¿Cómo es la analítica de datos en el mundo del motociclismo?
- Generalidades de la categoría Moto2™.
El Análisis del Dato (Data Analytics), el Big Data y la elaboración de modelos predictivos en el deporte de élite está cobrando cada vez mayor relevancia. Gracias a ello podemos elaborar la mejor estrategia en la alta competición para obtener la ansiada victoria.
En el mundo del motor, y del motociclismo en particular, tener una buena herramienta de Data Analytics y Big Data nos permite predecir y ajustar la moto (elaborar el setup) en función de numerosas variables pudiendo llegar al resultado óptimo para cada circuito.
En la categoría de Moto2™, el proveedor de motores único es la marca británica Triumph. El propulsor tricilíndrico tiene 765 c.c. y cuenta con modificaciones específicas de competición que permiten un mayor flujo de gases y subir de vueltas con extraordinaria rapidez. Su potencia supera los 140 CV y es capaz de subir a 14.000 rpm. Con este fabuloso motor, las motos de la categoría rozan los 300 Km/h en los circuitos más rápidos. Estos motores se usarán, al menos, hasta 2024.
Las modificaciones más importantes practicadas al conjunto motor-caja de cambios son:
- Modificación de la culata con nuevos colectores de admisión y escape para mejorar el flujo de gases.
- Mayor relación de compresión.
- Válvulas de titanio con muelles más rígidos para aumentar el régimen máximo.
- Alternador de competición de pequeño tamaño para reducir la inercia.
- Relación modificada en la 1ª y 2ª marcha.
- Embrague anti-rebote para competición con posibilidad de ajuste.
- ECU específica para competición diseñada por Magneti Marelli.
- Tapas de motor actualizadas para reducir la anchura.
- Modificación del cárter inferior para una mejor disposición de los colectores.
- Recubrimiento de alto rendimiento en piezas internas clave.
Figura 1: Vista exterior del motor Triumph tricilíndrico de 765 c.c. utilizado en la categoría de Moto2TM
Figura 2: Vista transversal en sección del motor Triumph de Moto2TM. Nótese el cilindro izquierdo en fase de admisión, el central en explosión y el derecho en escape.
Figura 3: Vista ¾ en sección del propulsor Triumph de Moto2TM. Nótese en primer término la distribución (valve train), embrague multidisco, piñones de la caja de cambios, pistones con cabeza horadada, bielas de titanio y en modo semitransparente los colectores.
Todas estas mejoras están aprobadas por Reglamento, los motores vienen sellados de fábrica y los diferentes equipos no pueden introducir modificaciones mecánicas ni electrónicas en los propulsores. Con ello se asegura la igualdad entre todos los participantes y la contención de los costes.
Figura 4: Curva de potencia y par máximos del motor Triumph de Moto2TM. Obsérvese que la curva de potencia (blanca) asciende progresivamente de forma muy lineal y la curva de par (roja) es muy constante y plana dando una gran progresividad al motor sin brusquedades incontrolables.
Figura 5: Moto Triumph de Moto2TM en fase de pruebas.
En cuanto a la parte ciclo, también hay un suministrador mayoritario. La empresa alemana KALEX Engineering fabrica el que está considerado el mejor chasis de la categoría. Se adapta al motor Triumph como un guante imprimiendo al conjunto de la moto una gran agilidad en todo tipo de circuitos gracias a su extrema ligereza al estar fabricado en aluminio.
Las partes más importantes del chasis son (véase leyenda en la figura 5):
- Abrazaderas de las horquillas de suspensión (1)
- Cuerpo principal (2)
- Basculante (3)
- Bieletas de conexión (4)
- Asiento y colín (5)
Figura 6: Chasis Kalex de Moto2TM integrado con la horquilla delantera y suspensión trasera.
Figura 7: El diseño y análisis tensional de los componentes del chasis es vital. Aquí una bieleta de conexión.
Con estos elementos, cada equipo puede variar la geometría y los ajustes de la moto a voluntad, dentro de ciertos límites, para conseguir los mejores tiempos por vuelta en cada circuito.
Como vemos, la simbiosis motor-chasis ha de ser perfecta para conseguir una moto competitiva. Es ahí donde sale a relucir la experiencia de cada equipo introduciendo el ajuste fino del chasis y su geometría. Es lo que marca la diferencia. Incluso cada equipo puede diseñar o proponer a KALEX Engineering la modificación en el diseño de algunos componentes de suspensión y dirección haciéndolos más livianos y competitivos.
Los equipos manejan una ingente cantidad de datos acerca de sus propios ajustes y también datos externos adicionales como las condiciones atmosféricas, estadísticas previas de todos los pilotos, equipos y circuitos o las características del asfalto de cada pista. No olvidemos igualmente que la información aportada por el propio piloto es de capital importancia. Cómo siente el piloto la moto ayuda a los ingenieros y mecánicos a modificarla con leves ajustes, en muchas ocasiones decisivos para convertirla en una máquina realmente competitiva.
