論文の概要: Forecasting Thermoacoustic Instabilities in Liquid Propellant Rocket
Engines Using Multimodal Bayesian Deep Learning
- arxiv url: http://arxiv.org/abs/2107.06396v1
- Date: Thu, 1 Jul 2021 18:28:13 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-18 12:22:35.929415
- Title: Forecasting Thermoacoustic Instabilities in Liquid Propellant Rocket
Engines Using Multimodal Bayesian Deep Learning
- Title(参考訳): マルチモーダルベイズ深層学習による液体推進剤ロケットエンジンの熱音響不安定性予測
- Authors: Ushnish Sengupta, G\"unther Waxenegger-Wilfing, Justin Hardi, Matthew
P. Juniper
- Abstract要約: 我々は、動的圧力時系列の振幅を予測するために、自己回帰ベイズニューラルネットワークモデルを訓練する。
ネットワークは、圧力振幅の進化を正確に予測し、目に見えない実験で500ミリ秒前に不安定事象を予測できる。
- 参考スコア(独自算出の注目度): 1.911678487931003
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The 100 MW cryogenic liquid oxygen/hydrogen multi-injector combustor BKD
operated by the DLR Institute of Space Propulsion is a research platform that
allows the study of thermoacoustic instabilities under realistic conditions,
representative of small upper stage rocket engines. We use data from BKD
experimental campaigns in which the static chamber pressure and fuel-oxidizer
ratio are varied such that the first tangential mode of the combustor is
excited under some conditions. We train an autoregressive Bayesian neural
network model to forecast the amplitude of the dynamic pressure time series,
inputting multiple sensor measurements (injector pressure/ temperature
measurements, static chamber pressure, high-frequency dynamic pressure
measurements, high-frequency OH* chemiluminescence measurements) and future
flow rate control signals. The Bayesian nature of our algorithms allows us to
work with a dataset whose size is restricted by the expense of each
experimental run, without making overconfident extrapolations. We find that the
networks are able to accurately forecast the evolution of the pressure
amplitude and anticipate instability events on unseen experimental runs 500
milliseconds in advance. We compare the predictive accuracy of multiple models
using different combinations of sensor inputs. We find that the high-frequency
dynamic pressure signal is particularly informative. We also use the technique
of integrated gradients to interpret the influence of different sensor inputs
on the model prediction. The negative log-likelihood of data points in the test
dataset indicates that predictive uncertainties are well-characterized by our
Bayesian model and simulating a sensor failure event results as expected in a
dramatic increase in the epistemic component of the uncertainty.
- Abstract(参考訳): DLR宇宙推進研究所(DLR Institute of Space Propulsion)が運営する100MWの低温液体酸素/水素マルチインジェクターBKDは、現実的な条件下での熱音響不安定性の研究を可能にする研究プラットフォームである。
いくつかの条件下で燃焼器の1次接点モードが励起されるように静室圧と燃料酸化剤比が変化するBKD実験キャンペーンのデータを用いる。
複数のセンサ計測(インジェクタ圧力/温度測定、静室圧力測定、高周波動的圧力測定、高周波OH*化学発光測定)と将来の流量制御信号を入力することで、動的圧力時系列の振幅を予測するために自己回帰ベイズニューラルネットワークモデルを訓練する。
我々のアルゴリズムのベイズ的性質は、自信過剰な外挿を行うことなく、実験の実行毎にサイズが制限されるデータセットを扱うことを可能にする。
その結果,ネットワークは圧力振幅の変動を正確に予測でき,500ミリ秒前の未発見実験ランにおける不安定事象を予測できることがわかった。
センサ入力の異なる組み合わせを用いて複数のモデルの予測精度を比較する。
高周波の動的圧力信号は特に有意である。
また,様々なセンサ入力がモデル予測に与える影響を解釈するために,統合勾配の手法を用いる。
テストデータセットにおけるデータポイントの負のログ類似性は、予測の不確かさがベイズモデルによってよく特徴付けされ、不確かさの認識成分の劇的な増加で予想されるようにセンサ障害イベント結果をシミュレートしていることを示している。
関連論文リスト
