Forskare på Argonne utvecklar ramverket för djupinlärning MaLTESE (maskininlärningsverktyg för motorsimuleringar och experiment) för att möta ständigt ökande krav på att leverera bättre motorprestanda, bränsleekonomi och minskade utsläpp.

Biltillverkarna står inför en allt större efterfrågan på att leverera bättre motorprestanda, bränsleekonomi och minskade utsläpp. Uppnå dessa mål, dock, är en skrämmande uppgift.

Forskare vid US Department of Energy's (DOE) Argonne National Laboratory utvecklar ramverket för djupinlärning MaLTESE (Machine Learning Tool for Engine Simulations and Experiment) för att möta utmaningen.

Under vår dagliga pendling, våra motorer tar en rejäl slicka, med tanke på accelerationens berg- och dalbana, retardation och hårda stopp. Individuella körvanor, tillsammans med väg- och väderförhållanden, kräver också en vägtull.

Fordonstillverkare forskar ständigt om nya tillvägagångssätt för att optimera motordriften under dessa olika förhållanden. Och med över 20 olika parametrar som påverkar bränsleekonomi och utsläpp, att bestämma rätt tillvägagångssätt kan visa sig långsamt och dyrt.

Men tänk om högpresterande datorer (HPC) och maskininlärningsverktyg skulle kunna se igenom otaliga parameterkombinationer och förutsäga resultat för tusentals förares pendlingar i realtid?

Använda superdatorresurser vid Argonne Leadership Computing Facility (ALCF), en DOE Office of Science User Facility, Argonne-forskarna Shashi Aithal och Prasanna Balaprakash utvecklar MaLTESE med autonoma-eller självkörande-och molnkopplade fordon i åtanke. Men först hoppas de att ramverket kan användas för att utveckla ett tillverkarliknande inbyggt system som kombinerar kraften hos HPC och maskininlärning för en ny klass av realtids adaptivt lärande och kontroller.

För att undersöka effekterna av olika kör- och motorförhållanden på motorprestanda och utsläpp, de använde MaLTESE för att simulera en typisk 25-minuters körcykel på 250, 000 fordon, det ungefärliga trafikflödet för fyra stora Chicago -motorvägar under rusningstid.

Genom att använda nästan hela kapaciteten i ALCF:s Theta -system - en av världens mest kraftfulla superdatorer - slutfördes simuleringarna på mindre än 15 minuter, mindre än den tid det tar att faktiskt göra enheten.

För närvarande, att slutföra en high-fidelity-simulering av bara en motorcykel kräver flera dagar, även på en stor superdator, som en typisk körcykel, eller pendla, har tusentals olika motorcykler.

"Det är en mycket exakt beräkningsmodell för vätskedynamik som tar mycket datortimmar att köra och få ut, "säger Balaprakash." För givna körförhållanden och körbeteende, vi vill veta en mängd saker, som kväveoxid och koldioxidutsläpp, och effektivitet. Att simulera det tar lång tid. "

Men Aithal hade tidigare utvecklat en fysikbaserad realtidsmotorsimulator kallad pMODES (parallel Multi-fuel Otto Diesel Engine Simulator) som inte bara går mycket snabbare än traditionella motormodelleringsverktyg, men kan samtidigt simulera prestanda och utsläpp från tusentals körcykler. Ett kraftfullt verktyg för drivsimulering på maskiner i ledarskapsklass, pMODES vann HPC Innovation Award 2015 av IDC Research (nu Hyperion -forskning).

MaLTESE var sammanslagningen av Aithals pMODES med de simuleringsdrivna djupinlärningsverktygen som forskas av Balaprakash.

Motorsimuleringsutgångarna från pMODES används för att träna ett djupt neuralt nätverk för att "lära sig" hur körförhållanden och motor-/växellådsdesign påverkar fordonets prestanda och utsläpp. Det utbildade neurala nätverket kan sedan förutsäga motorprestanda och utsläpp för en uppsättning ingångar i mikrosekunder, sätta ombord adaptiv kontroll i realtid inom möjligheterna.

"Simuleringsdrivet maskininlärning är idealiskt lämpad för applikationer med flera ingångar och flera utgångar som kräver stora HPC-resurser, till exempel i drivcykelanalyser ", säger Balaprakash." Dessa verktyg kan tränas med en relativt liten delmängd av det stora parameterutrymmet och sedan användas för att göra exakta förutsägelser om andra scenarier utan att behöva genomföra simuleringarna. "

Lagets simulering på Theta anses vara den enskilt största körcykelsimuleringen som genomförs samtidigt på en superdator i ledarklass i realtid och också den första maskininlärningsbaserade förutsägelsen av körcykelegenskaper för tusentals bilar på stadsvägar och motorvägar under rusning timme.

"MaLTESE-insatsen är ett bra exempel på hur Argonne superdatorresurser gör det möjligt för forskare att kombinera storskaliga simuleringar med maskininlärningsmetoder vid utveckling av nya verktyg för verkliga applikationer, som motordesign och autonoma fordonstekniker, "säger ALCF -chef Michael Papka.

Forskargruppens resultat presenterades vid ISC High Performance -konferensen i Frankfurt, Tyskland, i juni 2019.

"MaLTESE har potential att vara en störande teknik som syftar till att simulera och lära sig kritisk information om motorprestanda, utsläpp och fordonsdynamik i realtid, "säger Aithal." MaLTESE kan leda till ett snabbt paradigmskifte i användningen av HPC vid design och optimering och realtidskontroll av bilfunktioner med långtgående konsekvenser för autonoma och anslutna fordon. "