 araçlarını oluşturmak zorunda olan tasarımcılar son üç yılda değişen yere basma durumları ile karşı karşıya kaldı.
Son yıllarda F1 yönetiminin “geçişleri kolaylaştırma” mottosu ile başlattığı yeni aerodinamik kurallar bambaşka bir araç tasarımı yapılmasına neden oldu. 2022 Teknik Regülasyonları öncesinde öndeki aracı takip eden araç, öndeki aracın yarattığı kirli hava nedeni ile %50’ye yakın yere basma kuvveti kaybı yaşıyordu. Bu durum da takibin akabindeki geçişleri zorlaştırıyordu.
Formula 1’in ilk dönemlerinden bugüne kadar birçok aerodinamik modelleme çalışmaları yapıldı. Zaman alan pist testleri ve aşırı maliyetli-sınırlı rüzgâr tüneli testleri yerine son birkaç yıldır AWS ile iş birliği yapan Formula 1’de, Hesaplamalı Akışkanlar Dinamiği (CFD) üzerinde çalışmalar yapılıyor. CFD sayesinde aerodinamik çalışmalar yapan tasarımcılar parçaların farklı geometrik yapılarının araca nasıl etki ettiği anında görebiliyor. Özellikle son üç yılda hem verim, hem de zaman açısından CFD çalışmaları oldukça iyi ilerliyor.
F1, ek iç görülere sahip modeller oluşturmak için CFD simülasyon verilerini kullanarak aracın tasarımını ve performansını optimize etmeye yardımcı olmak için Amazon SageMaker gibi AWS’nin makine öğrenimi (ML) hizmetlerini de ufak ufak kullanmaya başladı.
Medyascope'un haftalık e-bülteni
Andaç'a abone olun
Editörlerimizin derlediği öngörüler, analizler, Türkiye’yi ve dünyayı şekillendiren haberler, Medyascope’un e-bülteni Andaç‘la her çarşamba mail kutunuzda.
Parça Tasarımı Süreci
Yeni aerodinamik kavramları keşfederken, F1 aerodinamik tasarım ekipleri kimi zaman Deney Tasarımı (DoE) adı verilen bir süreç akışı kullanırlar. Bu süreç sistematik olarak birden çok faktör arasındaki ilişkiyi inceler. Arka kanat tasarımı örneği verirsek eğer, yere basma kuvveti veya sürükleme gibi aerodinamik ölçülere göre kanat kirişi, açıklığı veya kamber bu faktörlerden birkaçı olabilir.
Bir DoE sürecinin amacı, tasarım alanını verimli bir şekilde örneklemek ve optimal bir sonuca yakınsamadan önce test edilen aday parça sayısını en aza indirmektir. Bu, çoklu tasarım faktörlerini yinelemeli olarak değiştirerek ve aerodinamik tepkiyi ölçerek faktörler arasındaki etkiyi ve ilişkiyi inceler.
Yukarıda belirttiğim gibi Formula 1 tasarımcılarının girdiği veriler ile planlanan açıklıkların/pozisyonların değişmesi sağlanmıştır. Bu çalışmada geleneksel DoE yöntemleri, tasarım parametreleri arasındaki ilişkiyi doğru anlamak için çok sayıda CFD simülasyonuna dayanır. Makine Öğrenimi (ML) tasarım modelleri, tasarım parametreleri kümesi verilen aerodinamik yanıtı tahmin etmek için önceki CFD simülasyonlarından elde edilen sonuçları da kullanabilir ve ayrıca her tasarım değişkeninin göreli öneminin bir matematiksel göstergesini verebilecek yapıdadır.
Bu öngörüler, optimum tasarımları tahmin etmek ve tasarımcıların daha az sayıda önceden belirlenmiş CFD simülasyonu ile optimum çözümlere yakınlaşmasına yardımcı olmak için kullanılır. Diğer taraftan, tasarım alanındaki hangi bölgelerin keşfedilmediğini anlamak için veri bilimi tekniklerini kullanılır ve kullanılacak potansiyeldeki optimal tasarımlar gizlenebilir.
