Simulaatiodatan parantaminen reaalimaailman mittaustiedolla

Abstract

Tämän opinnäytetyön tavoitteena oli parantaa sähköisen raskaan ajoneuvon (Volvo FH Electric) energiankulutuksen simulointia yhdistämällä simulaatiomalli ja reaalimaailman mittaustieto. Taustaksi työ jäsensi simulaation peruskäsitteet (systeemi, simulaatiomalli, entiteetti) ja ajoneuvosimulaation keskeiset erityispiirteet, kuten ajoneuvon ja tien vuorovaikutuksen, voimansiirron ja energiahallinnan.

Työ liittyi Robocoast e-Heavy Vehicles -hankkeen (REHV) työpakettiin, josta Lapin AMK oli vastuussa. Työpaketin tavoitteena on havainnollistaa raskaiden ajoneuvojen sähköistymistä ja latausinfran mitoitusta pohjoisissa olosuhteissa.

Menetelmällisesti simulaatiot toteutettiin TruckMaker-ympäristössä Model-in-the-Loop -tasolla (MiL). Simulaation rinnalle rakennettiin mittaustietoon perustuva korjausmenetelmä, jossa regressiomalli hyödyntää ulkolämpötilaa ja ajettua matkaa kulutuksen tarkentamiseksi. Regressiomalli toteutettiin Python-ohjelmointi-kielellä ja TensorFlow-koneoppimisympäristössä. Menetelmä integroitui osaksi kehitettyä simulaation työnkulkua, jonka lopputuloksena syntyi simulaatiodataa hyödyntävä pelimoottoriteknologiaan perustuva sovellus.

Tuloksena syntynyt simulaatiomalli on riittävän tarkka mallintaakseen yleisellä tasolla sähköistyvän raskaan liikenteen vaikutuksia maankäyttöön ja sähköverkkoinfrastruktuurin tarpeisiin. Simulaatiomallia validoitiin hankepartnereilta saatua mittaustietoa vasten. Loppusovellus visualisoi simulaation tuloksia aitoon maantieteelliseen tietoon pohjautuvassa virtuaaliympäristössä Turun ja Helsingin välisellä moottoritieosuudella.

Opinnäytetyöprosessi loi perusosaamisen koneoppimisen käyttöön osana simulaation työnkulkua. Prosessi jätti myös paljon tilaa parannusehdotuksille, joista osa vaatisi parempaa mittaustietoa ja osa kokeiluja eri koneoppimisalgoritmien kanssa.

The aim of this thesis study was to improve the energy-consumption simulation of a battery-electric heavy-duty vehicle (Volvo FH Electric) by combining a simulation model with real-world measurement data. As background, the work structures the core concepts of simulation (system, simulation model, entity) and the key aspects of vehicle simulation, including vehicle–road interaction, the drivetrain, and energy management.

The study was part of a work package within the Robocoast e-Heavy Vehicles (REHV) project, for which Lapland UAS was responsible. The work package aims to illustrate the electrification of heavy-duty vehicles and the sizing of charging infrastructure in Arctic conditions. Methodologically, simulations were carried out in the TruckMaker environment at the Model-in-the-Loop (MiL) level. In parallel, a measurement-data-based correction method was developed, in which a regression model uses ambient temperature and driven distance to refine the energy-consumption estimates. The regression model was implemented in the Python programming language and the TensorFlow machine-learning framework. The method was integrated into the developed simulation workflow, resulting in an application based on game-engine technology that utilises the simulation data.

The resulting simulation model is sufficiently accurate to capture, at a general level, the impacts of heavy-duty electrification on land use and power-grid infra-structure needs. The model was validated against measurement data obtained from project partners. The final application visualises the simulation results in a virtual environment grounded in real geographic data along the motorway section between Turku and Helsinki. The thesis establishes foundational competence for applying machine learning within the simulation workflow. The process also left ample room for improvements—some requiring higher-quality measurement data and others calling for experiments with alternative machine-learning algorithms.