Los investigadores de Argonne están desarrollando el marco de aprendizaje profundo MaLTESE (Herramienta de aprendizaje automático para simulaciones y experimentos de motores) para satisfacer las demandas cada vez mayores para ofrecer un mejor rendimiento del motor. economía de combustible y emisiones reducidas.

Los fabricantes de automóviles se enfrentan a una demanda cada vez mayor para ofrecer un mejor rendimiento del motor, economía de combustible y emisiones reducidas. Alcanzar estos objetivos, sin embargo, es una tarea abrumadora.

Investigadores del Laboratorio Nacional Argonne del Departamento de Energía de EE. UU. (DOE) están desarrollando el marco de aprendizaje profundo MaLTESE (Herramienta de aprendizaje automático para simulaciones y experimentos de motores) para enfrentar el desafío.

Durante el transcurso de nuestro viaje diario, nuestros motores toman una verdadera lamida, dada la montaña rusa de la aceleración, desaceleración y paradas bruscas. Hábitos de conducción individuales, junto con las condiciones climáticas y de la carretera, también cobran un peaje.

Los fabricantes de vehículos están investigando constantemente nuevos enfoques para optimizar el funcionamiento del motor en estas diversas condiciones. Y con más de 20 parámetros diferentes que afectan la economía de combustible y las emisiones, determinar el enfoque correcto puede resultar lento y costoso.

Pero, ¿qué pasaría si la informática de alto rendimiento (HPC) y las herramientas de aprendizaje automático pudieran examinar innumerables combinaciones de parámetros y predecir resultados para los desplazamientos de miles de conductores en tiempo real?

Utilizando recursos de supercomputación en Argonne Leadership Computing Facility (ALCF), una instalación para usuarios de la Oficina de Ciencias del DOE, Los investigadores de Argonne, Shashi Aithal y Prasanna Balaprakash, están desarrollando MaLTESE con vehículos autónomos o autónomos y conectados a la nube en mente. Pero primero esperan que el marco pueda usarse para desarrollar un sistema integrado similar al de un fabricante que combine el poder de HPC y el aprendizaje automático para una nueva clase de control y aprendizaje adaptativo en tiempo real.

Para investigar el impacto de diversas condiciones de conducción y funcionamiento del motor en el rendimiento y las emisiones del motor, utilizaron MaLTESE para simular un ciclo de conducción típico de 25 minutos de 250, 000 vehículos, el flujo de tráfico aproximado de cuatro autopistas principales de Chicago durante las horas pico.

Utilizando casi toda la capacidad del sistema Theta de ALCF, una de las supercomputadoras más potentes del mundo, las simulaciones se completaron en menos de 15 minutos. menos del tiempo que se tarda en realizar el disco.

En la actualidad, completar una simulación de alta fidelidad de un solo ciclo de motor requiere varios días, incluso en una gran supercomputadora, como un ciclo de conducción típico, o viajar, tiene miles de ciclos de motor diferentes.

"Es un modelo de dinámica de fluidos computacional muy preciso que requiere muchas horas de computación para ejecutarse y obtener un resultado, ", dice Balaprakash." Para las condiciones y el comportamiento de conducción dados, queremos saber multitud de cosas, como el óxido de nitrógeno y las emisiones de carbono, y eficiencia. Simular eso lleva mucho tiempo ".

Pero Aithal había desarrollado previamente un simulador de motor en tiempo real basado en la física llamado pMODES (Simulador de motor diésel Otto multicombustible en paralelo) que no solo funciona mucho más rápido que las herramientas tradicionales de modelado de motores, pero puede simular simultáneamente el rendimiento y las emisiones de miles de ciclos de conducción. Una herramienta de alto impacto para la simulación de accionamientos en máquinas líderes, pMODES ganó el premio a la innovación HPC en 2015 por IDC Research (ahora Hyperion Research).

MaLTESE fue la fusión de pMODES de Aithal con las herramientas de aprendizaje profundo impulsadas por simulación que está investigando Balaprakash.

Los resultados de la simulación del motor de pMODES se utilizan para entrenar una red neuronal profunda para "aprender" cómo las condiciones de conducción y el diseño del motor / transmisión afectan el rendimiento y las emisiones del vehículo. La red neuronal entrenada puede predecir el rendimiento y las emisiones del motor para un conjunto de entradas en microsegundos, poner el control adaptativo integrado en tiempo real dentro del ámbito de lo posible.

"El aprendizaje automático impulsado por simulación es ideal para aplicaciones con múltiples entradas y múltiples salidas que requieren grandes recursos de HPC, como en los análisis del ciclo de conducción ", dice Balaprakash. Estas herramientas pueden entrenarse con un subconjunto relativamente pequeño del vasto espacio de parámetros y luego usarse para hacer predicciones precisas sobre otros escenarios sin la necesidad de realizar las simulaciones".

La simulación del equipo en Theta se considera la simulación de ciclo de conducción más grande realizada simultáneamente en una supercomputadora de clase líder en tiempo real y también la primera predicción basada en aprendizaje automático de las características del ciclo de conducción de miles de automóviles en las carreteras de la ciudad y autopistas durante las prisas. hora.

"El esfuerzo de MaLTESE es un gran ejemplo de cómo los recursos de supercomputación de Argonne permiten a los investigadores combinar simulaciones a gran escala con métodos de aprendizaje automático en el desarrollo de herramientas novedosas para aplicaciones del mundo real, como el diseño de motores y las tecnologías de vehículos autónomos, "dice el director de la ALCF, Michael Papka.

Los hallazgos del equipo de investigación se presentaron en la conferencia ISC High Performance celebrada en Frankfurt, Alemania, en junio de 2019.

"MaLTESE tiene el potencial de ser una tecnología disruptiva destinada a simular y aprender información crítica sobre el rendimiento del motor, emisiones y dinámica del vehículo en tiempo real, ", dice Aithal." MaLTESE podría conducir a un rápido cambio de paradigma en el uso de HPC en el diseño y optimización y control en tiempo real de características automotrices con implicaciones de gran alcance para vehículos autónomos y conectados ".