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 提高发动机性能和燃油效率

  • 时间:
  • 浏览:0
  • 来源:彩神8app-彩神8app下载官网

盖世汽车讯 目前,市场对于提高发动机性能和燃油经济性、减少排放的需求日益增长,汽车制造商怎么让面临的压力那末 大。然而,实现哪几个目标颇具挑战。据外媒报道,美国能源部阿贡国家实验室(Argonne National Laboratory)研究人员正在开发深度图学习框架MaLTESE(发动机模拟与实验机器学习工具),以应对你这俩 挑战。



(图片来源:阿贡国家实验室官网)

在某些人日常通勤过程中,加速、低速 和急刹车,都会使引擎受到严重磨损。当事人驾驶习惯,以及道路和天气状况,也会造成一定损害。汽车制造商不断研究在不同条件下优化发动机运行的新措施。然而,是因为有超过20种不同的参数影响燃油经济性和排放,怎么让找到共要的措施深度图较慢,怎么让成本较高。

阿贡实验室研究人员Shashi Aithal和Prasanna Balaprakash利用ALCF(Argonne Leadership Computing Facility)的超级计算资源,为自动驾驶和云链接车辆开发MaLTESE。某些人希望该框架能用于开发车载系统,结合高性能计算和机器学习能力,实现更高水平的实时自适学数学习和控制。

为了研究不同的驾驶和发动机运行条件对发动机性能和排放的影响,研究人员使用MaLTESE模拟220万辆汽车的25分钟的典型驾驶周期,共要芝加哥好几个 主要高速公路高峰时节的交通流量。ALCF的Theta系统是世界上功能最强大的超级计算机之一,仿真几乎完整使用了该系统的完整能力,只需要能15分钟的时间,比实际驾驶所需时间更短。目前,即使是在大型超级计算机上完成有1个多多多发动机周期的高拟真情境仿真,要能 几天的时间。而有1个多多多典型的驾驶周期有数千个不同的发动机周期。

Aithal但是开发了基于物理的实时引擎仿真器pMODES(parallel Multi-fuel Otto Diesel Engine Simulator,并行多燃料四冲程柴油发动机仿真器),不仅运行深度图比传统的发动机建模工具快得多,怎么让还要能 同去模拟数千个驾驶周期的性能和排放。MaLTESE结合了pMODES与Balaprakash的驾驶仿真深度图学习工具的技术。

pMODES的发动机仿真结果用于训练深度图神经网络,学习驾驶条件和发动机/变速器设计对车辆性能和排放的影响。经过训练的神经网络可在微秒内预测发动机性能和排放,实现车载实时自适应控制。Balaprakash表示,“驾驶仿真机器学习非常适合于要能 血块高性能计算资源的多输入多输出应用,类式驾驶周期分析。哪几个工具可在巨大的参数范围内,使用相对较小的子集进行训练,怎么让用于某些场景预测,不需要进行模拟。”