BUP47 - STRIKE-FS

Systemanalyse und -optimierung von Fahrzeugen mit Künstlicher Intelligenz am Beispiel eines Rennwagens der Formula Student

Um bei der rasanten Enwicklung im Bereich von Mobilitäts- und Produktionstechnologien wettbewerbsfähig zu bleiben, müssen effiziente und innovative Ansätze in der Systemanalyse und -optimierung entwickelt werden. Das V-Modell des Model-Based Systems Engineering (MBSE) unterstützt mit seiner multidisziplinären Ausrichtung sowie speziellen Methoden der Validierung und Verifikation die Entwicklung komplexer Systeme. Trotz dieser Fortschritte gibt es Lücken in der Verständlichkeit der Systemanalyse, die mithilfe eines Large Language Models (LLM) geschlossen werden sollen.

Dazu werden durch ein maschinell ausführbares V-Modell digitale Modelle eines Formula-Student-Rennwagens automatisiert generiert. Die wissenschaftliche Herausforderung des Projekts besteht darin, die in diesen maschinell generierten Informationsdarstellungen implizit codierten Kopplungen mittels eines LLMs zu erklären, um damit den Menschen in der Systemanalyse optimal zu unterstützen.

 

Ziel

Das Ziel des Projekts ist es, ein lernfähiges Sprachmodell in Entwurfssprachen zu integrieren. Dieses Modell soll in der Lage sein, wesentliche Einflussfaktoren im Designprozess (Design Driver) zu identifizieren und in unterstützende (Protagonisten) und hemmende (Antagonisten) Faktoren zu klassifizieren.

Darüber hinaus soll das Modell natürlichsprachliche Anfragen in formale Darstellungen umwandeln und passende Informationsmaße als Bewertungsmetrik identifizieren. Ein Beispiel hierfür wäre: "Wie beeinflusst eine Materialänderung der Querlenker die Konstruktion und welchen Einfluss hat dies auf Gesamtfahrzeugebene?" Das Modell soll diese Frage verstehen und die technisch notwendigen Änderungen definieren. Entsprechende Informationsmaße als Bewertungsmetrik können hierbei die Fahrzeugmasse und der Luftwiderstand sein sowie der damit verbundene Einfluss auf den Verbrauch und die Rundenzeit.

 

Vorgehen

 

  • Integration eines lernfähigen Sprachmodells (LLM) in Entwurfssprachen
  • Identifikation von Design Drivern und Klassifizierung in Protagonisten und Antagonisten
  • Beantwortung natürlichsprachlicher Anfragen zu formalen Darstellungen wie Klassendiagrammen und Aktivitätsdiagrammen
  • Identifizierung geeigneter Informationsmaße als Bewertungsmetrik für die Outputs

 

Nutzen

Die Integration eines lernfähigen Sprachmodells in Entwurfssprachen bietet den späteren Anwendern die Möglichkeit, Design Driver effizient zu identifizieren und zu klassifizieren. Durch die Fähigkeit des Modells, auf natürlichsprachliche Anfragen zu reagieren, können komplexe formale Darstellungen leichter verstanden werden, was zu einer verbesserten Kommunikation und effektiveren Entscheidungsfindung führt. Der Einsatz geeigneter Informationsmaße als Bewertungsmetrik ermöglicht eine präzise Bewertung der Outputs, was letztendlich zu einer höheren Qualität und Effizienz in der Entwurfsarbeit führt.

 

Weiterführende Informationen

© Formula Student Team Weingarten

Eckdaten

Forschungsfeld

Mobility Technologies

Projektlaufzeit

01.10.2024 bis 31.12.2024

Projektbeteiligte

Kontakt

Marcel Nöller

Forschungsfeldkoordinator "Mobility Technologies"

Telefon
+49 721 608 45636
E-Mail
fk@icm-bw.de