Mercedes en pole position de la simulation

Actuellement en deuxième position du classement des constructeurs au championnat du monde de Formule 1, Mercedes-AMG Petronas fait partie des écuries favorites, elle qui enchaîne les victoires depuis 2014. Un succès qu’elle doit, bien sûr, à ses pilotes, Lewis Hamilton et Valtteri Bottas. Mais pas seulement. Elle peut aussi compter sur ses équipes techniques qui ont développé, au fil des compétitions, des capacités de simulation et d’analyse des données hors pair afin de repousser les limites de ses monoplaces.

Discipline reine des sports mécaniques, la F1 est en effet soumise à des règles très strictes concernant la puissance du moteur, la taille et le poids des voitures, la configuration des carrosseries, mais aussi le nombre d’essais sur piste ou le temps de préparation… Face à ces nombreuses contraintes, les constructeurs n’ont pas d’autre choix que de faire appel aux technologies numériques pour concevoir et optimiser leurs voitures. Ils ont ainsi recours à des simulateurs de conduite – Mercedes en possède trois –, mais aussi à la mécanique des fluides numérique (computational fluid dynamics) et aux tests d’aérodynamique en soufflerie sur des modèles réduits.

Tous les résultats obtenus à l’aide de ces outils sont corrélés aux données issues des courses et des essais sur piste. Les performances réelles de chaque version de la voiture sont comparées aux performances des simulations.

Des doubles numériques, mais pas des jumeaux

« Nous avons des modèles numériques vivants, explique Geoff Willis, le directeur de la technologie chez Mercedes-AMG Petronas. Certains sont simplement alimentés par les données issues des interactions avec le monde réel, comme les kilomètres parcourus, le poids ou les cycles de fonctionnement. Nous les associons aux données liées aux pièces critiques pour savoir dans quelle voiture ces pièces ont été, pendant quelle course, si elles ont connu des surcharges. Bref, tout ce qui peut nous intéresser. Nous avons également des modèles plus intelligents pour les unités de puissance et les boîtes de vitesses. Ils sont mis à jour en fonction de l’usage auquel sont soumis ces composants. Cela nous permet de connaître en temps réel leur niveau d’usure. Ce sont de vrais doubles numériques. »

Des doubles numériques de chaque pièce de la voiture, mais pas de jumeau numérique de la voiture à proprement parler. « Nous disposons des composants et des technologies nécessaires pour en créer un, mais pour l’instant, nous procédons par spécialité, détaille le directeur de la technologie. Ce sont nos besoins qui motivent nos décisions, et s’il devient nécessaire de créer un jumeau numérique, nous le ferons. » Cela ne sera pas aisé. « La voiture en elle-même est une structure dynamique. Prenons nos châssis par exemple : nous n’en avons que cinq, mais ils sont fabriqués avec d’autres composants, les commandes de pilotage, les boîtes de vitesses… Ces éléments-là changent très souvent. Il est donc difficile de n’avoir qu’un jumeau numérique. »

Aérodynamique et pneumatiques, des défis pour la simulation

La simulation est aujourd’hui très proche des conditions réelles. Mais il existe deux domaines de la F1 où des écarts persistent : l’aérodynamique et les pneumatiques. Pour le premier, « nous avons trois sources d’information : les modèles réduits utilisés dans les souffleries, la mécanique des fluides numérique et les données collectées lors des essais en conditions réelles », commente Geoff Willis. La soufflerie permet de réaliser des mesures très précises à partir d’un modèle, mais dans des conditions particulières : le vent souffle de façon continue et à un angle prédéfini. En revanche, les essais sur piste produisent des informations en conditions réelles, mais qui ne peuvent pas être mesurées précisément et sont sujettes à de nombreuses variables. Enfin, la mécanique des fluides numérique est très précise, mais limitée par la taille du problème à résoudre, ce qui contraint les ingénieurs à faire des approximations dans la physique de la simulation.

Les pneumatiques, quant à eux, nécessitent des modèles thermodynamiques très sophistiqués, qui doivent prendre en compte la voiture, le type de gomme, les variations de température dans le pneu, l’interaction avec la piste, qui est à la fois mécanique et chimique. « Nous sommes capables d’en prédire une grande partie, hormis les détails les plus fins de l’interaction entre le caoutchouc et le macadam, détaille Geoff Willis. Nous utilisons les essais sur piste pour combler les variables inconnues de notre modèle. Dès que nous déterminons, pour un jour donné, les caractéristiques de la piste et les conditions météorologiques, nous pouvons réaliser des prédictions très précises, avec une marge d’erreur de quelques pourcents. »

Les pilotes fournissent également aux équipes techniques de précieux retours lors de leurs entraînements sur les simulateurs de conduite. Ils indiquent notamment si le modèle reflète bien les sensations de conduite de la voiture ou non. « Nous sommes plutôt confiants. Nos prédictions sont correctes à 95-99 %. La marge d’erreur sur le temps nécessaire pour effectuer un tour de piste est de 0,5 % », estime le directeur de la technologie.

Mieux exploiter les données

Toutefois, récolter le maximum de données ne suffit pas, encore faut-il savoir les exploiter. Depuis 2017, Mercedes a consacré d’importants efforts à l’amélioration de sa gestion des données et de ses capacités d’analyse. « Dans la F1, nous n’avons pas de big data comme Google ou Amazon, c’est-à-dire de grandes quantités de données transactionnelles, mais nous avons des masses de données dans des domaines spécifiques », souligne Geoff Willis.

