Surrogate Model based NSGA-II for Suspension Optimization for Two-Wheelers

في كل مرة تصطدم فيها دراجة نارية بمطب، يشعر الراكب بذلك. إن نظام التعليق في الآلة هو الحاجز بين الطريق الوعر وجسم الإنسان، وهو مصمم لامتصاص صدمة التضاريس حتى يظل الراكب مرتاحاً ومسيطراً. لطالما عرف المهندسون أن إيجاد التوازن المثالي لهذه النوابض وممتصات الصدمات أمر صعب للغاية؛ إذ يجب أن يكون النظام ناعماً بما يكفي لتنعيم حفرة مزعجة، ولكنه صلب بما يكفي للحفاظ على استقرار الدراجة عند المنعطفات أو الكبح. فإذا كان نظام التعليق ناعماً جداً، ستتأرجح الدراجة بشكل لا يمكن السيطرة عليه؛ وإذا كان صلباً جداً، فستنتقل كل اهتزازة مباشرة إلى عمود الراكب الفقري. تقليدياً، كان إيجاد هذه "النقطة المثالية" عملية بطيئة ومكلفة تعتمد على التجربة والخطأ، وتتطلب آلاف عمليات المحاكاة الحاسوبية التي تستغرق ساعات لتشغيل فكرة واحدة فقط.

وقد طور باحث في شركة "ياتري موتورسايكلز" (Yatri Motorcycles) في كاتماندو، نيبال، طريقة جديدة لحل هذه المشكلة تتسم بأنها أسرع وأكثر دقة. فبدلاً من تشغيل تلك المحاكاة البطيئة والثقيلة لكل اختبار على حدة، قاموا ببناء اختصار رياضي. لقد أنشأوا نموذجاً رقمياً مبسطاً لنظام التعليق الأمامي والخلفي للدراجة النارية، حيث تعاملوا مع الدراجة كنظام "نصف سيارة" يلتقط كيفية تحرك العجلتين الأمامية والخلفية معاً. ثم استخدموا تقنية تسمى "النمذجة البديلة" (surrogate modeling)، وهي في الأساس تدريب برنامج حاسوبي ذكي لتعلم سلوك النظام الكامل والمعقد بناءً على مجموعة أصغر من البيانات. وبمجرد أن تعلم هذا البرنامج القواعد، أصبح بإمكانه التنبؤ بكيفية قيادة الدراجة بدقة تقارب الكمال، وفي جزء من الثانية، مما سمح للباحث باختبار آلاف التوليفات فورياً.

استخدم الباحث هذا النموذج التنبئي السريع لتشغيل خوارزمية بحث متطورة تُعرف باسم (NSGA-II). تعمل هذه الخوارضة مثل مستكشف لا يكل، حيث تبحث في ملايين الإعدادات الممكنة للنوابض والمخمدات الأمامية والخلفية لإيجاد أفضل المقايضات الممكنة. كان الهدف هو تقليل شيئين محددين في آن واحد: الحركة الرأسية المتذبذبة للراكب (heave) وحركة التأرجح (pitch) للدراجة. وغالباً ما يتضارب هذان الهدفان؛ فالتعديل الذي يوقف التذبذب قد يجعل التأرجح أسوأ، والعكس صحيح. وباستخدام نموذجهم البديل السريع، تمكن البạch من رسم خريطة كاملة لمساحات المقايضات هذه، وتحديد مجموعة محددة من المعايير التي توفر أفضل راحة إجمالية دون المساس بالسلامة.

كانت النتائج التي أسفر عنها هذا النهج مذهلة. ففي الإعداد التقليدي، كان اختبار آلاف التوليفات التي استكشفها الباحث سيتطلب أكثر من خمس ساعات من وقت الحوسبة المستمر. ولكن باستخدام نموذج الاختصار المدرب الخاص بهم، اكتمل العمل نفسه في أقل من دقيقة. لقد قللت الطريقة الجديدة إجمالي وقت الحوسبة بأكثر من أربع مرات مقارنة بالنهج القياسي. والأهم من ذلك، أن إعدادات التعليق المحددة التي اختارتها الخوارزمية كانت فعالة بالفعل. فعندما اختبر الباحث التكوين الفائز في المحاكاة الأصلية البطيئة وعالية الدقة، ثبت أنه يمثل تحسناً حقيقياً؛ حيث قلل الإعداد المُحسّن من التسارع الرأسي الذي يشعر به الراكب بنسبة 16 بالمائة، وحسّن قليلاً من استقرار حركة تأرجح الدراجة.

كما أكدت الدراسة أن هذه التحسينات لم تأتِ على حساب السلامة؛ فقد أبقت الإعدادات الجديدة الدراجة ضمن حدودها الفيزيائية، مما ضمن عدم وصول نظام التعليقة إلى أقصى مدى انضغاط أو تمدد، وحافظت على الارتفاع الصحيح للدراجة تحت الحمل الثقيل. وقد تحقق الباحث من صحة نتائج دراسته من خلال مقارنة تنبؤات نموذجه السريع مع نتائج المحاكاة التقليدية البطيئة، ووجد أن الاختصار كان دقيقاً بما يكفي للثقة به في التصميم الواقعي. يوضح هذا العمل أنه من خلال الجمع بين التدريب الذكي للبيانات وخوارزميات البحث القوية، يمكن للمهندسين ضبط الأنظمة الميكانيكية المعقدة بسرعة ودقة كانا مستحيلين في السابق، مما يؤدي إلى رحلة أكثر سلاسة وراحة لعشاق الدراجات ذات العجلتين.