Un grand ensemble de données pour former des modèles d’apprentissage automatique pour la conception de véhicules aériens

La conception d’avions fiables peut être à la fois difficile et chronophage, car elle implique souvent plusieurs étapes et analyses. Les modèles d’apprentissage en profondeur pourraient potentiellement aider à accélérer la conception et le déploiement des avions, aidant les développeurs à identifier les solutions les plus prometteuses ou les défauts potentiels d’un avion spécifique.

Pour former ces modèles, les chercheurs auraient besoin d’ensembles de données complets contenant un large éventail de conceptions de véhicules aériens. Cependant, ces ensembles de données peuvent être difficiles à compiler, car de nombreuses conceptions sont protégées par des contrats propriétaires ou difficiles à trouver.

Des chercheurs de SRI International, du Southwest Research Institute et de l’Université Vanderbilt ont récemment créé AircraftVerse, un ensemble de données à grande échelle contenant des milliers de conceptions d’avions de complexité variable. Leur ensemble de données, présenté dans un article prépublié sur arXiv pourrait être utilisé pour former l’apprentissage automatique afin d’aider les concepteurs de véhicules aériens.

« La conception d’aéronefs englobe différents domaines physiques et, par conséquent, de multiples modalités de représentation », ont écrit Adam D. Cobb, Anirban Roy et leurs collègues dans leur article. « L’évaluation de ces conceptions de systèmes cyber-physiques (CPS) nécessite l’utilisation de modèles scientifiques d’analyse et de simulation allant d’outils de conception assistée par ordinateur pour l’analyse structurelle et de fabrication, d’outils informatiques de dynamique des fluides pour le calcul de la traînée et de la portance, de modèles de batterie pour l’estimation de l’énergie, et des modèles de simulation pour le contrôle de vol et la dynamique. »

La plupart des ensembles de données existants pour former l’apprentissage automatique à la conception assistée par ordinateur (CAO), tels que les ensembles de données SketchGraphs, DeepCAD et ABC, contiennent principalement des données relatives à des pièces mécaniques individuelles. L’ensemble de données introduit par Cobb, Roy et leurs collègues, d’autre part, contient des conceptions d’avions à part entière qui combinent plusieurs composants, tels que des hélices, des ailes, des moteurs, des batteries, etc.

« AircraftVerse contient 27 714 conceptions diverses de véhicules aériens, le plus grand corpus de conceptions techniques avec ce niveau de complexité », ont expliqué Cobb, Roy et leurs collègues dans leur article.

« Chaque conception comprend les artefacts suivants : un arbre de conception symbolique décrivant la topologie, le sous-système de propulsion, le sous-système de batterie et d’autres détails de conception ; une norme pour l’échange de données de modèle de produit (STEP) ; une conception CAO 3D utilisant un fichier de stéréolithographie (STL) format ; un nuage de points 3D pour la forme de la conception ; et les résultats d’évaluation de modèles physiques de pointe haute fidélité qui caractérisent les paramètres de performance tels que la distance de vol maximale et le temps de vol stationnaire. »

Les conceptions incluses dans l’ensemble de données AircraftVerse ont été créées à l’aide d’une approche basée sur l’apprentissage en profondeur, basée sur des règles générales fournies par des concepteurs d’avions experts. Les chercheurs ont exécuté les versions finales de ces conceptions à l’aide de modèles d’ingénierie qui ont produit des métadonnées résumant chacune de leurs caractéristiques et performances uniques.

« Nous présentons également des modèles de substitution de base qui utilisent différentes modalités de représentation de conception pour prédire les métriques de performance de conception, que nous fournissons dans le cadre de la publication de notre ensemble de données », ont écrit Cobb, Roy et leurs collègues. « Enfin, nous discutons de l’impact potentiel de cet ensemble de données sur l’utilisation de l’apprentissage dans la conception des aéronefs et, plus généralement, dans les CPS. »

Le nouvel ensemble de données créé par cette équipe de chercheurs est désormais accessible au public en ligne, ainsi que ses modèles de base et son code sous-jacent. Cela signifie qu’il pourrait bientôt être utilisé par les concepteurs et les développeurs du monde entier, les aidant à concevoir et à évaluer les performances de nouveaux véhicules aériens.