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

Cada vez que una motocicleta golpea un bache, el conductor lo siente. El sistema de suspensión de la máquina es la barrera entre el camino accidentado y el cuerpo humano, diseñado para absorber el impacto del terreno para que el conductor permanezca cómodo y bajo control. Los ingenieros saben desde hace tiempo que encontrar el equilibrio perfecto para estos resortes y amortiguadores es increíblemente difícil. El sistema debe ser lo suficientemente suave como para suavizar un bache brusco, pero lo suficientemente rígido como para mantener la moto estable al girar o frenar. Si la suspensión es demasiado blanda, la moto rebota de forma incontrolada; si es demasiado rígida, cada vibración viaja directamente a la columna vertebral del conductor. Tradicionalmente, encontrar este punto ideal ha sido un proceso lento y costoso de prueba y error, que requiere miles de simulaciones por computadora que tardan horas en ejecutarse solo para probar una sola idea.

Un investigador de Yatri Motorcycles en Katmandú, Nepal, ha desarrollado una nueva forma de resolver este problema que es tanto más rápida como más precisa. En lugar de ejecutar esas simulaciones lentas y pesadas para cada prueba individual, construyeron un atajo matemático. Crearon un modelo digital simplificado de la suspensión delantera y trasera de una motocicleta, tratando la moto como un sistema de "medio coche" que captura cómo se mueven las ruedas delanteras y traseras en conjunto. Luego utilizaron una técnica llamada modelado sustituto (surrogate modeling), que consiste esencialmente en entrenar a un programa informático inteligente para que aprenda el comportamiento del sistema completo y complejo basándose en un conjunto de datos más pequeño. Una vez que este programa aprendió las reglas, pudo predecir cómo se conduciría la moto con una precisión casi perfecta en una fracción de segundo, permitiendo al investigador probar miles de combinaciones instantáneamente.

El investigador utilizó este modelo predictivo rápido para ejecutar un sofisticado algoritmo de búsqueda conocido como NSGA-II. Este algoritmo actúa como un explorador incansable, examinando millones de posibles configuraciones para los resortes y amortiguadores delanteros y traseros para encontrar los mejores compromisos posibles. El objetivo era minimizar dos cosas específicas a la vez: el rebote vertical del conductor (heave) y el movimiento de balanceo de la moto (pitch). Estos dos objetivos a menudo luchan entre sí; una configuración que detiene el rebote puede empeorar el balanceo, y viceversa. Al utilizar su rápido modelo sustituto, el investigador pudo mapear un panorama completo de estos compromisos, identificando un conjunto específico de parámetros que ofrecía la mejor comodidad general sin comprometer la seguridad.

Los resultados de este enfoque fueron sorprendentes. En una configuración tradicional, probar las miles de combinaciones que el investigador exploró habría requerido más de cinco horas de tiempo continuo de computación. Al utilizar su modelo de atajo entrenado, el mismo trabajo se completó en menos de un minuto. El nuevo método redujo el tiempo de computación total en más de cuatro veces en comparación con el enfoque estándar. Más importante aún, las configuraciones de suspensión específicas que seleccionó el algoritmo realmente funcionaron. Cuando el investigador tomó la configuración ganadora y la probó en la simulación original, lenta y de alta fidelidad, demostró ser una mejora genuina. La configuración optimizada redujo la aceleración vertical sentida por el conductor en un 16 por ciento y mejoró ligeramente la estabilidad del movimiento de balanceo de la moto.

El estudio también confirmó que estas mejoras no se produjeron a costa de la seguridad. Las nuevas configuraciones mantuvieron la moto dentro de sus límites físicos, asegurando que la suspensión no llegara al tope ni se estirara demasiado, y mantuvieron la altura correcta de la moto bajo una carga pesada. El investigador validó sus hallazgos comparando las predicciones de su modelo rápido con los resultados de las simulaciones tradicionales más lentas, encontrando que el atajo era lo suficientemente preciso como para confiar en él para el diseño en el mundo real. Este trabajo demuestra que, al combinar el entrenamiento inteligente de datos con potentes algoritmos de búsqueda, los ingenieros pueden ajustar sistemas mecánicos complejos con una velocidad y precisión que antes eran imposibles, lo que conduce a un viaje más suave y cómodo para los entusiastas de las dos ruedas.