Pesquisadores da Argonne estão desenvolvendo a estrutura de aprendizado profundo MaLTESE (ferramenta de aprendizado de máquina para simulações e experimentos de motor) para atender às demandas cada vez maiores de fornecer melhor desempenho do motor, economia de combustível e emissões reduzidas.

Os fabricantes automotivos estão enfrentando uma demanda cada vez maior para oferecer um melhor desempenho do motor, economia de combustível e emissões reduzidas. Alcançar esses objetivos, Contudo, é uma tarefa difícil.

Pesquisadores do Laboratório Nacional de Argonne do Departamento de Energia dos EUA (DOE) estão desenvolvendo a estrutura de aprendizado profundo MaLTESE (Ferramenta de Aprendizado de Máquina para Simulações e Experimentos de Motor) para enfrentar o desafio.

Durante nosso trajeto diário, nossos motores dão uma verdadeira surra, dada a montanha-russa de aceleração, desaceleração e paradas bruscas. Hábitos individuais de direção, junto com as condições da estrada e do clima, também cobram um pedágio.

Os fabricantes de veículos estão constantemente pesquisando novas abordagens para otimizar a operação do motor sob essas condições diversas. E com mais de 20 parâmetros diferentes que afetam a economia de combustível e as emissões, determinar a abordagem certa pode ser lento e caro.

Mas e se a computação de alto desempenho (HPC) e as ferramentas de aprendizado de máquina pudessem filtrar inúmeras combinações de parâmetros e prever resultados para o trajeto de milhares de motoristas em tempo real?

Utilizando recursos de supercomputação no Argonne Leadership Computing Facility (ALCF), um DOE Office of Science User Facility, Os pesquisadores da Argonne, Shashi Aithal e Prasanna Balaprakash, estão desenvolvendo o MaLTESE com veículos autônomos - ou autônomos - e conectados à nuvem em mente. Mas, primeiro, eles esperam que a estrutura possa ser usada para desenvolver um sistema integrado semelhante ao do fabricante que combina o poder do HPC e do aprendizado de máquina para uma nova classe de aprendizado e controles adaptativos em tempo real.

A fim de investigar o impacto de diversas condições de condução e operação do motor no desempenho e nas emissões do motor, eles usaram o MaLTESE para simular um ciclo de condução típico de 25 minutos de 250, 000 veículos, o fluxo de tráfego aproximado das quatro principais rodovias de Chicago durante a hora do rush.

Usando quase toda a capacidade do sistema Theta da ALCF - um dos supercomputadores mais poderosos do mundo - as simulações foram concluídas em menos de 15 minutos, menos do que o tempo que leva para realmente fazer a viagem.

Atualmente, completar uma simulação de alta fidelidade de apenas um ciclo de motor requer vários dias, mesmo em um grande supercomputador, como um ciclo de condução típico, ou comutar, tem milhares de ciclos de motor diferentes.

"É um modelo de dinâmica de fluidos computacional muito preciso que leva muitas horas de computação para ser executado e obter uma saída, "diz Balaprakash." Para as condições de direção e comportamento de direção, queremos saber uma infinidade de coisas, como óxido de nitrogênio e emissões de carbono, e eficiência. Simular isso leva muito tempo. "

Mas Aithal já havia desenvolvido um simulador de motor em tempo real baseado em física chamado pMODES (Simulador de Motor Otto Diesel Multi-fuel paralelo) que não só roda muito mais rápido do que as ferramentas tradicionais de modelagem de motor, mas pode simular simultaneamente o desempenho e as emissões de milhares de ciclos de condução. Uma ferramenta de alto impacto para simulação de direção em máquinas de classe de liderança, pMODES ganhou o HPC Innovation Award em 2015 pela IDC Research (agora pesquisa Hyperion).

O MaLTESE foi a fusão do pMODES da Aithal com as ferramentas de aprendizagem profunda orientadas por simulação que estão sendo pesquisadas por Balaprakash.

Os resultados da simulação do motor do pMODES são usados ​​para treinar uma rede neural profunda para "aprender" como as condições de direção e o projeto do motor / transmissão afetam o desempenho e as emissões do veículo. A rede neural treinada pode então prever o desempenho do motor e as emissões para um conjunto de entradas em microssegundos, colocar o controle adaptativo em tempo real integrado dentro do reino das possibilidades.

"O aprendizado de máquina orientado por simulação é ideal para aplicativos com várias entradas e saídas que exigem grandes recursos de HPC, como em análises de ciclo de transmissão ", diz Balaprakash." Essas ferramentas podem ser treinadas com um subconjunto relativamente pequeno do vasto espaço de parâmetros e, em seguida, ser usadas para fazer previsões precisas sobre outros cenários sem a necessidade de realmente conduzir as simulações. "

A simulação da equipe em Theta é considerada a maior simulação de ciclo de condução conduzida simultaneamente em um supercomputador de classe de liderança em tempo real e também a primeira previsão baseada em aprendizado de máquina das características de ciclo de condução de milhares de carros em estradas e rodovias durante o rush hora.

"O esforço do MaLTESE é um ótimo exemplo de como os recursos de supercomputação da Argonne permitem aos pesquisadores combinar simulações em grande escala com métodos de aprendizado de máquina no desenvolvimento de novas ferramentas para aplicativos do mundo real, como design de motor e tecnologias de veículos autônomos, "diz o diretor da ALCF, Michael Papka.

As descobertas da equipe de pesquisa foram apresentadas na conferência ISC High Performance realizada em Frankfurt, Alemanha, em junho de 2019.

"MaLTESE tem o potencial de ser uma tecnologia disruptiva destinada a simular e aprender informações críticas sobre o desempenho do motor, emissões e dinâmica do veículo em tempo real, "diz Aithal." MaLTESE pode levar a uma rápida mudança de paradigma no uso de HPC no projeto e otimização e controle em tempo real de características automotivas com implicações de longo alcance para veículos autônomos e conectados. "