Feature selection for aerodynamic load estimation from pressure measurements for F1 racing cars

In this thesis, we tackle the problem of estimating aerodynamic forces on an F1 car, from the point of view of both selecting the best features from a set of input data, and reconstructing the global value of forces from sparse point pressure measurements. This is a joint work with people from the Scuderia Ferrari F1, who have found the study of aerodynamic behaviour to become more and more crucial in the last years in order to improve the global car performance on the track. Indeed, historically, F1 was dominated by the best engine manufacturers, but nowadays the focus has turned more and more on the aerodynamics of cars. The estimation of the aerodynamic forces acting on the vehicle is fundamental to get insights into the behaviour of the car in specific configurations and to develop the best components. Indeed, the core point that will be discussed in this thesis is the estimation of the aerodynamic forces from the static pressure values measured on the car. The goal is to develop data-driven methodologies based on machine learning to optimize the placement of pressure sensors on the car to obtain the best estimate of the total aerodynamic forces on the car. In particular, the placement of the pressure taps must be both optimal for the estimation of aerodynamic loads and robust with respect to the failures that may occur on the pressure taps. Finally, the methodologies for estimating aerodynamic loads given a set of pressure measurements are discussed and compared, to select the one that can provide the best overall performance.

In questa tesi, affrontiamo il problema della stima delle forze aerodinamiche su una vettura di Formula Uno, dal punto di vista sia della selezione del miglior sottinsieme di feature da un set di dati di input, sia nella ricostruzione del valore globale delle forze aerodinamiche da un insieme di misure di pressione. Il progetto è un lavoro in collaborazione con persone di Scuderia Ferrari F1, che negli ultimi anni ha visto lo studio del comportamento aerodinamico delle macchine diventare sempre più importante al fine di migliorare la qualità delle prestazioni in pista. Storicamente il campionato di Formula 1 era dominato dai migliori costruttori di motori mentre, al giorno d’oggi, l’attenzione è sempre più diretta verso l’aerodinamica delle macchine. La stima delle forze aerodinamiche che agiscono sulla monoposto è fondamentale per lo studio dei comportamenti aerodinamici della vettura data una specifica configurazione e per poter sviluppare i migliori componenti. In questa tesi verrà discusso l’approccio della stima delle forze aerodinamiche tramite i valori di pressione statica misurati sulla macchina. L’obiettivo è sviluppare metodologie basate sui dati raccolti utilizzando tecniche di machine learning, per ottimizzare il posizionamento dei sensori di pressione sull’auto e, conseguentemente, per ottenere la migliore stima delle forze aerodinamiche totali sulla vettura. In particolare, il posizionamento dei sensori di pressione deve essere sia ottimale riguardo alla stima delle forze aerodinamiche, sia robusto ai possibili guasti dei sensori. In ultimo, verranno discusse e confrontate le metodologie per stimare i carichi aerodinamici dato un insieme di misure di pressione, al fine di selezionare la soluzione che può fornire le migliori prestazioni.