- Stochastic Flow Matching for Resolving Small-Scale Physics [28.25905372253442]
気象などの物理科学では、超解答の小さな詳細が大きな課題となっている。
入力を潜在基底分布に符号化し、次いでフローマッチングを行い、小規模物理を生成する。
我々は現実世界のCWA気象データセットとPDEベースのコルモゴロフ気象データセットの両方について広範な実験を行った。
論文 参考訳(メタデータ) (2024-10-17T21:09:13Z) - A Predictive Surrogate Model for Heat Transfer of an Impinging Jet on a
Concave Surface [0.0]
本稿では, 円錐面に衝突するパルス噴流の伝熱予測におけるモデル次数削減(MOR)と深層学習の有効性について検討する。
そこで本研究では,Fast Fourier Transformation augmented Artificial Neural Network (FFT-ANN) を用いて,定周波シナリオ下での平均ヌッセルト数を予測する。
POD-LSTM法は, 時間モードの傾向と値の両方を捉えることにより, ランダム周波数インピーダンスシナリオ下での局所熱伝達率を予測するための堅牢な解であることが証明された。
論文 参考訳(メタデータ) (2024-02-16T12:41:31Z) - Machine learning enabled experimental design and parameter estimation
for ultrafast spin dynamics [54.172707311728885]
機械学習とベイズ最適実験設計(BOED)を組み合わせた方法論を提案する。
本手法は,大規模スピンダイナミクスシミュレーションのためのニューラルネットワークモデルを用いて,BOEDの正確な分布と実用計算を行う。
数値ベンチマークでは,XPFS実験の誘導,モデルパラメータの予測,実験時間内でのより情報的な測定を行う上で,本手法の優れた性能を示す。
論文 参考訳(メタデータ) (2023-06-03T06:19:20Z) - Machine learning enhanced real-time aerodynamic forces prediction based
on sparse pressure sensor inputs [7.112725255953468]
本稿では,少数の圧力センサを用いたデータ駆動型空気力予測モデルを提案する。
本モデルでは,2次元NACA0015翼の動的ストールデータと3次元ドローンの動的ストールデータの数値シミュレーションデータを用いて実験を行った。
論文 参考訳(メタデータ) (2023-05-16T06:15:13Z) - Forecasting subcritical cylinder wakes with Fourier Neural Operators [58.68996255635669]
実験によって測定された速度場の時間的変化を予測するために,最先端の演算子学習手法を適用した。
その結果、FNOはレイノルズ数の範囲で実験速度場の進化を正確に予測できることがわかった。
論文 参考訳(メタデータ) (2023-01-19T20:04:36Z) - Environmental Sensor Placement with Convolutional Gaussian Neural
Processes [65.13973319334625]
センサーは、特に南極のような遠隔地において、その測定の情報量が最大になるように配置することは困難である。
確率論的機械学習モデルは、予測の不確実性を最大限に低減するサイトを見つけることによって、情報的センサ配置を提案することができる。
本稿では,これらの問題に対処するために,畳み込み型ガウスニューラルプロセス(ConvGNP)を提案する。
論文 参考訳(メタデータ) (2022-11-18T17:25:14Z) - Physics-informed machine learning with differentiable programming for
heterogeneous underground reservoir pressure management [64.17887333976593]
地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。
地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。
過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
論文 参考訳(メタデータ) (2022-06-21T20:38:13Z) - Visual-tactile sensing for Real-time liquid Volume Estimation in
Grasping [58.50342759993186]
変形性容器内の液体をリアルタイムに推定するためのビジュオ触覚モデルを提案する。
我々は、RGBカメラからの生の視覚入力と、特定の触覚センサーからの触覚手がかりの2つの感覚モードを融合する。
ロボットシステムは、推定モデルに基づいて、リアルタイムで適切に制御され、調整される。
論文 参考訳(メタデータ) (2022-02-23T13:38:31Z) - Physics-informed CoKriging model of a redox flow battery [68.8204255655161]
レドックスフロー電池(RFB)は、大量のエネルギーを安価かつ効率的に貯蔵する機能を提供する。
RFBの充電曲線の高速かつ正確なモデルが必要であり、バッテリ容量と性能が向上する可能性がある。
RFBの電荷分配曲線を予測する多相モデルを構築した。
論文 参考訳(メタデータ) (2021-06-17T00:49:55Z) - Echo State Network for two-dimensional turbulent moist Rayleigh-B\'enard
convection [0.0]
モイストrayleigh-b'enard対流の進化を近似するためにエコー状態ネットワークを適用する。
我々のモデルは複雑なダイナミクスを学習することができると結論づける。
論文 参考訳(メタデータ) (2021-01-27T11:27:16Z) - Early Detection of Thermoacoustic Instabilities in a Cryogenic Rocket
Thrust Chamber using Combustion Noise Features and Machine Learning [2.5206785921576293]
熱音響不安定性の早期検出のためのデータ駆動手法を提案する。
動的圧力センサデータの短周期時系列から特性燃焼特性を計算するために, 再帰解析を用いる。
ほとんどの場合、トレーニングに使用されていないテストデータに対して、この手法は2種類の熱音響不安定性をタイムリーに予測することができる。
論文 参考訳(メタデータ) (2020-11-25T17:30:00Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。