La dinámica de trabajo en el interior del box de un equipo de motociclismo es frenética y los ajustes en la moto, conforme a las indicaciones de piloto e ingeniero de pista, se deben hacer en pocos minutos.
- Desarrollo tecnológico de Modelos matemáticos basados en Inteligencia Artificial.
Procesar e interpretar adecuadamente toda la información generada (outputs) es una tarea ardua que requiere mucho tiempo y una gran sabiduría adquirida tras años en competición. Una herramienta informática basada en modelos matemáticos de inteligencia artificial sería de gran ayuda a los ingenieros de telemetría para poder acelerar el proceso de optimización de la moto en función de los inputs introducidos. O mejor aún: saber de antemano las prestaciones de la moto ayudándoles a tomar decisiones críticas en cuestión de segundos.
Es aquí cuando la potencia tecnológica de Asseco se pone al servicio de la alta competición. Recientemente, Asseco Spain Group ha alcanzado un acuerdo de patrocinio con la escudería española SAG Pertamina-Mandalika, que compite con éxito en la categoría de Moto2™ del Campeonato Mundial de Motociclismo, para la cual estamos ya desarrollando una potente herramienta de software, la cual tendremos operativa en los próximos meses.
Figura 8: El autor, posando feliz junto al trailer motor-home del equipo SAG en el Circuito de Montmeló haciendo hincapié en la colaboración, patrocinio y aporte tecnológico de Asseco Spain Group.
Este software, desarrollado con metodología Scrum-Agile, lo vamos a estructurar en dos etapas. En la primera de ellas, y tras una carrera, vamos a optimizar los ajustes de la moto; es decir cómo hubiera influido la modificación de distintos parámetros en el resultado final. Es plantear un escenario tipo “What If”, para sacar lecciones aprendidas de cómo hubiera sido la carrera ideal o la vuelta rápida ideal en pista. Comenzaremos analizando sólo la moto.
El modelo matemático que vamos a plantear inicialmente es del tipo regresión lineal en entorno Python; es decir, al modificar una o varias variables a modo de inputs ver cómo influyen en los resultados de salida (outputs). Es un modelo matemático que relaciona variables independientes con variables dependientes y términos aleatorios. Como son muchas las variables iniciales a tener en cuenta, muchas de ellas interrelacionadas, en el resultado final serán muchos los parámetros que puedan cambiar.
Además, para que la batería de resultados sea legible e intuitiva para el equipo SAG, desarrollaremos una aplicación muy sencilla de forma que estos resultados se presenten de una forma muy gráfica.
En una segunda etapa, este modelo matemático tendrá capacidad de predicción a futuro, es decir, predecir la influencia de la modificación de parámetros cuando la carrera no se ha disputado todavía, lo cual otorgará al equipo una gran ventaja en prestaciones de la moto y ahorro de tiempo y dinero en las sesiones de entrenamientos. Insistimos que será una herramienta de toma de decisiones al instante.
De entre los parámetros iniciales de entrada (inputs) que los equipos pueden modificar destacamos:
- Posición de los apoyos de pie para el piloto (ergonomía)
- Situación de palanca de caja de cambios.
- Longitud del basculante.
- Horquillas: altura, abrazaderas, anchura…
- Dureza de muelles y amortiguadores combinado con aceites de distinta viscosidad.
- Recorrido de la suspensión (horquilla y amortiguador)
- Geometría y posición de los semi-manillares en función de la complexión del piloto.
- Distintos ajustes del amortiguador de dirección.
- Diámetro y grosor de discos de freno.
- Progresividad o inmediatez en la actuación de la maneta sobre los frenos actuando sobre la bomba del líquido.
- Presión y temperatura de neumáticos.
- Altura del asiento para el piloto.
- Relación de transmisión final, variando por ejemplo, el número de dientes o el diámetro de la corona.
- Número de eslabones de la cadena de la transmisión secundaria.
- Régimen de motor para cambiar de marchas.
- Retardo de actuación del acelerador en la guillotina de gases.
- Temperatura y presión de combustible.
- Temperatura del asfalto de la pista.
- Condiciones ambientales y climatológicas.
Hay muchos más. Con ello nos hacemos a la idea de la enorme cantidad de datos inputs que se pueden modificar.
Como resultados finales en los ajustes de la moto, se obtienen entre otros muchos parámetros, los siguientes:
- Distancia entre ejes.
- Angulo de basculante.
- Angulo de dirección (rake).
- Avance (trail).
- Distancia entre eje de horquilla y eje de dirección (Offset).
- Reparto de pesos entre ejes.
- Fuerza máxima ejercida sobre cada rueda.
- % de hundimiento de cada rueda en frenada y aceleración.
- Transferencia de masas entre ejes.
- Altura del centro de gravedad.