Pour mieux tirer profit de ces informations, le constructeur a noué un partenariat avec l’éditeur américain Tibco et s’appuie sur sa plate-forme Spotfire. Elle permet de visualiser facilement de très grandes quantités de données, avec de nombreuses dimensions. Des capacités de dataviz très utiles pour repérer les anomalies et accélérer la prise de décision. « Ainsi, en 2019, lors du Grand Prix de Hongrie, nous avons choisi de changer les pneus, alors que nous avions vingt secondes de retard. Nous avons réussi à arracher la pole position deux tours avant la fin, car les pneus de l’adversaire étaient endommagés. L’analyse de données permet de prévoir l’imprévisible », ajoute le directeur de la technologie.

Mesures lors des essais et en soufflerie

L’écurie mène également des projets autour des données provenant directement de la voiture et de la soufflerie. Car certaines variables, comme la façon dont les pneumatiques interagissent avec la piste, ne peuvent pas être anticipées et impliquent d’actualiser le modèle après les essais. De nombreuses données que les ingénieurs doivent intégrer en quelques heures, dans la nuit du samedi au dimanche. L’équipe effectue des modifications sur la voiture jusqu’à la veille du départ. Il ne s’agit pas de changements majeurs. Ils concernent les amortisseurs, la configuration des ailerons, la garde au sol…

« Nous n’en faisons pas beaucoup, car nous n’avons droit qu’à deux sessions d’une heure et demie. Nous n’avons le temps que pour deux expériences au maximum, donc nous comptons beaucoup sur les simulations et sur les hypothèses que nous élaborons à l’avance », explique le directeur de la technologie. Les constructeurs ne peuvent pas changer de pièces pendant une course, à l’exception des ailerons avant, lorsque cela est nécessaire, par exemple à la tombée de la nuit si la température baisse ou en cas de pluie. Mais les données permettent d’apporter aux pilotes un retour sur leur façon de conduire la voiture. « C’est l’un des aspects les plus importants. Cela les aide à analyser quelle caractéristique de leur conduite génère la chaleur du pneu. Lewis Hamilton est très fort en la matière. »

Le développement de la voiture se poursuit entre chaque course. Il s’agit aussi bien de régler des problèmes que d’obtenir de meilleures performances. Les concepteurs formulent de nouvelles idées, mettent au point des pièces, puis les testent en soufflerie (cela représente un cycle de quatre semaines). Finalement, si ces pièces sont viables, ils les produisent pour la voiture (un cycle de huit semaines).

Normaliser les données dans un format commun

Mercedes travaille aussi avec Tibco pour mieux exploiter les données liées à la performance des monoplaces. « Nous avons beaucoup de données, issues de milliers de sources : les forces que subissent les composants, les charges structurelles, les températures, les actions du pilote ou ce que fait la voiture, et tout cela provient à la fois du monde réel et de la simulation, note Geoff Willis. Nous améliorons les outils qui permettent de comparer et contraster ces jeux de données réelles et simulées. Nous voulons unifier ces deux univers pour les rendre plus accessibles et simplifier la couche suivante qui est la data science. » Un chantier engagé il y a trois ans dans l’objectif de faire de l’analyse prédictive des défauts, mais qui nécessite que toutes les données soient dans un même format.

Or c’est une tâche herculéenne, car ces dernières sont très disparates. « Le projet sur lequel nous travaillons a mis au jour un grand nombre de difficultés, relève le directeur de la technologie. Nous avons des outils personnalisés qui fonctionnement très bien dans le contexte des courses. Nous voulons comparer vingt minutes de conduite avec nos simulations en seulement quelques minutes, puis renvoyer la voiture sur la piste pour une autre session de vingt minutes. Nos outils et nos formats de données ont évolué en fonction des spécificités et des besoins de cet environnement. » Mais ils ne sont pas adaptés à d’autres utilisations.

Vers la data science… et le machine learning

À la fin de chaque saison de F1, les données doivent être formatées différemment pour la data science. Le but de Mercedes et Tibco est de mettre au point un format optimal pour ces deux usages. « Nous n’avons pas encore trouvé la solution, mais nous constatons qu’il nous faut construire des outils différents pour des usages différents. Notre objectif final est bien d’unifier toutes nos données pour avoir une seule source, et ensuite de les adapter à différents outils », analyse Geoff Willis.

L’un des intérêts de cette unification est d’obtenir une vue d’ensemble la plus complète possible, qui regroupe tous les facteurs en jeu, pour comprendre les causes de tel ou tel phénomène. Pour étudier les performances de la voiture sur le plan de l’aérodynamisme, par exemple, il faut savoir s’il y avait d’autres voitures derrière ou devant, comment était la météo à ce moment donné… Car de mauvaises performances peuvent être dues à une aile endommagée, mais aussi à la voiture placée devant.

À terme, cette unification des données et ce développement de la data science ouvriront aussi la voie à l’utilisation de techniques d’intelligence artificielle. « Je pense qu’il y a des opportunités en matière de machine learning, assure Geoff Willis. La réglementation nous pousse à réaliser moins d’essais réels. Trois jours seulement avant la saison, au lieu de six jours auparavant. Nous devons donc tirer davantage de valeur à partir de moins de données concrètes. »