人工智能有助于提高发动机的运行效率

前言

人工智能的发展将对于汽车行业带来根本性改变

Argonne的研究人员正在开发深度学习框架MaLTESE（发动机模拟和实验的机器学习工具），以满足不断增长的需求，以提供更好的发动机性能，燃油经济性和减少排放。汽车制造商正面临着提供更好的发动机性能，燃油经济性和减少排放的不断增长的需求。然而，实现这些目标是一项艰巨的任务。

美国能源部（DOE）阿贡国家实验室的研究人员正在开发深度学习框架MaLTESE（用于发动机模拟和实验的机器学习工具）以应对这一挑战。在我们的日常通勤过程中，我们的发动机采取了真正的增速，因为过山车加速，减速和硬停。个人驾驶习惯以及道路和天气条件也造成了损失。

汽车制造商正在不断研究在这些不同条件下优化发动机运行的新方法。有超过20个不同的参数影响燃油经济性和排放，确定正确的方法可能会变得缓慢而昂贵。但是，如果高性能计算（HPC）和机器学习工具能够筛选无数的参数组合并实时预测数千名驾驶员通勤的结果呢？

利用美国能源部科学用户设施办公室Argonne Leadership Computing Facility（ALCF）的超级计算资源，Argonne研究人员Shashi Aithal和Prasanna Balaprakash正在开发MaLTESE，其中考虑了自动驾驶或自驾车和云连接车辆。但首先，他们希望该框架可用于开发类似制造商的板载系统，该系统将HPC和机器学习的强大功能结合在一起，用于新型实时自适应学习和控制。

为了研究不同驾驶和发动机运行条件对发动机性能和排放的影响，他们使用MaLTESE模拟典型的25分钟车辆的25万分钟车辆，即高峰期间芝加哥四大高速公路的近似交通流量。

使用ALCF系统的全部容量 - 世界上最强大的超级计算机之一 - 模拟在不到15分钟的时间内完成，比实际制造驱动器的时间少。目前，完成仅一个发动机循环的高保真模拟需要几天，即使在大型超级计算机上，作为典型的驾驶循环或通勤，也需要数千个不同的发动机循环。

“这是一个非常精确的计算流体动力学模型，需要花费大量的计算时间来运行并获得输出，”Balaprakash说。“对于给定的驾驶条件和驾驶行为，我们想知道很多事情，比如氮氧化物和碳排放，以及效率。模拟需要很长时间。”

但是Aithal之前开发了一种基于物理的实时发动机模拟器，名为pMODES（并行多燃料奥托柴油发动机模拟器），它不仅运行速度比传统发动机建模工具快得多，而且可以同时模拟数千驱动器的性能和排放周期。作为领导级机器驱动仿真的高效工具，pMODES在2015年获得了IDC Research（现为Hyperion研究）的HPC创新奖。

MaLTESE是Aithal的pMODES与Balaprakash正在研究的模拟驱动的深度学习工具的合并。来自pMODES的发动机模拟输出用于训练深度神经网络以“学习”驾驶条件和发动机/变速器设计如何影响车辆的性能和排放。然后训练好的神经网络可以在几微秒内预测一组输入的发动机性能和排放，在可能的范围内进行机载实时自适应控制。

“模拟驱动的机器学习非常适用于需要大量HPC资源的多输入和多输出的应用，例如在驱动周期分析中，”Balaprakash说。“这些工具可以通过庞大参数空间的相对较小的子集进行训练，然后用于对其他场景进行准确预测，而无需实际进行模拟。”

该团队对Theta的仿真被认为是在领导级超级计算机上实时同时进行的单一最大驾驶循环模拟，也是第一次基于机器学习的城市道路和高速公路上数千辆汽车的驾驶循环特性预测小时。

“MaLTESE的努力是Argonne超级计算资源如何使研究人员能够将大规模模拟与机器学习方法相结合，开发用于实际应用的新工具（如发动机设计和自动驾驶汽车技术）的一个很好的例子，”ALCF总监说道。

该研究小组的研究结果于2019年6月在德国法兰克福举行的ISC高性能会议上公布。“MaLTESE有可能成为一种颠覆性技术，旨在实时模拟和学习关于发动机性能，排放和车辆动力学的关键信息，”Aithal说。“MaLTESE可能会导致HPC在汽车功能的设计和优化以及实时控制中的快速模式转变，对自动和联网车辆产生深远的影响。”

免责声明

文章来源：Argonne国家实验室 John Spizzirri

凡资讯来源注明为其他媒体来源的信息，均为转载自其他媒体，并不代表本网赞同其观点，也不代表本网对其真实性负责。您若对该文章内容有任何疑问或质疑，请立即与后台小编联系，平台将迅速给您回应并做处理。