KI zur Steigerung der Motoreffizienz auf der Straße

Unter Verwendung von ALCF-Supercomputing-Ressourcen entwickeln die Argonne-Forscher das Deep-Learning-Framework MaLTESE mit Blick auf autonome oder selbstfahrende und mit der Cloud verbundene Fahrzeuge. Diese Arbeit könnte dazu beitragen, die Nachfrage nach besserer Motorleistung, Kraftstoffeinsparung und geringeren Emissionen zu decken. Bildnachweis: Shutterstock /Ju Jae-young

Forscher von Argonne entwickeln das Deep-Learning-Framework MaLTESE (Machine Learning Tool for Engine Simulations and Experiments), um die ständig steigenden Anforderungen an eine bessere Motorleistung, Kraftstoffeinsparung und reduzierte Emissionen zu erfüllen.

Automobilhersteller sehen sich einer ständig steigenden Nachfrage nach besserer Motorleistung, Kraftstoffeinsparung und geringeren Emissionen gegenüber. Diese Ziele zu erreichen, ist jedoch eine gewaltige Aufgabe.

Forscher des Argonne National Laboratory des US-Energieministeriums (DOE) entwickeln das Deep-Learning-Framework MaLTESE (Machine Learning Tool for Engine Simulations and Experiments), um dieser Herausforderung zu begegnen.

Während unseres täglichen Pendelns werden unsere Motoren angesichts der Achterbahnfahrt von Beschleunigung, Verzögerung und harten Stopps regelrecht geleckt. Auch individuelle Fahrgewohnheiten sowie Straßen- und Wetterverhältnisse fordern eine Maut.

Fahrzeughersteller forschen ständig an neuen Ansätzen, um den Motorbetrieb unter diesen vielfältigen Bedingungen zu optimieren. Und mit über 20 verschiedenen Parametern, die den Kraftstoffverbrauch und die Emissionen beeinflussen, kann sich die Bestimmung des richtigen Ansatzes als langsam und teuer erweisen.

Aber was wäre, wenn High-Performance-Computing (HPC) und Tools für maschinelles Lernen unzählige Parameterkombinationen durchsuchen und die Ergebnisse für die Fahrten von Tausenden von Fahrern in Echtzeit vorhersagen könnten?

Unter Nutzung von Supercomputing-Ressourcen in der Argonne Leadership Computing Facility (ALCF), einer DOE Office of Science User Facility, entwickeln die Argonne-Forscher Shashi Aithal und Prasanna Balaprakash MaLTESE mit Blick auf autonome, selbstfahrende und Cloud-verbundene Fahrzeuge. Aber zunächst hoffen sie, dass das Framework verwendet werden kann, um ein herstellerähnliches Onboard-System zu entwickeln, das die Leistungsfähigkeit von HPC und maschinellem Lernen für eine neue Klasse von adaptivem Echtzeitlernen und -Steuerung kombiniert.

Um die Auswirkungen unterschiedlicher Fahr- und Motorbetriebsbedingungen auf die Motorleistung und die Emissionen zu untersuchen, simulierten sie mit MaLTESE einen typischen 25-minütigen Fahrzyklus von 250.000 Fahrzeugen, den ungefähren Verkehrsfluss von vier großen Chicagoer Autobahnen während der Hauptverkehrszeit.

Mit fast der vollen Kapazität des Theta-Systems des ALCF – einem der leistungsstärksten Supercomputer der Welt – wurden die Simulationen in weniger als 15 Minuten abgeschlossen, weniger als die Zeit, die für die eigentliche Fahrt benötigt wird.

Derzeit erfordert die Durchführung einer High-Fidelity-Simulation von nur einem Motorzyklus mehrere Tage, selbst auf einem großen Supercomputer, da ein typischer Fahrzyklus oder Pendelverkehr Tausende von verschiedenen Motorzyklen umfasst.

„Es ist ein sehr präzises numerisches Strömungsmodell, das viele Rechenstunden benötigt, um zu laufen und eine Ausgabe zu erhalten“, sagt Balaprakash. “Für die gegebenen Fahrbedingungen und das Fahrverhalten wollen wir eine Vielzahl von Dingen wissen, wie Stickoxid- und CO2-Emissionen, Effizienz. Das zu simulieren dauert lange.”

Aber Aithal hatte zuvor einen physikbasierten Echtzeit-Motorsimulator namens pMODES (Parallel Multi-Fuel Otto Diesel Engine Simulator) entwickelt, der nicht nur viel schneller läuft als herkömmliche Tools zur Motormodellierung, sondern gleichzeitig die Leistung und Emissionen von Tausenden von Antrieben simulieren kann Fahrräder. Als wirkungsvolles Werkzeug für die Antriebssimulation auf Maschinen der Spitzenklasse gewann pMODES 2015 den HPC Innovation Award von IDC Research (jetzt Hyperion research).

MaLTESE war die Verschmelzung von Aithals pMODES mit den simulationsgetriebenen Deep-Learning-Tools, die von Balaprakash erforscht wurden.

Die Motorsimulationsausgaben von pMODES werden verwendet, um ein tiefes neuronales Netzwerk zu trainieren, um zu “lernen”, wie sich die Fahrbedingungen und das Motor-/Getriebedesign auf die Leistung und Emissionen des Fahrzeugs auswirken. Das trainierte neuronale Netzwerk kann dann die Motorleistung und die Emissionen für eine Reihe von Eingaben in Mikrosekunden vorhersagen, wodurch die adaptive Echtzeitsteuerung an Bord im Bereich des Möglichen liegt.

„Simulationsgetriebenes maschinelles Lernen eignet sich ideal für Anwendungen mit mehreren Eingängen und mehreren Ausgängen, die große HPC-Ressourcen erfordern, wie beispielsweise bei Fahrzyklusanalysen“, sagt Balaprakash. “Diese Tools können mit einer relativ kleinen Teilmenge des riesigen Parameterraums trainiert und dann verwendet werden, um genaue Vorhersagen über andere Szenarien zu treffen, ohne dass die Simulationen tatsächlich durchgeführt werden müssen.”

Die Simulation des Teams auf Theta gilt als die größte Einzelfahrzyklussimulation, die gleichzeitig auf einem Supercomputer der Spitzenklasse in Echtzeit durchgeführt wird, und auch als die erste auf maschinellem Lernen basierende Vorhersage der Fahrzykluseigenschaften von Tausenden von Autos auf Stadtstraßen und Autobahnen während der Rush Stunde.

„Die MaLTESE-Bemühungen sind ein großartiges Beispiel dafür, wie die Supercomputing-Ressourcen von Argonne es Forschern ermöglichen, groß angelegte Simulationen mit Methoden des maschinellen Lernens bei der Entwicklung neuartiger Werkzeuge für reale Anwendungen wie Motorendesign und autonome Fahrzeugtechnologien zu kombinieren“, sagt ALCF Director Michael Papka.

Die Ergebnisse des Forschungsteams wurden auf der ISC High Performance Konferenz im Juni 2019 in Frankfurt am Main präsentiert.

„MaLTESE hat das Potenzial, eine bahnbrechende Technologie zu sein, die darauf abzielt, kritische Informationen über Motorleistung, Emissionen und Fahrzeugdynamik in Echtzeit zu simulieren und zu lernen“, sagt Aithal. “MaLTESE könnte zu einem schnellen Paradigmenwechsel beim Einsatz von HPC bei der Entwicklung und Optimierung und Echtzeitsteuerung von Automobilfunktionen mit weitreichenden Auswirkungen auf autonome und vernetzte Fahrzeuge führen.”


Leave a Comment