Tasarım Süreci
Tasarım sürecini bir örnek ile ele alırsak. Yere basma kuvvetleri için ön ve arka kanat tasarımları üzerinde çokça durulur. Bir ön kanat tasarımında, Cz denilen yere basma kuvvetini doğru şekilde bulmak için aşağıdaki parametrelerin girilmesi gerekir:
- Minimum Yerden Yükseklik (MYY)
- Ön Kenar Yüksekliği (ÖKY)
- Ön Kenar Açısı (ÖKA)
- Arka Kenar Açısı (AKA)
- Arka Kenar Yüksekliği (AKY)
Bu parametreler, geometrinin ana yönlerini verimli bir şekilde tanımlamaya yeterli oldukları ve geçmişte aerodinamik performansın bu parametrelere göre kayda değer bir hassasiyet gösterdiği için seçilmiştir. DoE akışının amacı, aerodinamik yere basma kuvvetini maksimize edecek beş tasarım parametresinin kombinasyonunu bulmak. Tasarım özgürlüğü, tasarım parametrelerine maksimum ve minimum değerler ayarlanarak da sınırlandırılır.
Tasarım parametrelerini, hedef çıktıyı ve tasarım alanımızın sınırlarını belirledikten sonra DoE sürecine başlamak için ihtiyaç olan her şey tamamlanır. İş akış şemasını da aşağıda sunuyorum, bir aerodinamik parçanın tasarımı bu şekilde oluşturulur.
Çıktılar
CFD simülasyonundan normal değere oturtulmuş yere basma kuvvetini ve DoE iş akış sürecinin her yinelemesi için ML verisinin seçeceği modelin verileri her süreçte kaydedilir. Burada amaç, aerodinamik yere basma kuvvetini en yüksek ve en uygun değerde aerodinamik parçaya uyarlamaktır.
İlk dört yineleme (kırmızı çizginin solunda), temel ve daha önce ana hatlarıyla belirtilen üç yoğun veri içeren girdi adayıydı. O andan itibaren, performans ve keşif odaklı aerodinamik parça adayların bir kombinasyonu test edildi. Özellikle, 6. ve 8. yinelemelerdeki adaylar, her ikisi de temel adaydan (1. deneme) daha düşük yere basma kuvveti seviyeleri gösteren keşif adaylarıydı.
Beklendiği gibi, daha fazla aday kaydettikçe, tahmin edilen ve gerçek yere basma arasındaki azalan mesafe ile gösterildiği gibi, ML tahmini giderek daha doğru hale geldi. DoE, 9. denemede iş akışı taban çizgisine benzer bir performansa sahip bir aerodinamik parça adayı bulmayı başardı. Ve son denemede, performansa dayalı aday taban çizgisini aştığında DoE iş akışı sonuçlandırıldı.
Tahmine dayalı bir modelleme için göreceli bir özelliğin önemini anlamak, verilere ilişkin yararlı bir iç görü sağlayabilir. Daha az önemli değişkenlerin kaldırılmasıyla özellik seçimine yardımcı olabilir, böylece sorunun dağınık ölçeğini azaltır ve özellikle küçük veri rejiminde yenileme modelinin tahmin gücünü potansiyel olarak iyileştirir.
Bu tasarım süreci, Formula 1 aerodinamik tasarımcılarına hangi değişkenlerin hassas olduğu ve bu nedenle hangi verilere daha dikkatli ayarlama gerektirdiği konusunda bir fikir veriyor. Tüm bunlar işin matematiği ve bilgisayar üzeri parametreleri ancak doğru sonuç için her zaman pist performansının da görülmesi gerekiyor. Pistte iyi işler yapamayan “doğru çıktı” pek de işlevsel olmuyor ancak CFD ve ML bu yakınsamayı doğru yapıyor gibi duruyor.
Yazan: Muhammed Kaya
Editör: Doğa Üründül
