AI

タイヤ接地の解析をAIで約45分から約5分に短縮

この記事のポイント

  1. 実現したこと

    タイヤが路面に接した際の変形を、約60万要素規模でAIが近似解析した。

  2. 実現の仕組み

    蓄積したFEM解析結果をGNNベースのモデルに学習させ、基礎方程式の解を予測する。

  3. 得られた結果

    DUNLOPと富士通の実証では、FEM解析との比較で接地形状の予測精度が平均87.7%となった。

  4. 従来との違い

    実証での解析所要時間は、従来のFEM解析の約45分からAIによる近似解析の約5分に短縮した。

路面に押し付けられて変形したタイヤの接地部を、曲がった三角形のFEMメッシュと重なる予測輪郭、接地圧を示す色のグラデーションで描いた技術イラスト。
AI生成画像

タイヤが路面に接した際の変形をAIで予測し、従来約45分かかった解析を約5分に短縮した。DUNLOPと富士通の実証成果で、蓄積した有限要素法の解析結果を学習するモデルが、約60万要素規模の近似解析を実現したという。

FEMの解析結果から方程式の解を学習する

タイヤの構造解析用に、計算結果をAIで近似するサロゲートモデルを共同開発したのは、DUNLOP(住友ゴム工業)と富士通だ。このモデルは、蓄積した有限要素法(FEM)の解析結果を学習データとして、FEMの基礎方程式の解を予測する。

モデルの基盤となるグラフニューラルネットワーク(GNN)は、メッシュなどのグラフ構造データを直接扱い、節点間の相互作用を学習する。タイヤの構造解析には、このGNNのアルゴリズムを用いた。

約60万要素で接地時の変形を解析

AIによる予測を適用したのは、タイヤが路面に接したときの変形挙動だ。実証実験では、接地形状や接地圧分布などの接地特性を評価対象とした。

DUNLOPと富士通によると、この実証で約60万要素規模の解析を実現した。タイヤの路面接地時の変形を、その規模のモデルで近似解析したとしている。

解析時間と接地形状をFEMと比較

DUNLOPと富士通の実証では、従来のFEM解析で約45分を要した解析が、AIによる近似解析では約5分となった。所要時間を短縮した比較は、FEM解析とAIによる近似解析の間で行われている。

接地形状の予測については、FEM解析との比較で平均87.7%の精度を得たと発表している。この数値が示す対象はタイヤと路面の接地形状であり、評価対象に含まれる接地圧分布全体の精度を示す値ではない。

次世代CPUでの検証から設計支援ツールへ

開発した技術は、富士通のArmベースの次世代CPU「FUJITSU-MONAKA」での動作を前提に設計されている。DUNLOPと富士通は、2026年12月までに検証機での実証を開始し、推論速度と電力効率の最適化を目指す。

設計者が利用する段階に向けては、専門知識がなくても直接使える設計開発支援ツールの開発を進める。DUNLOPでの実運用開始は2027年4月を目標としている。