MaLTESE：面向瞬态驾驶循环的大规模仿真驱动机器学习

瞬态驾驶循环中的最优发动机运行是实现更高燃油经济性、发动机效率和减少排放的关键。为实现持续最优的发动机运行，发动机标定方法结合使用从测功机稳态工作点测试获得的静态关联以及道路和/或赛道性能数据。随着控制变量、设计变量约束和目标函数的参数空间增大，最优标定的成本与耗时变得过大。为减少标定现代发动机所需的测功机测试次数，本文提出一种大规模仿真驱动机器学习方法。使用并行、快速、鲁棒、基于物理的降阶发动机模拟器，在各种瞬态驾驶条件（驾驶循环）下获取宽范围控制参数中发动机的性能与排放特性。我们将仿真扩展至阿贡领导计算设施的Theta超级计算机多达3,906个节点，以生成训练机器学习模型所需的数据。训练后的模型随后用于预测各类关注的发动机参数。我们的结果表明，基于深度神经网络的代理模型对排气温度、排气压力、一氧化氮和发动机扭矩等多种发动机参数实现了高精度。一旦训练完成，基于深度神经网络的代理模型推理很快：预测单一设计配置的发动机性能与排放约需16微秒，而发动机模拟器每配置约需0.5秒。此外，我们展示了可利用迁移学习与再训练对代理模型进行增量再训练，以应对超出训练数据空间的新配置。