AI for at hjælpe med at drive motoreffektivitet på vejen

Forskere ved Argonne udvikler den dybe læringsramme MaLTESE (Machine Learning Tool for Engine Simulations and Experiments) for at imødekomme stadigt stigende krav om at levere bedre motorydelse, brændstoføkonomi og reducerede emissioner.

Bilproducenter står over for et stadigt stigende krav om at levere bedre motorydelse, brændstoføkonomi og reducerede emissioner. At nå disse mål, imidlertid, er en svær opgave.

Forskere ved U.S. Department of Energy's (DOE) Argonne National Laboratory er ved at udvikle den dybe læringsramme MaLTESE (Machine Learning Tool for Engine Simulations and Experiments) for at imødegå udfordringen.

I løbet af vores daglige pendling, vores motorer tager en rigtig slikke, givet accelerationens rutsjebanetur, deceleration og hårde stop. Individuelle kørevaner, sammen med vej- og vejrforhold, også kræve en vejafgift.

Køretøjsproducenter forsker konstant i nye tilgange til at optimere motordriften under disse forskellige forhold. Og med over 20 forskellige parametre, der påvirker brændstoføkonomi og emissioner, at bestemme den rigtige tilgang kan vise sig at være langsom og dyr.

Men hvad nu hvis high-performance computing (HPC) og maskinlæringsværktøjer kunne gennemskue utallige parameterkombinationer og forudsige resultater for tusindvis af chaufførers pendling i realtid?

Ved at bruge supercomputing-ressourcer på Argonne Leadership Computing Facility (ALCF), en DOE Office of Science brugerfacilitet, Argonne-forskerne Shashi Aithal og Prasanna Balaprakash udvikler MaLTESE med autonome – eller selvkørende – og skyforbundne køretøjer i tankerne. Men først håber de, at rammen kan bruges til at udvikle et producentlignende indbygget system, der kombinerer kraften fra HPC og maskinlæring til en ny klasse af adaptiv læring og kontroller i realtid.

For at undersøge virkningen af ​​forskellige køre- og motordriftsforhold på motorens ydeevne og emissioner, de brugte MaLTESE til at simulere en typisk 25-minutters kørecyklus på 250, 000 køretøjer, den omtrentlige trafikstrøm på fire store motorveje i Chicago i myldretiden.

Ved at bruge næsten den fulde kapacitet af ALCF's Theta-system - en af ​​verdens mest kraftfulde supercomputere - blev simuleringerne gennemført på mindre end 15 minutter, mindre end den tid, det tager at køre.

I øjeblikket, at gennemføre en high-fidelity-simulering af kun én motorcyklus kræver flere dage, selv på en stor supercomputer, som en typisk kørecyklus, eller pendler, har tusindvis af forskellige motorcyklusser.

"Det er en meget præcis beregningsmæssig væskedynamikmodel, der tager mange timer at køre og få et output, " siger Balaprakash. "For de givne køreforhold og køreadfærd, vi ønsker at vide en masse ting, som nitrogenoxid og kulstofemissioner, og effektivitet. At simulere det tager lang tid."

Men Aithal havde tidligere udviklet en fysik-baseret motorsimulator i realtid kaldet pMODES (parallel Multi-fuel Otto Diesel Engine Simulator), som ikke kun kører meget hurtigere end traditionelle motormodelleringsværktøjer, men kan samtidig simulere ydeevnen og emissionerne fra tusindvis af kørecyklusser. Et effektfuldt værktøj til køresimulering på maskiner i lederskabsklassen, pMODES vandt HPC Innovation Award i 2015 af IDC Research (nu Hyperion research).

MaLTESE var sammensmeltningen af ​​Aithal's pMODES med de simuleringsdrevne dybdelæringsværktøjer, der forskes i af Balaprakash.

Motorsimuleringsudgangene fra pMODES bruges til at træne et dybt neuralt netværk til at "lære", hvordan køreforhold og motor/transmissionsdesign påvirker køretøjets ydeevne og emissioner. Det trænede neurale netværk kan derefter forudsige motorens ydeevne og emissioner for et sæt input i mikrosekunder, at indbygge adaptiv kontrol i realtid inden for mulighedernes område.

"Simuleringsdrevet maskinlæring er ideel til applikationer med flere input og multiple output, der kræver store HPC-ressourcer, såsom i drive-cycle-analyser", siger Balaprakash. "Disse værktøjer kan trænes med en relativt lille delmængde af det store parameterrum og derefter bruges til at lave nøjagtige forudsigelser om andre scenarier uden behov for faktisk at udføre simuleringerne."

Holdets simulering på Theta betragtes som den største enkeltstående kørecyklussimulering, der udføres samtidigt på en supercomputer i lederskabsklasse i realtid og også den første maskinlæringsbaserede forudsigelse af kørecykluskarakteristika for tusindvis af biler på byveje og motorveje i myldretiden time.

"MaLTESE-indsatsen er et godt eksempel på, hvordan Argonne supercomputing-ressourcer gør det muligt for forskere at kombinere storskala-simuleringer med maskinlæringsmetoder i udviklingen af ​​nye værktøjer til applikationer i den virkelige verden, såsom motordesign og autonome køretøjsteknologier, " siger ALCF-direktør Michael Papka.

Forskerholdets resultater blev præsenteret på ISC High Performance-konferencen i Frankfurt, Tyskland, i juni 2019.

"MaLTESE har potentialet til at være en disruptiv teknologi, der sigter på at simulere og lære kritisk information om motorens ydeevne, emissioner og køretøjsdynamik i realtid, " siger Aithal. "MaLTESE kunne føre til et hurtigt paradigmeskifte i brugen af ​​HPC i design og optimering og real-time kontrol af automotive-funktioner med vidtrækkende implikationer for autonome og forbundne køretøjer."