論文の概要: Dynamical Mode Recognition of Coupled Flame Oscillators by Supervised and Unsupervised Learning Approaches

• arxiv url: http://arxiv.org/abs/2404.17801v2
• Date: Wed, 30 Oct 2024 08:57:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-31 20:43:52.102443
• Title: Dynamical Mode Recognition of Coupled Flame Oscillators by Supervised and Unsupervised Learning Approaches
• Title（参考訳）: 教師なし学習による連成火炎振動子の動的モード認識
• Authors: Weiming Xu, Tao Yang, Peng Zhang,
• Abstract要約: 燃焼不安定は燃焼研究において最も困難な問題の一つである。 多くの燃焼システムの安全かつ信頼性の高い運転を保証するためには,燃焼不安定性の同定と理解が不可欠である。
• 参考スコア（独自算出の注目度）: 7.088178570214894
• License:
• Abstract: Combustion instability in gas turbines and rocket engines, as one of the most challenging problems in combustion research, arises from the complex interactions among flames, which are also influenced by chemical reactions, heat and mass transfer, and acoustics. Identifying and understanding combustion instability is essential to ensure the safe and reliable operation of many combustion systems, where exploring and classifying the dynamical behaviors of complex flame systems is a core take. To facilitate fundamental studies, the present work concerns dynamical mode recognition of coupled flame oscillators made of flickering buoyant diffusion flames, which have gained increasing attention in recent years but are not sufficiently understood. The time series data of flame oscillators are generated by fully validated reacting flow simulations. Due to limitations of expertise-based models, a data-driven approach is adopted. In this study, a nonlinear dimensional reduction model of variational autoencoder (VAE) is used to project the simulation data onto a 2-dimensional latent space. Based on the phase trajectories in latent space, both supervised and unsupervised classifiers are proposed for datasets with well known labeling and without, respectively. For labeled datasets, we establish the Wasserstein-distance-based classifier (WDC) for mode recognition; for unlabeled datasets, we develop a novel unsupervised classifier (GMM-DTWC) combining dynamic time warping (DTW) and Gaussian mixture model (GMM). Through comparing with conventional approaches for dimensionality reduction and classification, the proposed supervised and unsupervised VAE-based approaches exhibit a prominent performance for distinguishing dynamical modes, implying their potential extension to dynamical mode recognition of complex combustion problems.
• Abstract（参考訳）: ガスタービンやロケットエンジンの燃焼不安定性は、燃焼研究において最も難しい問題の一つであり、化学反応、熱と物質移動、音響の影響も受けている。 多くの燃焼システムの安全かつ信頼性の高い運転を保証するためには,燃焼不安定性の同定と理解が不可欠である。 本研究は,近年注目されているが十分に理解されていない浮き浮き浮き火炎を用いた連成火炎振動子の動的モード認識に関する基礎研究である。 火炎振動子の時系列データは、完全に検証された反応流シミュレーションによって生成される。 専門知識に基づくモデルの制限のため、データ駆動アプローチが採用されている。 本研究では,変分オートエンコーダ(VAE)の非線形次元還元モデルを用いて,シミュレーションデータを2次元潜在空間に投影する。 遅延空間における位相軌跡に基づいて、よく知られたラベル付きデータセットに対して、教師なし分類器と教師なし分類器をそれぞれ提案する。 ラベル付きデータセットに対しては、モード認識のためのWDC(Wasserstein-Distance-based Classifier)を確立し、ラベル付きデータセットに対しては、動的時間ワープ(DTW)とガウス混合モデル(GMM)を組み合わせた新しい教師なし分類器(GMM-DTWC)を開発する。 従来の次元の低減と分類の手法と比較して, 提案手法は, 複雑な燃焼問題の動的モード認識への潜在的な拡張を示唆し, 動的モードを識別するための顕著な性能を示す。

