Je hoort de modewoorden overal:machine learning, kunstmatige intelligentie - revolutionaire nieuwe benaderingen om de manier waarop we met producten omgaan te transformeren, Diensten, en informatie, van het voorschrijven van medicijnen tot reclameboodschappen.

Kunstmatige intelligentie, een tak van de informatica die zich bezighoudt met de simulatie van intelligent gedrag in computers, zit al achter veel van de technologieën die we vandaag zien, inclusief virtuele online assistenten en auto's zonder bestuurder. op het gebied van vervoer, de toepassingen reiken nog verder.

Onderzoekers van Argonne maken actief gebruik van benaderingen voor kunstmatige intelligentie om de Amerikaanse transport- en energiesystemen te transformeren, door complexe problemen aan te pakken, zoals congestie, energie-efficiëntie, noodplanning, en veiligheid. Hun onderzoek geeft een dieper inzicht in transport vanaf het niveau van de motorcomponenten tot aan grote stedelijke gebieden, die besluitvormers helpt optimale oplossingen te vinden om transportsystemen en -technologieën betrouwbaarder en efficiënter te maken.

Vooral, onderzoekers gebruiken machine learning-technieken, die computers trainen om verborgen patronen in gegevens te ontleden en te ontdekken en nieuwe voorspellingen te doen, zonder expliciete programmering. In het verleden schreven ingenieurs code die een computer vertelt wat hij moet doen. Maar bij machinaal leren ingenieurs voeren voorbeeldinvoer en -uitvoer naar machine learning-algoritmen, vraag vervolgens de machine om de relatie tussen de twee te identificeren. Daarbij, de machine genereert een model, die vervolgens kunnen worden gebruikt om voorspellingen te doen.

De systematische behoefte aan machine learning in transport

Onderzoekers van Argonne onderzoeken manieren waarop machine learning-technieken hen kunnen helpen het systematische ontwerp van transportsystemen te begrijpen en belangrijke knelpunten op te sporen die zich verspreidende effecten hebben op hele systemen. Onderzoeksingenieur Eric Rask en computerwetenschapper Prasanna Balaprakash onderzoeken de mogelijkheden op dit gebied via een door het Amerikaanse ministerie van Energie gefinancierd high-performance computing-project.

"We zijn betrokken bij deze inspanning omdat het van cruciaal belang is om te begrijpen hoe transport als systeem werkt voor het identificeren en verlichten van verkeersproblemen en het ondersteunen van toekomstige planning, " zei Rask. "Vanwege de diversiteit en complexiteit van de betrokken systemen, het bereiken van een alomvattend begrip kan een uitdaging zijn, maar machine learning kan ons helpen om onzichtbare trends beter te detecteren en belangrijke relaties en hun relatieve impact in kaart te brengen."

De resulterende inzichten dragen bij aan het ontwikkelen van betere systeemcontroles die het transport betrouwbaarder kunnen maken, productiviteit verhogen, en bespaar consumenten op de miljoenen dollars die elk jaar verspild worden aan stationair draaien in het verkeer. Meer informatie ondersteunt ook de besluitvorming; met meer informatie over verkeersincidenten, bijvoorbeeld, consumenten en autonome voertuigen kunnen beslissingen nemen over routing, planners kunnen noodhulp beter coördineren, en stadsplanners kunnen controles implementeren om verstoring van andere delen van het systeem tot een minimum te beperken.

Motorontwikkeling en -optimalisatie versnellen

Onderzoekers van Argonne passen machine learning toe om geavanceerde motorontwerpen en -processen te optimaliseren. Recenter, onderzoekers hebben een krachtige manier ontwikkeld om deep learning (een categorie van machine learning-methoden) te gebruiken om een ​​nieuw verbrandingsmodel te creëren dat de simulatietijd met de helft vermindert.

Deep learning maakt gebruik van een klasse van algoritmen die diepe neurale netwerken worden genoemd en die de eenvoudige signaalprocessen van de hersenen op een hiërarchische manier nabootsen; vandaag, deze netwerken, ondersteund door high-performance computing, kan meerdere lagen diep zijn. Ze stellen onderzoekers in staat om steeds complexere eigenschappen te modelleren, zoals meerdere reactieroutes tijdens de verbranding van brandstof.

"Traditioneel, onderzoekers zullen proberen de complexiteit van verbrandingsreacties te verminderen om tijd te besparen bij het uitvoeren van simulaties, maar dit kan de nauwkeurigheid van hun uitvoer verminderen, " zei Sibendu Som, manager van de afdeling Computational Multi-Physics Section van Argonne. "Met ons nieuwe model, geholpen door machine learning, we kunnen de volledige brandstofchemie verklaren zonder in te boeten aan nauwkeurigheid en tijd te besparen. Dit vermogen is uniek, niet alleen in de toepassing van neurale netwerken, maar ook in zijn vermogen om de ontwikkeltijd aanzienlijk te verkorten."

