The Labs logoThe Labs
← Alle Artikel
Technologie · Simulation und Analyse öffentlicher Daten, nicht entscheidend

Formel-1-Modellierung: was ein Rundensimulator und Renndaten uns sagen können und was nicht

Wir haben mit öffentlichen Streckendaten von OpenF1 aus dem Jahr 2026 einen F1-Rundensimulator gebaut und damit untersucht, ob die neuen Regeln für 2026 Spielraum für Verbesserungen lassen. Außerdem haben wir Boxenstoppstrategien anhand öffentlicher Renndaten von 2023 bis 2026 untersucht. Wir verwenden keine Teamdaten und treffen keine Aussagen über reale Rennwagen.

Conceptual illustration generated with AI. Not experimental data or a depiction of the actual equipment.

Der Simulator zeigt einen robusten, aber bescheidenen Gewinn, der innerhalb seines eigenen Modellfehlers liegt. Das ist keine Entdeckung.

Prüfung eins: stimmt der Simulator mit einer echten Runde überein?

Der Simulator wurde anhand einer Strecke (Hungaroring) mit vier Konstanten angepasst. Gegenüber der tatsächlichen Pole-Runde 2026 dort wich die simulierte Rundenzeit um 0,6 % ab; die Kurvengeschwindigkeiten korrelierten mit r=0,97. Ohne erneute Anpassung sagte er drei weitere Strecken voraus: Monza +0,95 %, Silverstone +1,88 % und Spielberg +2,07 % Rundenzeitfehler. Diese bestanden die Prüfung. Catalunya (+3,37 %) und Mexiko (-3,99 %) bestanden sie nicht, wurden ausgeschlossen und als Fehlschläge dokumentiert. Der Gesamtfehler des Modells beträgt etwa 2,7 %, ungefähr 2 Sekunden pro Runde. Mit öffentlichen Daten lässt sich bei der Anpassung auch die Bodenhaftung nicht vom Abtrieb trennen. Die absoluten Zahlen sind daher nur näherungsweise belastbar.

Speed along the lap, real pole lap against the simulation
Geschwindigkeit über die Hungaroring-Runde: echte Pole-Runde 2026 (blau, OpenF1-Daten) gegen unseren Simulator (orange). Eigene Abbildung.
Prüfung zwei: woher könnten Gewinne kommen?

In unserem Simulator, nicht an einem echten Auto, haben wir den besten Energieeinsatz, Kurvenabtrieb, Luftwiderstandsreduktion auf der Geraden und Motorleistung gegen eine faire Basislinie gesucht, nicht gegen eine schwache. Der simulierte Rundenzeitgewinn blieb in 100 von 100 zufälligen Änderungen von Grip, Abtrieb, Luftwiderstand und Energie um bis zu 10 % positiv.

Left: simulated lap-time gain per track split by source. Right: lap-time change for a 1 percent change in each parameter
Links: simulierter Gewinn pro Strecke gegen die beste einfache Strategie, aufgeteilt in Energieeinsatz (machen die Teams schon), eine angenommene Aero- und Widerstandsänderung und eine angenommene 5-%-Steigerung der Motorleistung. Schwarze Balken markieren den Modellfehler. Rechts: was ein Prozent jedes Parameters bringt, gemittelt über vier Strecken. Eigene Abbildung.

Das sind Modellzahlen, keine reale Leistung. Der größte Teil des Gewinns ist bekannte Praxis: optimaler Energieeinsatz bringt 0,7 bis 1,7 s, und das machen die Teams schon. Der Teil jenseits bekannter Praxis, 0,8 bis 1,6 s aus Aero-Trim und einer tieferen Widerstandsreduktion im Geraden-Modus, ist kleiner als der Modellfehler von etwa 2 s. Er beruht auf einer Annahme: dass der Geraden-Modus den Widerstand um 45 % statt 30 % senken kann. Ob das regelkonform oder machbar ist, wurde nicht geprüft. Das ehrliche Etikett ist robust positiv, innerhalb des Modellrauschens, nicht entscheidend. Die zuverlässigere Lesart ist das rechte Panel: im Modell bringen Reifengrip und Motorleistung pro Prozent mehr Rundenzeitgewinn als alles andere, und zusätzliche Masse und Widerstand kosten am meisten.

Strategie: der Undercut

In 299 Boxenstopp-Duellen von 2023 bis 2025 funktionierte ein Undercut (früher stoppen, um auf frischen Reifen Zeit zu gewinnen) in etwa 90 % der Fälle, wenn der Verfolger weniger als eine halbe Sekunde zurücklag, und kippte zum Scheitern bei einem Rückstand von etwa 1,7 s (95-%-Intervall 1,5 bis 2,1 s). Wenn das führende Auto in der unmittelbar nächsten Runde konterte, war der frühere Stopper nur in 38 % der Fälle erfolgreich. Wartete es 3 bis 9 Runden, war der frühere Stopper in 75 bis 76 % der Fälle erfolgreich. Der Erfolg hängt auch von der Strecke ab: 86 % am Hungaroring gegenüber 25 % in Lusail (kleine Stichproben, 8 bis 28 Fälle pro Strecke).

Four panels on undercut success by gap, response delay, track and model accuracy
Undercut-Erfolg nach Rückstand, nach Wartezeit des Führenden, nach Strecke, und eine Modellprüfung über Regelären hinweg. Eigene Abbildung aus öffentlichen Renndaten. Mehrere Gruppen umfassen nur 8 bis 30 Fälle.

Das Modell schlägt einfache Basislinien innerhalb einer Regelära (Log-Loss 0,57 gegenüber 0,66 für die Basisrate, niedriger ist besser). Über die Regeländerung 2026 hinweg bricht es: 0,91 gegenüber 0,73 für die Basisrate. Einem auf 2023 bis 2025 trainierten Modell sollte für 2026 nicht vertraut werden, bis es neu gefittet ist.

Weitere F1-Arbeit
Grenzen