Tutkimusryhmä kehitti laskennallisen menetelmän, jolla tehostetaan energiankäyttöä

Turun AMK:n tutkimusryhmä Computational Engineering and Analysis rakensi koneoppimismallin avulla saadulla datalla ideaalisen vauhdinjaon strategian, jota oikea urheilija voi hyödyntää omassa treenissään. Tutkimusryhmän vetäjä Eero Immonen näkee, että optimointimenetelmää on mahdollista soveltaa akkupohjaisten työkoneiden suunnittelussa.

Teksti: Siiri Welling 

Miten optimoida laitteen tai peräti ihmisen energiankäyttöä, jotta tulokset paranevat? 
Turun ammattikorkeakoulun yliopettajalla ja tutkijalla Eero Immosella on tähän kysymykseen nyt selkeä vastaus: matematiikalla. Tarkemmin sanottuna, hyödyntämällä koneoppimismallia ja yli 50 vuotta vanhoja laskelmia. 

– Kaikki lähti oikeastaan Turun ammattikorkeakoulun aikaisemmasta projektista, e3Powerista . Kehitimme siinä akkumalleja, mutta kehittäminen jäi tavallaan vähän kesken. Nyt pohdimme olemassa olevaan työkonekalustoon sopivaa optimointiratkaisua, joka kertoisi, miten akkujärjestelmää kuuluu käyttää, jotta siitä saadaan mahdollisimman paljon irti.  

Immosen tutkimusryhmän tuore raportti osuu hyvin ajankohtaiseen vaiheeseen. Maailman liikenne on jo pitkään sähköistynyt huimaa vauhtia, ja seuraavaksi sähköistyvät työkoneet. Esimerkiksi kaivosyhtiö Sandvik on kertonut, että se alkaa valmistaa akkukäyttöisiä kaivoskoneita. Vaikka tutkimusryhmän raportti keskittyy oikean ihmisen liikkumiseen ja oikean vauhtistrategian löytämiseen, on ongelma sama, kuin akkupohjaisilla työkoneilla: miten suorittaa toistuva tai hyvin ennalta määritelty tehtävä mahdollisimman energiatehokkaasti? Työkoneiden kohdalla akun toimintaa voisi optimoida vaikka niin, että kone kulkisi kaivoksesta ylös maanpinnalle mahdollisimman nopeasti.  

– Sekä työkoneiden että ihmisen kohdalla liikkumista rajoittavat fysiikan lait ja liikkujan rajallinen energiajärjestelmä. Juoksua tutkittiin, sillä optimiratkaisu tunnetaan hyvin, ja sitä kautta varmistettiin optimointimenetelmän toimivuus, sanoo Immonen.  

Immonen tutkimusryhmineen hyödynsi optimointiajattelussa fysiikan lakeja. Voiman käyttö mahdollistaa liikkumisen, mutta sitä on tuotettavissa vain rajallinen määrä. Voiman ja tehon käyttö pitäisikin suunnitella liikkumisen tavoitteiden kannalta älykkäästi. Asiaa voi ajatella vaikkapa koneen kiihtymisen kannalta: yleisesti tiedetään, että nopea kiihdytys kuluttaa energiaa, mutta akkukäyttöisissä työkoneissa on suotavaa miettiä, onko suuri energiankulutus järkevää. Ennen Immosen ryhmän tutkimusta laskelmia ei ole tehty koneoppimista hyödyntämällä niin, että laskennallinen ratkaisu kertoisi, mikä olisi optimaalisin tapa käyttää energiaa.

Käytännössä tietokone siis oppi juoksemaan maailmanennätyksiä uuden vauhdinjakostrategian avulla.

Ihmisen juoksunopeutta on jo tutkittu 

Immosen tutkimusryhmä lähestyi ongelmaa yhdysvaltalaisen matemaatikon Joseph Kellerin tutkimusaineistolla. Vuonna 1973 Keller tutki matemaattisilla malleilla maailmanennätysjuoksujen vauhdinjakoa. Keller keräsi dataa 400 metrin, 1 500 metrin ja 10 000 metrin matkoilta. Myös muut tahot ovat vuosien aikana kehittäneet matemaattisia menetelmiä juoksijan tehon parantamiseksi, mutta ilman koneoppimista.   

– Käytimme reinforcement learningia, eli eräänlaista vahvistukseen perustuvaa koneoppimismenetelmää. Syötimme koneeseen Kellerin 1970-luvulla keräämiä tietoja, ja tietokone laski useiden kymmenien tuhansien virtuaalisten juoksukokeiden kautta meille optimaalisen tavan juosta, jotta syntyisi uusi maailmanennätys. Käytännössä tietokone siis oppi juoksemaan maailmanennätyksiä uuden vauhdinjakostrategian avulla, selventää Immonen.  

Tutkimus oli hyvin onnistunut. Erityisesti pidemmillä, yli 1 500 metrin matkoilla Immosen tutkimusryhmän luomat nopeusprofiilit ovat melkein samoja kuin Kellerin esittämät ratkaisut. Turun ammattikorkeakoulun erikoistutkija Sajad Shahsavari teki suuren osan onnistuneesta tutkimuksesta.  

Immosen tutkimusryhmän tuloksia on mahdollista soveltaa nykypäivän urheilijan treeniohjelmaankin, tosin se vaatisi ensin uudenlaisen datan keräämistä urheilijalta. Immonen muistuttaa, että jokainen urheilija on omanlaisensa kokonaisuus, ja tämän kaltaisessa optimoinnissa pitäisi ottaa huomioon urheilijan oma aineenvaihdunta. Optimointimenetelmät sopivat erityisen hyvin tehtäviin, joissa on selkeä tavoite ja joissa on tarpeellista rajoittaa energianlähdettä. 

– Laskennallinen menetelmä on hyödynnettävissä laaja-alaisesti. Se, että pystyimme toistamaan Kellerin tulokset, antaa tärkeää uskottavuutta työkonemaailman sovelluksiin, jossa malliratkaisuja ei löydy, päättää Immonen.  

Artikkeli on julkaistu 24.11.2022 aiemmalla turkuamk.fi-sivustolla.

Tutustu tutkimukseen