银河在线赌场

阿贡国家实验室研究人员开发发动机仿真与实验机器学习工具

阿贡国家实验室的研究人员开发了发动机仿真和实验机器学习工具。我想分享的原始Geshi Auto 2019.9.19

盖世汽车新闻当前,市场在发动机性能,燃油经济性和减排方面面临越来越大的压力,而汽车制造商也面临着越来越大的压力。但是,实现这些目标具有挑战性。据国外媒体报道,美国能源部阿贡国家实验室的研究人员正在开发一种深度学习框架MaLTESE(引擎仿真和实验机器学习工具)以应对这一挑战。

(来源:阿贡国家实验室官方网站)

在我们的日常通勤中,加速,减速和突然制动会导致严重的发动机磨损。个人的驾驶习惯以及道路和天气状况也会造成一些损害。汽车制造商正在不断研究在不同条件下优化发动机运行的新方法。但是,由于20多个不同的参数会影响燃油经济性和排放,因此找到正确的方法比较慢,而且成本较高。

Argon实验室的研究人员Shashi Aithal和Prasanna Balaprakash使用ALCF(阿贡国家领导力计算设施)的超级计算资源开发了用于自动驾驶和云链接车辆的MaLTESE。他们希望该框架可用于开发车载系统,结合高性能计算和机器学习功能,以实现更高水平的实时自适应学习和控制。

为了研究不同驾驶和发动机工况对发动机性能和排放的影响,研究人员使用MaLTESE模拟了25万辆典型的25分钟驾驶周期,相当于4条主要公路高峰时段的交通流量在芝加哥。 ALCF的Theta系统是世界上功能最强大的超级计算机之一,并且仿真在不到15分钟的时间内使用了几乎所有系统的功能,这比实际的驾驶时间短。目前,在大型超级计算机上完成发动机循环的高真实度场景仿真需要几天的时间。一个典型的行驶周期具有数千个不同的发动机周期。

Aithal先前开发了基于物理的实时发动机模拟器pMODES(并行多燃料奥托柴油发动机模拟器),其运行速度不仅比传统发动机建模工具快得多。它还可以同时模拟数千个驾驶循环的性能和排放。 MaLTESE将驾驶仿真深度学习工具的技术与pMODES和Balaprakash相结合。

pMODES的发动机仿真结果用于训练深度神经网络,以学习驾驶条件和发动机/变速箱设计对车辆性能和排放的影响。经过训练的神经网络可以以微秒为单位预测发动机性能和排放,从而实现车载实时自适应控制。 Balaprakash表示:“对于需要大量高性能计算资源(例如驾驶周期分析)的多输入和多输出应用,驾驶模拟机器学习是理想的选择。可以在相对较小的参数子集中和相对较小的参数子集中训练这些工具。用于其他场景预测,不需要模拟。”

本文是第一作者的原创,未经授权不得复制。

收款报告投诉

盖世汽车新闻当前,市场在发动机性能,燃油经济性和减排方面面临越来越大的压力,而汽车制造商也面临着越来越大的压力。但是,实现这些目标具有挑战性。据国外媒体报道,美国能源部阿贡国家实验室的研究人员正在开发一种深度学习框架MaLTESE(引擎仿真和实验机器学习工具)以应对这一挑战。

(来源:阿贡国家实验室官方网站)

在我们的日常通勤中,加速,减速和突然制动会导致严重的发动机磨损。个人的驾驶习惯以及道路和天气状况也会造成一些损害。汽车制造商正在不断研究在不同条件下优化发动机运行的新方法。但是,由于20多个不同的参数会影响燃油经济性和排放,因此找到正确的方法比较慢,而且成本较高。

Argon实验室的研究人员Shashi Aithal和Prasanna Balaprakash使用ALCF(阿贡国家领导力计算设施)的超级计算资源开发了用于自动驾驶和云链接车辆的MaLTESE。他们希望该框架可用于开发车载系统,结合高性能计算和机器学习功能,以实现更高水平的实时自适应学习和控制。

为了研究不同驾驶和发动机工况对发动机性能和排放的影响,研究人员使用MaLTESE模拟了25万辆典型的25分钟驾驶周期,相当于4条主要公路高峰时段的交通流量在芝加哥。 ALCF的Theta系统是世界上功能最强大的超级计算机之一,并且仿真在不到15分钟的时间内使用了几乎所有系统的功能,这比实际的驾驶时间短。目前,在大型超级计算机上完成发动机循环的高真实度场景仿真需要几天的时间。一个典型的行驶周期具有数千个不同的发动机周期。

Aithal先前开发了基于物理的实时发动机模拟器pMODES(并行多燃料奥托柴油发动机模拟器),其运行速度不仅比传统发动机建模工具快得多。它还可以同时模拟数千个驾驶循环的性能和排放。 MaLTESE将驾驶仿真深度学习工具的技术与pMODES和Balaprakash相结合。

pMODES的发动机仿真结果用于训练深度神经网络,以学习驾驶条件和发动机/变速箱设计对车辆性能和排放的影响。经过训练的神经网络可以以微秒为单位预测发动机性能和排放,从而实现车载实时自适应控制。 Balaprakash表示:“对于需要大量高性能计算资源(例如驾驶周期分析)的多输入和多输出应用,驾驶模拟机器学习是理想的选择。可以在相对较小的参数子集中和相对较小的参数子集中训练这些工具。用于其他场景预测,不需要模拟。”

本文是第一作者的原创,未经授权不得复制。