Onderzoekers van Argonne hebben hun kennis van machine learning gebruikt om een ​​wereldwijd petroleum- en aardgasbedrijf te helpen een dieselmotor te optimaliseren voor gebruik op een nieuwe brandstof.

Voorafgaand aan het werken met het laboratorium, het bedrijf gebruikte high-fidelity-modellering en de ontwikkeling duurde enkele maanden. Argonne's expertise in verbrandingsmodellering, high-performance computergebruik, en machine learning-expertise hielpen hen de ontwikkelingstijd te verkorten tot slechts enkele dagen, met behoud van dezelfde kwaliteit van het resultaat.

Routering optimaliseren

Onderzoekers van Argonne onderzoeken ook manieren om machine learning te gebruiken om voorspellende routes voor vloten of andere reizigers te optimaliseren. Een duidelijk begrip hebben van de beschikbare routeringsopties, en de bijbehorende energie, tijd, en milieukosten, en het kunnen voorspellen van veranderingen kan wagenparkbeheerders helpen voertuigen en routes te kiezen die brandstof besparen en tegelijkertijd de efficiëntie maximaliseren.

"Om routeringsbeslissingen te nemen, heb je nauwkeurige energie-informatie nodig, en betrouwbare voorspellingen. U kunt dit krijgen met high-fidelity simulaties, die veel tijd kosten en voor de meeste mensen niet gemakkelijk toegankelijk zijn, ", zegt Aymeric Rousseau, manager voertuig- en mobiliteitssimulatie. "Een andere optie is om machine learning te gebruiken, waardoor je meteen een acceptabel antwoord krijgt, zonder dat er high-fidelity transportsysteemmodellen nodig zijn."

Snelle en nauwkeurige besluitvorming over brandstofbesparing mogelijk maken

Rousseau en zijn team passen ook machine learning-benaderingen toe om voertuigmodellen te trainen ter ondersteuning van CAFE-normen (Corporate Average Fuel Economy). die het brandstofverbruik regelen van alle auto's en lichte vrachtwagens die in de Verenigde Staten rijden. Gecontracteerd door de National Highway Traffic Safety Administration van het Amerikaanse ministerie van Transport, Onderzoekers van Argonne ondersteunen CAFE-analyses door machine learning te gebruiken om de energie-impact van nieuwe voertuigtechnologieën te modelleren, waaronder motor, overdragen, lichtgewicht, en elektrische aandrijftechnologieën.

"Vanwege het grote aantal beschikbare technologieën en de verschillende voertuigklassen en consumentenvereisten, autofabrikanten worden geconfronteerd met miljoenen potentiële technologiecombinaties, Rousseau zei. "Hoewel Argonne processen heeft ontwikkeld om individueel bijna 1,5 miljoen van die combinaties te modelleren en te simuleren met behulp van high-performance computing, er zijn nog veel meer opties mogelijk. Met behulp van machine learning-modellen die zijn getraind op basis van de simulatieresultaten, kunnen we snel vragen van beleidsmakers beantwoorden."

Betere transportvoorspellingen maken

Terwijl u tegelijkertijd motor- en voertuigtoepassingen verkent, Onderzoekers van Argonne passen machine learning ook toe op grootschalige systeemmodellering, met het oog op energie- en mobiliteitseffecten. Het leiden van deze inspanning, Rousseau en zijn team voeren high-fidelity-modellen uit op duizenden simulaties met behulp van high-erformance computing om machine learning-modellen te trainen.

Om stadssystemen te analyseren en te voorspellen hoe vervoer in de toekomst zal evolueren, onderzoekers moeten alle mogelijke transporttechnologieën modelleren. Maar er zijn veel voertuigopties die verschillende brandstofbronnen gebruiken en verschillende prestatiebereiken hebben, niet te vergeten bussen, treinen, fietsen, en andere alternatieve vervoerswijzen.

"Er is een zeer groot aantal rekenintensieve modelruns nodig om de impact van de verschillende technologieën en hun onderlinge afhankelijkheid te kwantificeren en te begrijpen. Door machine learning te gebruiken, kunnen we snel en efficiënt kritieke parameters en technologieën identificeren waarop we ons vervolgens kunnen concentreren om beter gebruik te maken van de high-fidelity modellen en scenariostudies, ' zei Rousseau.

Vooruit kijken, onderzoekers streven ernaar om de machine learning-competenties van het lab te blijven groeien en volwassen te maken, om het vermogen van Argonne om snel bruikbare kennis te verstrekken, te vergroten.

"Deze competenties, plus Argonne's multidisciplinaire team van experts en krachtige computerbronnen, blijken belangrijke instrumenten te zijn om het oplossen van problemen in het vervoer te versnellen, voor grote en kleine uitdagingen, "zei Som.