UCI Champions League Track | "L’analyse de données a pris énormément d’importance ces dernières années"

Il est énorme. La réduction de la traînée aérodynamique permet au coureur de diminuer sa dépense en énergie et d’atteindre sa vitesse maximale. Il y a deux manières de la combattre : par soi-même, ou à l’aide des autres cyclistes. En premier lieu, un coureur peut changer son positionnement sur la piste et profiter de l’air déplacé par celui qui le précède. Ce faisant, et grâce aux effets aérodynamiques de leur tenue, cette petite poche d’air lui permet d’économiser de la puissance (watts).

Deuxièmement, il est possible de réduire la surface frontale afin de diminuer le volume d’air déplacé. Cela peut prendre plusieurs formes : changer de position sur le vélo ou optimiser le design de leur équipement. La traînée aérodynamique est proportionnelle au carré de la vitesse, ce qui veut dire que plus le coureur va vite, plus la traînée est élevée.

Pour résumer, le cyclisme réside dans un équilibre des forces : celles que le coureur applique sur les pédales pour avancer et celles qui s’y opposent, la résistance des pneus et la traînée aérodynamique.

Oui. Ils ont un rôle dans l’amélioration de l’aérodynamique depuis les années 80 et 90. Pour parler concrètement, quand un coureur veut réduire sa traînée aérodynamique, il peut changer sa position sur le vélo ou bien le vélo lui-même. La soufflerie donne de très bons résultats. Mais les tests sont très énergivores, et surtout très chers. Une journée peut coûter plusieurs milliers d’euros.

Autre inconvénient : les tests permettent de quantifier la traînée aérodynamique, mais pas d’en connaître l’origine. Grâce à la dynamique des fluides (CFD), il est néanmoins possible de simuler les flux aérodynamiques via différents modèles accessibles dans le cloud. Ces tests offrent des résultats très détaillés. Ils permettent aux coureurs et aux ingénieurs de localiser les points de traînée et donc d’optimiser le design du vélo ou de changer la position du cycliste.

AWS est le fournisseur officiel de la UCI Track Champions League. Durant les courses, nous fournissons aux fans des informations en temps réel, qu’ils soient présents dans le vélodrome, ou qu’ils suivent l’évènement à distance (en télévision ou sur l’app mobile). AWS récolte et analyse les datas via Amazon Kinesis et les stocke dans la base de données Amazon DynamoDB.

Il y a 2 types de données : positionnelles (accélération, vitesse et position sur la piste) et biométriques (puissance, cadence, fréquence cardiaque du coureur). Discovery Sports a testé le service AWS SageMaker pour effectuer une analyse. Le but : construire un modèle de Machine Learning permettant d’obtenir des renseignements précieux de ces données.

Oui et non. Dans les 2 disciplines, les acteurs doivent combattre la traînée aérodynamique. Mais la F1 concentre ses efforts sur la portance, qui affecte l’adhérence de la voiture, tandis qu’en cyclisme seule la traînée aérodynamique est déterminante.

La physique est un élément central du cyclisme. Gagner une compétition n’est pas qu’une affaire de puissance. L’équipement, comme le casque ou le vélo, permet de faire la différence entre deux cyclistes de niveau équivalent. C’est vrai que l’analyse des données a pris de l’importance ces dernières années. Tout le monde essaye de l’exploiter au maximum. C’est pour cela qu’on voit beaucoup d’entraîneur et d’équipes techniques dédiées uniquement à l’aérodynamique.

Mais je pense quand même que l’instinct et la puissance du coureur jouent un rôle aussi important. Dans une course, le placement reste essentiel. Vous devez vous abriter au maximum derrière le coureur devant pour ne pas prendre trop d’air, tout en étant prêt à réagir en cas d’attaque.

Quand un coureur est en tête, il déplace une petite poche d’air à basse pression derrière lui que l’on appelle le « sillage ». Si vous vous placez dedans vous économisez 40% de votre puissance ! Réduire la résistance aérodynamique incombe donc au cycliste. Chez AWS, nous développons des solutions d’analyse en temps réel permettant de communiquer aux fans les différentes stratégies qui s’offrent aux coureurs pour tirer profit de ce fameux sillage.

Pour élaborer un modèle physique, nous récupérons plusieurs données : l’accélération, la vitesse et le poids du coureur, mais aussi la pression qu’il exerce dans les virages, sans oublier l’inclinaison de la piste. En amont de ces calculs, nous avons effectué des centaines de simulations, en plaçant les coureurs dans des sillages différents en fonction de leur vitesse et de leur position relative.

Un modèle de Machine Learning combine ensuite les résultats obtenus en simulation et en course afin de déterminer le nombre exact de watts économisés par un coureur lorsqu’il utilise le sillage. Comme on peut le voir dans le visuel ci-dessus, le coureur situé à l’arrière économise 149,8 watts en s’abritant dans le sillage de son concurrent, et il réduit de 11,7% sa traînée aérodynamique.

Les analyses des dynamiques de fluides sont onéreuses et prennent du temps. Auparavant, les centaines de tests nécessaires pour effectuer cette étude étaient non seulement chers, mais ils nécessitaient un matériel de pointe si vous les faisiez sur site. AWS offre des solutions pour effectuer des tests rapidement et à grande échelle, sans avoir besoin d’aucun matériel.

En moins de 2 heures, on peut d’installer le logiciel d’analyse, lui mettre à disposition les données entrantes, lancer les nœuds de calcul et réaliser des tests sur un grand nombre de coeurs. Une fois le travail terminé, les résultats peuvent être visualisés et/ou téléchargés. Vous n’aurez plus qu’à effacer toutes les ressources : vous ne payez que pour ce que vous utilisez.

Étant donné l’extensibilité des solutions proposées par AWS, il est possible de lancer plusieurs études en parallèle, avec un groupe dédié à chacune d’entre elles. AWS vous permet aussi de centraliser toutes les données et de produire en moins d’une journée des analyses qui prendraient normalement des semaines.

Cette approche est économique, mais elle illustre aussi parfaitement qu’il est possible de combiner l’intelligence artificielle, la dynamique des fluides et les modèles physiques pour obtenir des résultats importants. Les fans peuvent enfin comprendre l’importance de l’aérodynamique et de la préparation dans le cyclisme sur piste de haut niveau.