公司新闻

机器学习在发动机设计中的应用
2019年08月06日 赞:1571次

 


机器学习在发动机设计中的应用

     最近五年“机器学习”已经成为真正的热词,从交通流量预测、智能手机虚拟助手到基因测序,机器学习惠及各个行业,科研人员利用其基于大数据来增强预测能力。

      除了增加日常生活的便利性,机器学习还可以推动技术的进步。近期,CSI公司(Convergent Science Inc)美国阿贡国家实验室、沙特阿拉伯国家石油公司等合作将机器学习技术应用于汽车发动机研发领域,进一步加强CONVERGE的CFD研究能力。机器学习利用现存的数据库来优化和预测性能更好、效率更高、排放更好的新设计。在市场竞争和日趋严格的减排需求背景下,机器学习和发动机CFD的结合是一个非常有前景的发展方向。

 

1
机器学习概述

    在非常基础的层面,机器学习意味着利用数据做出准确预测。比如我们每天都会遭遇定投广告。营销人员就是利用机器学习获取我们的统计数据和兴趣偏好信息后提供了相关产品推荐。而且多数时候这些推荐都惊人的准确。

开发机器学习模型的第一步就是科学家去收集巨大的数据库,然后机器学习模型对数据进行数值统计,探测输入输出之间的关系,这个过程就是所谓的模型训练。为了评估模型的准确性,科学家通常会给模型一个未包含在训练数据库中的测试数据库来检验其预测准确性。算法越准确,预测失误风险越低。目前有很多机器学习算法(决策树、支持向量机、神经网络等),其中有些已经发展了数十年。


2
CFD应用

    发动机设计者常用的一种优化技术是遗传算法(GA)。CONVERGE就包含了这样一个工具CONGO,利用“适者生存法”来优化设计,即选取个体设计在一组由用户定义变量生成的设计种群中相互竞争。每个个体设计包含多个优化特征,如燃烧阶段、燃烧形态设计等。一个GA研究的目标就是优化一个结果,比如比油耗,同时又保留在某些特定的约束内,比如排放或燃烧峰压。CONVERGE无需耦合第三方工具,优化流程实施非常简洁,以及无需手动划分网格以及参数输入输出的文本化控制,成为CFD-GA优化的理想工具



    顾名思义,遗传算法研究需要运行连续几代。这种方法的缺点之一就是各代的运算时间很长,有时甚至需要数个月的时间。这是因为大多数发动机CFD模拟的单个结果都需要一天到一周的时间。发动机研究者常常需要一种比GA优化更快的方法。为了满足这种需求,Moiz等人就把机器学习和基因算法优化结合起来以快速开发汽油压燃(GCI)发动机设计。他们研究的发动机使用了低辛烷汽油部分预混后压燃。


    首先,科学家们运算了大规模(2048个CONVERGE独立仿真算例)空间填充实验设计(DoE)来创建训练数据库。DoE可以一次完成所有定义,这样所有仿真可以同步进行。随着像阿贡国家实验室的Mira这样的超级计算机的出现和应用,整个DoE的CFD仿真可在几天内完成。作者还研究了使用更小的训练数据库以确定成本更低的DoE是否足够要求。他们发现学习曲线有希望减少为一个样本大小为300的DoE。



整个过程中CONVERGE表现优秀,2048个采样案例的输入文件全部由CONVERGE CONGO工具自动生成,分6批,每批256个算例,在超算上完成,每个算例使用32个处理器,包括排队时间整个计算过程耗时两周。CONVERGE在超级计算机上运行稳定,并行效率很高,理论上,只要资源允许,整个计算过程可以压缩到一天内完成!




    像GCI这样的新兴燃烧技术有足够的优化空间以最大化的提升效率和减少排放,数值研究是这项任务的理想选择。在目前的研究中,作者采用机器学习遗传算法来减少GCI发动机设计的优化周期并克服上述困难。基本过程如下:


1. 用CONVERGE完成2000多个高精度CFD模拟,创建用于机器学习模型训练的大数据库

2. 基于CFD数据训练和测试机器学习模型

3. 使用机器学习算法作为优化设计空间的模拟器以优化发动机设计


     机器学习(ML)遗传算法过程比传统遗传优化更具速度优势。首先,工程师可以并行计算一些初始CFD仿真,快速生成种子数据。其次,和需要128个处理器并行12个小时完成的高精度CFD模拟相比,机器学习遗传算法模拟器可以在几秒内评估一个设计。

    在以CFD结果为目标函数的遗传算法优化中,连续运行CFD模拟是整个过程的瓶颈所在。而机器学习遗传算法大大减少了时间,可以在一天时间内进行完全优化。这个方法的另一个好处在于工程师可以使用初始的空间填充DoE数据库对未来设计空间进行探寻或不确定性分析。

机器学习现在在软件应用方面已经成为无处不在的强大工具。当机器学习基因算法和CFD相结合也可以帮助设计者更快的优化发动机效率和性能。

   CONVERGE特有的网格技术、物理模型等优势在建立学习库的过程中提供快速而精确的CFD仿真数据,是机器学习算法成长的强有力的支撑和基础。

 

 


参考文献

[1] Moiz, A., Pal, P., Probst, D., Pei, Y., Zhang, Y., Som, S., and Kodavasal, J., “A Machine Learning-Genetic Algorithm (ML-GA) Approach for Rapid Optimization Using High-Performance Computing,” SAE Paper 2018-01-0190, 2018. DOI:10.4271/2018-01-0190



本文由IDAJ中国CONVERGE工程师翻译并整理发布

返回顶部

IDAJ解决方案

产品信息