- Geometría para evitar el hundimiento excesivo de la rueda trasera (anti-squat).
- Velocidad máxima alcanzable tanto en recta como en curva, lo que redunda en tiempos por vuelta y sector a sector en cada circuito.
- Angulo máximo de inclinación.
- Punto óptimo de frenada y aceleración.
- Indice de frenada óptimo (m/s2).
Figura 9: Simplemente el diámetro de la corona final, su número de dientes o el número de eslabones de la cadena de transmisión secundaria, pueden cambiar la geometría de la moto y su comportamiento radicalmente.
Mostramos la geometría básica de una moto y los parámetros más influyentes en su comportamiento. Todos ellos se podrán modificar, mediante los inputs adecuados de una forma sencilla y rápida.
Figura 10: Geometría básica del tren delantero de una moto. Destacan el ángulo de dirección (Rake angle), avance (Trail) y la desviación del cubo de rueda con respecto al eje de la dirección (Offset).
Figura 11: Influencia de la longitud del basculante en su ángulo con respecto a la horizontal y la distancia entre ejes.
Figura 12. Vista del chasis desnudo, sin depósito de combustible y en labores de servicio de lubricación. Nótense los 9 discos del embrague desmontados.
Figura 12+1. Conjunto chasis-motor de la moto del equipo SAG Pertamina-Mandalika.
Con todos estos resultados de salida y con los tiempos registrados por vuelta en cada circuito se puede optimizar el setup de la moto de forma que se consigan las máximas prestaciones tanto en recta como en curva. El modelo matemático en desarrollo no será único, sino que necesitaremos de un modelo distinto para cada circuito ya que no hay dos iguales y cada una de las 21 carreras del Campeonato Mundial es un reto en sí misma.
Si pretendiéramos un modelo único para cada pista, al final obtendríamos una moto más bien mediocre y no una ganadora como deseamos. Además, cada circuito lo dividiremos en distintos sectores para sacar la quintaesencia a la moto en toda circunstancia. En la figura 14 mostramos los sectores y los puntos de cronometraje (timekeeping points) del circuito español de Jerez a modo de ejemplo.
Por si todo esto fuese poco, también hemos de contar con la complexión de los pilotos. En el equipo SAG, sus dos pilotos tienen una constitución física muy diferente. Uno es alto y esbelto mientras que el otro es de menor estatura y de complexión más ancha. Todo ello conlleva también a diferentes ajustes en la moto para cada piloto con una postura de conducción muy diferente.
Por tanto, esto nos lleva a que nuestra herramienta deberá tener modelos matemáticos no sólo para cada circuito sino también para cada piloto. Veremos el comportamiento de la moto en recta, aceleración, frenada e inclinación en curva.
Figura 14. Con una buena herramienta predictiva, se podrá ajustar la moto fácilmente para cada circuito.
Figura 15. Sectores y puntos de cronometraje (timekeeping points del circuito español de Jerez).
Al contar con un amplio histórico de datos de carreras previas, no sólo procedente del equipo SAG sino también de la propia estadística de tiempos y prestaciones de cada moto y piloto desde 1949, año del inicio del Mundial de Motociclismo, proporcionada por Dorna, dispondremos de abundantes datos para entrenar el modelo de forma que adquiera su capacidad predictiva.
Figura 16. Datos estadísticos de cada carrera. Se podrán correlacionar con los inputs y outputs de nuestra herramienta predictiva.
Finalmente, y ya en la fase de refinamiento del modelo matemático, desplegaremos redes neuronales para conseguir una herramienta muy precisa y fiable. Pensemos que en motociclismo la diferencia entre los diez o quince primeros participantes es de menos de un segundo por vuelta por lo que no podemos dejar de usar la tecnología más exacta.
- Conclusión.
Con esta herramienta de software, Asseco Spain Group proporcionará al equipo SAG una ventaja competitiva ya que le permitirá tener un modelo predictivo, basado en inteligencia artificial y Big Data, para obtener los mejores ajustes de la moto en función de los numerosos inputs a introducir.
En una fase inicial tendremos el “What If”, es decir, qué hubiera sucedido en carrera si se hubieran cambiado distintos parámetros intentando conseguir el máximo rendimiento. En fase posterior, llevaremos este poder predictivo a carreras futuras pendientes de disputar.
Con ello y con la experiencia del equipo SAG a la hora de interpretar los resultados gracias a nuestra aplicación gráfica, desarrollada exprofeso, se conseguirán los mejores resultados.
Figura 17. La regresión lineal múltiple en entorno Python nos permitirá obtener la correlación entre múltiples variables y sus resultados finales.
Figura 18. Las redes neuronales nos darán la precisión de resultados en el exigente mundo del motociclismo de competición.
Figura 19. ¿Listos para correr… y ganar?. Sin duda, la tecnología de Asseco será clave. ¿Me acompañan?
Santiago Ferrer Jover
Head of Industry
Asseco Spain Group
