Technologie · simulation et analyse de données publiques, non décisif

Modélisation de la Formule 1 : ce qu'un simulateur de tour et les données de course peuvent et ne peuvent pas nous dire

Nous avons construit un simulateur de tour de F1 sur les données publiques 2026 des circuits d'OpenF1, et l'avons utilisé pour demander si le nouveau règlement 2026 laisse de la marge pour des gains. Nous avons aussi étudié la stratégie des arrêts au stand dans les données publiques de courses de 2023 à 2026. Nous n'utilisons aucune donnée d'écurie et ne prétendons rien sur les voitures réelles.

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

Le simulateur montre un gain robuste mais modeste, à l'intérieur de sa propre erreur de modèle. Ce n'est pas une découverte.

Premier contrôle : le simulateur correspond-il à un tour réel ?

Le simulateur a été ajusté sur un circuit (Hungaroring) avec quatre constantes. Par rapport au vrai tour de pole 2026, le temps simulé était à 0,6 % près et les vitesses en virage corrélaient à r=0,97. Il a ensuite prédit trois autres circuits sans réajustement : Monza +0,95 %, Silverstone +1,88 % et Spielberg +2,07 % d'erreur sur le temps au tour - réussi. Catalunya (+3,37 %) et Mexico (-3,99 %) ont échoué, ont été exclus et signalés. L'erreur globale du modèle est d'environ 2,7 %, soit environ 2 secondes par tour. L'ajustement ne peut pas non plus séparer l'adhérence de l'appui avec des données publiques, donc les chiffres absolus sont approximatifs.

Speed along the lap, real pole lap against the simulation — Vitesse le long du tour du Hungaroring : vrai tour de pole 2026 (bleu, données OpenF1) contre notre simulateur (orange). Figure réalisée par nos soins.

Deuxième contrôle : d'où pourraient venir les gains ?

Dans notre simulateur, pas sur une vraie voiture, nous avons cherché le meilleur déploiement d'énergie, l'appui en virage, la réduction de traînée en ligne droite et la puissance moteur contre une base honnête, pas une base faible. Le gain de temps au tour simulé est resté positif dans 100 changements aléatoires sur 100 d'adhérence, d'appui, de traînée et d'énergie jusqu'à 10 %.

Left: simulated lap-time gain per track split by source. Right: lap-time change for a 1 percent change in each parameter — À gauche : gain simulé par circuit contre la meilleure politique simple, décomposé en déploiement d'énergie (les écuries le pratiquent déjà), un changement aéro et de traînée supposé, et une augmentation supposée de 5 % de la puissance moteur. Les barres noires marquent l'erreur du modèle. À droite : ce qu'apporte un pour cent de chaque paramètre, en moyenne sur quatre circuits. Figure réalisée par nos soins.

Ce sont des chiffres de modèle, pas des performances réelles. L'essentiel du gain est une pratique connue : le déploiement optimal de l'énergie donne 0,7 à 1,7 s, et les écuries le pratiquent déjà. La part au-delà de la pratique connue, 0,8 à 1,6 s venant du réglage aéro et d'une réduction de traînée plus profonde en mode ligne droite, est plus petite que l'erreur du modèle, environ 2 s. Elle repose sur une hypothèse : que le mode ligne droite peut réduire la traînée de 45 % au lieu de 30 %. Nous n'avons pas vérifié si c'est légal ou faisable. L'étiquette honnête est robustement positif, dans le bruit du modèle, non décisif. Le panneau de droite est une lecture plus fiable : dans le modèle, l'adhérence des pneus et la puissance moteur permettent de gagner davantage de temps au tour par pour cent que tout le reste, et la masse et la traînée supplémentaires coûtent le plus.

Stratégie : l'undercut

Sur 299 duels d'arrêts au stand de 2023 à 2025, un undercut (s'arrêter le premier pour gagner du temps avec des pneus neufs) a fonctionné environ 90 % du temps quand le poursuivant partait à moins d'une demi-seconde, et a basculé vers l'échec à un écart d'environ 1,7 s (intervalle à 95 % de 1,5 à 2,1 s). Si la voiture de tête réagissait en rentrant au stand dès le tour suivant, le pilote qui s'était arrêté en premier ne réussissait que 38 % du temps. Si elle attendait 3 à 9 tours, le pilote qui s'était arrêté en premier réussissait 75 à 76 % du temps. Le succès dépend aussi du circuit : 86 % au Hungaroring contre 25 % à Lusail (petits échantillons, 8 à 28 cas par circuit).

Four panels on undercut success by gap, response delay, track and model accuracy — Succès de l'undercut selon l'écart, selon le temps d'attente du leader, selon le circuit, et une vérification du modèle à travers les ères du règlement. Figure réalisée par nos soins à partir de données publiques de course. Plusieurs groupes ne comptent que 8 à 30 cas.

Le modèle surpasse des références simples au sein d'une même période réglementaire (log-loss de 0,57 contre 0,66 pour le taux de base ; une valeur plus faible est meilleure). Lorsqu'on franchit le changement de règlement de 2026, il devient moins performant : 0,91 contre 0,73 pour le taux de base. Il ne faut donc pas se fier pour 2026 à un modèle entraîné sur 2023 à 2025 tant qu'il n'a pas été réajusté.

Autres travaux F1

Chasse aux anomalies, tour 1 : négatif. Un effet d'aspiration d'environ 8 km/h et « aucun changement 2026 » sont des associations exploratoires, pas des résultats. Un deuxième tour prévu n'a jamais eu lieu.

Limites

Données publiques uniquement, un simulateur ajusté avec environ 2 s d'erreur, cinq circuits.
Les gains simulés ne sont pas des performances réelles. Aucune affirmation causale sur aucune écurie ni aucun pilote.
Les chiffres de stratégie reposent sur de petits échantillons par circuit et s'appliquent au règlement 2023 à 2025.