関連論文リスト

• CycleHOI: Improving Human-Object Interaction Detection with Cycle Consistency of Detection and Generation [37.45945633515955]
  本稿では,人間と物体の相互作用(HOI)の検出性能を高めるために,CycleHOIという新しい学習フレームワークを提案する。 我々の鍵となる設計は、HOI検出器のトレーニングのための新しいサイクル整合性損失を導入することである。 我々は,CycleHOIの有効性と一般化力を検証するための広範囲な実験を行った。
  論文  参考訳（メタデータ） (2024-07-16T06:55:43Z)
• Learning Flame Evolution Operator under Hybrid Darrieus Landau and Diffusive Thermal Instability [0.0]
  本稿では,火炎不安定性のダイナミクスを解明するために,新しい作業者学習手法の適用について検討する。 トレーニングデータセットには幅広いパラメータ構成が含まれており、パラメトリックソリューション前進演算子を学習することができる。 その結果, 短期および長期の火炎進展を正確に予測する上で, これらの手法の有効性が示された。
  論文  参考訳（メタデータ） (2024-05-11T18:31:13Z)
• A conditional latent autoregressive recurrent model for generation and forecasting of beam dynamics in particle accelerators [46.348283638884425]
  本稿では,加速器内の荷電粒子のダイナミクスを学習するための2段階の非教師付きディープラーニングフレームワークであるLatent Autoregressive Recurrent Model (CLARM)を提案する。 CLARMは、潜在空間表現をキャプチャしてデコードすることで、様々な加速器サンプリングモジュールでプロジェクションを生成することができる。 その結果,提案手法の予測能力と生成能力は,様々な評価指標と比較した場合に有望であることが示唆された。
  論文  参考訳（メタデータ） (2024-03-19T22:05:17Z)
• Dimensionality Reduction and Dynamical Mode Recognition of Circular Arrays of Flame Oscillators Using Deep Neural Network [7.966402372024724]
  本研究では,振動燃焼系における動的モードを認識するための有望な手法 (Bi-LSTM-VAE-WDC) を提案する。 具体的には, 燃焼系の高次元時空間データを低次元位相空間に還元するために, Bi-LSTM-VAE次元縮小モデルを導入した。 その結果,新しいBi-LSTM-VAE法では位相点の非重複分布が生成され,非教師なしモード認識と分類が効果的であることが示唆された。
  論文  参考訳（メタデータ） (2023-12-05T03:25:45Z)
• Interactive System-wise Anomaly Detection [66.3766756452743]
  異常検出は様々なアプリケーションにおいて基本的な役割を果たす。 既存のメソッドでは、インスタンスがデータとして容易に観察できないシステムであるシナリオを扱うのが難しい。 システム埋め込みを学習するエンコーダデコーダモジュールを含むエンドツーエンドアプローチを開発する。
  論文  参考訳（メタデータ） (2023-04-21T02:20:24Z)
• Forecasting through deep learning and modal decomposition in two-phase concentric jets [2.362412515574206]
  本研究はターボファンエンジンにおける燃料室噴射器の性能向上を目的としている。 燃料/空気混合物のリアルタイム予測と改善を可能にするモデルの開発が必要である。
  論文  参考訳（メタデータ） (2022-12-24T12:59:41Z)
• Differentiable Agent-based Epidemiology [71.81552021144589]
  GradABM(GradABM)は、エージェントベースのモデリングのためのスケーラブルで微分可能な設計で、勾配に基づく学習と自動微分が可能である。 GradABMは、コモディティハードウェア上で数秒で数百万の人口をシミュレートし、ディープニューラルネットワークと統合し、異種データソースを取り込みます。
  論文  参考訳（メタデータ） (2022-07-20T07:32:02Z)
• Data-driven Control of Agent-based Models: an Equation/Variable-free Machine Learning Approach [0.0]
  複雑/マルチスケールシステムの集合力学を制御するための方程式/変数自由機械学習(EVFML)フレームワークを提案する。 提案手法は3段階からなる: (A) 高次元エージェントベースシミュレーション、機械学習(特に非線形多様体学習(DM)) 創発力学の数値分岐解析を行うために方程式のない手法を用いる。 我々は,エージェントをベースとしたシミュレータを本質的で不正確に知られ,創発的なオープンループ定常状態に駆動する,データ駆動型組込み洗浄制御器を設計する。
  論文  参考訳（メタデータ） (2022-07-12T18:16:22Z)
• Capturing Actionable Dynamics with Structured Latent Ordinary Differential Equations [68.62843292346813]
  本稿では,その潜在表現内でのシステム入力の変動をキャプチャする構造付き潜在ODEモデルを提案する。 静的変数仕様に基づいて,本モデルではシステムへの入力毎の変動要因を学習し,潜在空間におけるシステム入力の影響を分離する。
  論文  参考訳（メタデータ） (2022-02-25T20:00:56Z)
• Dynamic Mode Decomposition in Adaptive Mesh Refinement and Coarsening Simulations [58.720142291102135]
  動的モード分解(DMD)はコヒーレントなスキームを抽出する強力なデータ駆動方式である。 本稿では,異なるメッシュトポロジと次元の観測からDMDを抽出する戦略を提案する。
  論文  参考訳（メタデータ） (2021-04-28T22:14:25Z)
• SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier Detection [63.253850875265115]
  外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。 そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
  論文  参考訳（メタデータ） (2020-03-11T00:22:50Z)

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。