論文の概要: Numerical Demonstration of Multiple Actuator Constraint Enforcement
Algorithm for a Molten Salt Loop
- arxiv url: http://arxiv.org/abs/2202.02094v1
- Date: Fri, 4 Feb 2022 11:58:40 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-07 17:08:19.030209
- Title: Numerical Demonstration of Multiple Actuator Constraint Enforcement
Algorithm for a Molten Salt Loop
- Title(参考訳): 溶融塩ループに対する複数アクチュエータ拘束強化アルゴリズムの数値実証
- Authors: Akshay J. Dave, Haoyu Wang, Roberto Ponciroli, Richard B. Vilim
- Abstract要約: 溶融塩ループの自律制御に対して、解釈可能で適応可能なデータ駆動機械学習アプローチを実証する。
適応性に対処するために、制御アルゴリズムを使用して、定数と時間依存の制約を強制しながらアクチュエータセットポイントを変更する。
- 参考スコア(独自算出の注目度): 5.6006269492683725
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: To advance the paradigm of autonomous operation for nuclear power plants, a
data-driven machine learning approach to control is sought. Autonomous
operation for next-generation reactor designs is anticipated to bolster safety
and improve economics. However, any algorithms that are utilized need to be
interpretable, adaptable, and robust.
In this work, we focus on the specific problem of optimal control during
autonomous operation. We will demonstrate an interpretable and adaptable
data-driven machine learning approach to autonomous control of a molten salt
loop. To address interpretability, we utilize a data-driven algorithm to
identify system dynamics in state-space representation. To address
adaptability, a control algorithm will be utilized to modify actuator setpoints
while enforcing constant, and time-dependent constraints. Robustness is not
addressed in this work, and is part of future work. To demonstrate the
approach, we designed a numerical experiment requiring intervention to enforce
constraints during a load-follow type transient.
- Abstract(参考訳): 原子力発電所の自律運転のパラダイムを推し進めるために、データ駆動機械学習による制御のアプローチが求められている。
次世代原子炉設計の自律運転は安全性を高め、経済性を向上させることが期待されている。
しかし、利用されるアルゴリズムは、解釈可能、適応可能、堅牢である必要がある。
本研究では,自律運転時の最適制御の具体的問題に焦点をあてる。
溶融塩ループの自律制御に対する解釈可能かつ適応可能なデータ駆動機械学習アプローチを実証する。
解釈可能性に対処するために、状態空間表現におけるシステムダイナミクスの同定にデータ駆動アルゴリズムを用いる。
適応性に対処するために、制御アルゴリズムを利用して、定数と時間依存制約を課しながらアクチュエータのセットポイントを修正する。
この作業では堅牢性は対処されておらず、将来の作業の一部である。
提案手法を実証するために,負荷追従型過渡期における制約を強制するための介入を必要とする数値実験を設計した。
関連論文リスト
- A Safe Reinforcement Learning Algorithm for Supervisory Control of Power
Plants [7.1771300511732585]
モデルフリー強化学習(RL)は、制御タスクのための有望なソリューションとして登場した。
本稿では,監督制御のための近似ポリシ最適化に基づく確率制約付きRLアルゴリズムを提案する。
本手法は, 原子力プラント設計における負荷追従操作において, 違反距離と違反率の最小化を実現するものである。
論文 参考訳(メタデータ) (2024-01-23T17:52:49Z) - Actively Learning Reinforcement Learning: A Stochastic Optimal Control
Approach [3.7728340443952577]
提案する枠組みは,2つある: (i) 活発な探索と意図的な情報収集を伴う強化学習, (i) ミスマッチのモデル化による状態と不確実性を制御し, (ii) 最適制御の膨大な計算コストを克服する。
我々は、強化学習を用いて最適制御法を達成することにより、両方の目的にアプローチする。
