Onderzoekers van Argonne ontwikkelen het deep learning-framework MaLTESE (Machine Learning Tool for Engine Simulations and Experiments) om te voldoen aan de steeds toenemende vraag naar betere motorprestaties, brandstofverbruik en verminderde uitstoot.

Autofabrikanten worden geconfronteerd met een steeds toenemende vraag naar betere motorprestaties, brandstofverbruik en verminderde uitstoot. Het bereiken van deze doelen, echter, is een ontmoedigende taak.

Onderzoekers van het Argonne National Laboratory van het Amerikaanse Department of Energy (DOE) ontwikkelen het deep learning-framework MaLTESE (Machine Learning Tool for Engine Simulations and Experiments) om de uitdaging aan te gaan.

Tijdens ons dagelijks woon-werkverkeer, onze motoren krijgen een echte lik, gezien de achtbaanrit van versnelling, vertraging en harde stops. Individueel rijgedrag, samen met de weg- en weersomstandigheden, eist ook een tol.

Voertuigfabrikanten onderzoeken voortdurend nieuwe benaderingen om de werking van de motor onder deze uiteenlopende omstandigheden te optimaliseren. En met meer dan 20 verschillende parameters die het brandstofverbruik en de emissies beïnvloeden, het bepalen van de juiste aanpak kan traag en duur zijn.

Maar wat als high-performance computing (HPC) en machine learning-tools ontelbare parametercombinaties zouden kunnen doorzoeken en de resultaten voor het woon-werkverkeer van duizenden chauffeurs in realtime zouden kunnen voorspellen?

Gebruikmakend van supercomputerbronnen bij de Argonne Leadership Computing Facility (ALCF), een DOE Office of Science gebruikersfaciliteit, Argonne-onderzoekers Shashi Aithal en Prasanna Balaprakash ontwikkelen MaLTESE met autonome of zelfrijdende en met de cloud verbonden voertuigen in het achterhoofd. Maar eerst hopen ze dat het raamwerk kan worden gebruikt om een ​​fabrikantachtig boordsysteem te ontwikkelen dat de kracht van HPC en machine learning combineert voor een nieuwe klasse van realtime adaptief leren en controles.

Om de impact van verschillende rij- en motorbedrijfsomstandigheden op de motorprestaties en emissies te onderzoeken, ze gebruikten MaLTESE om een ​​typische rijcyclus van 25 minuten van 250 te simuleren, 000 voertuigen, de geschatte verkeersstroom van vier grote snelwegen van Chicago tijdens de spits.

Gebruikmakend van bijna de volledige capaciteit van het Theta-systeem van de ALCF - een van 's werelds krachtigste supercomputers - werden de simulaties in minder dan 15 minuten voltooid, minder dan de tijd die nodig is om de rit daadwerkelijk te maken.

Momenteel, het voltooien van een high-fidelity-simulatie van slechts één motorcyclus duurt enkele dagen, zelfs op een grote supercomputer, als een typische rijcyclus, of woon-werkverkeer, heeft duizenden verschillende motorcycli.

"Het is een zeer nauwkeurig computationeel vloeistofdynamicamodel dat veel rekenuren kost om te draaien en een output te krijgen, ", zegt Balaprakash. "Voor de gegeven rijomstandigheden en rijgedrag, we willen een heleboel dingen weten, zoals stikstofoxide en koolstofemissies, en efficiëntie. Dat simuleren duurt lang."

Maar Aithal had eerder een op fysica gebaseerde real-time motorsimulator ontwikkeld, pMODES (parallel Multi-fuel Otto Diesel Engine Simulator) genaamd, die niet alleen veel sneller werkt dan traditionele motormodelleringstools, maar kan tegelijkertijd de prestaties en emissies van duizenden rijcycli simuleren. Een krachtige tool voor aandrijfsimulatie op machines van leiderschapsklasse, pMODES won in 2015 de HPC Innovation Award van IDC Research (nu Hyperion research).

MaLTESE was de samensmelting van Aithal's pMODES met de simulatiegestuurde deep-learningtools die door Balaprakash worden onderzocht.

De motorsimulatie-uitgangen van pMODES worden gebruikt om een ​​diep neuraal netwerk te trainen om te "leren" hoe de rijomstandigheden en het ontwerp van de motor/transmissie de prestaties en emissies van het voertuig beïnvloeden. Het getrainde neurale netwerk kan vervolgens de motorprestaties en emissies voorspellen voor een reeks invoer in microseconden, waardoor real-time adaptieve controle aan boord binnen het rijk van de mogelijkheden wordt gebracht.

"Simulatiegestuurde machine learning is bij uitstek geschikt voor toepassingen met meerdere inputs en meerdere outputs die grote HPC-resources vereisen, zoals in drive-cycle-analyses", zegt Balaprakash. "Deze tools kunnen worden getraind met een relatief kleine subset van de enorme parameterruimte en vervolgens worden gebruikt om nauwkeurige voorspellingen te doen over andere scenario's zonder dat de simulaties daadwerkelijk hoeven uit te voeren."

De simulatie van het team op Theta wordt beschouwd als de grootste rijcyclussimulatie die gelijktijdig in realtime is uitgevoerd op een supercomputer van leiderschapsklasse en ook de eerste op machine learning gebaseerde voorspelling van rijcycluskenmerken van duizenden auto's op stadswegen en snelwegen tijdens de spits uur.

"De MaLTESE-inspanning is een goed voorbeeld van hoe de supercomputerbronnen van Argonne onderzoekers in staat stellen grootschalige simulaties te combineren met machine learning-methoden bij de ontwikkeling van nieuwe tools voor real-world toepassingen, zoals motorontwerp en autonome voertuigtechnologieën, ", zegt ALCF-directeur Michael Papka.

De bevindingen van het onderzoeksteam werden gepresenteerd op de ISC High Performance-conferentie in Frankfurt, Duitsland, in juni 2019.

"MaLTESE heeft het potentieel om een ​​disruptieve technologie te zijn die gericht is op het simuleren en leren van kritieke informatie over motorprestaties, emissies en voertuigdynamiek in realtime, "zegt Aithal. "MaLTESE zou kunnen leiden tot een snelle paradigmaverschuiving in het gebruik van HPC bij het ontwerp en de optimalisatie en realtime controle van auto-functies met verstrekkende gevolgen voor autonome en verbonden voertuigen."