論文 参考訳(メタデータ) (2023-09-18T18:05:35Z) - Active Uncertainty Reduction for Safe and Efficient Interaction
Planning: A Shielding-Aware Dual Control Approach [9.07774184840379]
本稿では,暗黙的二重制御パラダイムに基づく対話型動作計画における能動的不確実性低減を実現するアルゴリズムを提案する。
提案手法は, 動的プログラミングのサンプリングに基づく近似に依拠し, リアルタイム勾配最適化法で容易に解けるモデル予測制御問題に導かれる。
論文 参考訳(メタデータ) (2023-02-01T01:34:48Z) - Active Learning of Discrete-Time Dynamics for Uncertainty-Aware Model
Predictive Control [49.60520501097199]
本稿では,非線形ロボットシステムの力学を積極的にモデル化する自己教師型学習手法を提案する。
我々のアプローチは、目に見えない飛行条件に一貫して適応することで、高いレジリエンスと一般化能力を示す。
論文 参考訳(メタデータ) (2022-10-23T00:45:05Z) - Differentiable Constrained Imitation Learning for Robot Motion Planning
and Control [0.26999000177990923]
我々は,交通エージェントのシミュレーションだけでなく,ロボットの動作計画と制御を制約するフレームワークを開発した。
モバイルロボットと自動運転アプリケーションに焦点をあてる。
移動ロボットナビゲーションと自動走行のシミュレーション実験は,提案手法の性能を示す証拠となる。
論文 参考訳(メタデータ) (2022-10-21T08:19:45Z) - Learning Robust Policy against Disturbance in Transition Dynamics via
State-Conservative Policy Optimization [63.75188254377202]
深層強化学習アルゴリズムは、ソースとターゲット環境の相違により、現実世界のタスクでは不十分な処理を行うことができる。
本研究では,前もって乱れをモデル化せずにロバストなポリシーを学習するための,モデルフリーなアクター批判アルゴリズムを提案する。
いくつかのロボット制御タスクの実験では、SCPOは遷移力学の乱れに対する堅牢なポリシーを学習している。
論文 参考訳(メタデータ) (2021-12-20T13:13:05Z) - Robust Value Iteration for Continuous Control Tasks [99.00362538261972]
シミュレーションから物理システムへ制御ポリシを転送する場合、そのポリシは、動作の変動に対して堅牢でなければならない。
本稿では、動的プログラミングを用いて、コンパクトな状態領域上での最適値関数を計算するRobust Fitted Value Iterationを提案する。
より深い強化学習アルゴリズムや非ロバストなアルゴリズムと比較して、ロバストな値の方が頑健であることを示す。
論文 参考訳(メタデータ) (2021-05-25T19:48:35Z) - Strictly Batch Imitation Learning by Energy-based Distribution Matching [104.33286163090179]
すなわち、強化信号へのアクセスがなく、遷移力学の知識がなく、環境とのさらなる相互作用もない。
1つの解決策は、既存のアルゴリズムをオフライン環境で動作させるために、見習いの学習に適合させることである。
しかし、このようなアプローチは、政治外の評価やオフラインモデルの推定に大きく依存しており、間接的で非効率である可能性がある。
優れたソリューションは、ポリシーを明示的にパラメータ化し、ロールアウトダイナミクスから暗黙的に学習し、完全にオフラインで運用できるべきだ、と私たちは主張する。
論文 参考訳(メタデータ) (2020-06-25T03:27:59Z) - Improving Input-Output Linearizing Controllers for Bipedal Robots via
Reinforcement Learning [85.13138591433635]
入力出力線形化コントローラの主な欠点は、正確な力学モデルが必要であり、入力制約を考慮できないことである。
本稿では,強化学習技術を用いた二足歩行ロボット制御の具体例について,両課題に対処する。
論文 参考訳(メタデータ) (2020-04-15T18:15:49Z) - Thinking While Moving: Deep Reinforcement Learning with Concurrent
Control [122.49572467292293]
本研究では,制御システムの時間的進化とともに,ポリシーからのアクションのサンプリングを同時に行わなければならないような環境下での強化学習について検討する。
人や動物のように、ロボットは思考と移動を同時に行わなければならず、前の動作が完了する前に次の動作を決定する。
論文 参考訳(メタデータ) (2020-04-13T17:49:29Z) - Online Constrained Model-based Reinforcement Learning [13.362455603441552]
主要な要件は、限られた時間とリソース予算内に留まりながら、継続的な状態とアクションスペースを扱う能力である。
本稿では,ガウス過程回帰と回帰水平制御を組み合わせたモデルに基づくアプローチを提案する。
本研究では,自動走行作業におけるオンライン学習のメリットを実証する。
論文 参考訳(メタデータ) (2020-04-07T15:51:34Z)
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。