論文の概要: A Reinforcement-Learning-Augmented Liquid-Fueled Reactor Network Model for Predicting Lean Blowout in Gas Turbine Combustors

• arxiv url: http://arxiv.org/abs/2607.19281v1
• Date: Tue, 21 Jul 2026 16:53:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-22 19:05:05.494395
• Title: A Reinforcement-Learning-Augmented Liquid-Fueled Reactor Network Model for Predicting Lean Blowout in Gas Turbine Combustors
• Title（参考訳）: ガスタービン燃焼器のリーンブローアウト予測のための強化学習型液体燃料炉ネットワークモデル
• Abstract要約: 本研究では, ガスタービン燃焼器のリーンブローアウト予測を改善するために, リアクトル生成のための強化学習(RL)フレームワークを提案する。 このフレームワークは、マルチステージクラスタリング-分類戦略を採用しており、初期クラスタリングステップは、大量の均一なマイクロクラスタを生成し、続いてアクタークリティカルなRLエージェントがそれらを最適な原子炉ゾーンにマージする。 Jet-A メカニズム (119種 841 反応) を用いて実施した検証研究は、RL フレームワークが$k$-means と比較して予測忠実性を向上し、正しい LBO 傾向を捉えながら、高忠実度計算モデルと比較して実質的なスピードアップを実現していることを示している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This study introduces a reinforcement learning (RL) framework for generating optimal liquid-fueled reactors to improve lean blowout (LBO) predictions in gas turbine combustors. Existing approaches for determining cluster boundaries rely on manual heuristics or distance-based metrics in the input space. In contrast, the proposed method is goal-oriented, explicitly accounting for the target metric (e.g., LBO prediction accuracy) during cluster formation. The framework employs a multi-stage clustering--classification strategy: an initial clustering step (e.g., $k$-means clustering) generates a large set of homogeneous micro-clusters, followed by an actor-critic RL agent that merges them into optimal reactor zones. The validation study, performed using a Jet-A mechanism (119 species, 841 reactions), shows the RL framework offers improved predictive fidelity compared to $k$-means and captures the correct LBO trends, while achieving substantial speedups relative to the high-fidelity computational model. Overall, the RL-driven approach demonstrates strong potential as a computationally efficient reduced-order modeling technique that can complement high-fidelity simulations for rapid design-space exploration.
• Abstract（参考訳）: 本研究では, ガスタービン燃焼器のリーンブローアウト(LBO)予測を改善するために, 最適液体燃料反応器を生成するための強化学習(RL)フレームワークを提案する。 クラスタ境界を決定するための既存のアプローチは、入力空間における手動ヒューリスティックや距離ベースのメトリクスに依存している。 対照的に,提案手法は,クラスタ形成時の目標距離(例えば,LBO予測精度)を明示的に考慮し,目標指向である。 初期クラスタリングステップ(例えば$k$-meansクラスタリング)は、多数の均一なマイクロクラスタを生成し、アクタークリティカルなRLエージェントがそれらを最適な原子炉ゾーンにマージする。 検証研究はJet-A機構 (119種, 841反応) を用いて行われ、RLフレームワークは$k$-meansと比較して予測忠実度が向上し、正しいLBOトレンドを捉えながら、高忠実度計算モデルと比較して実質的なスピードアップを実現している。 全体として、RL駆動のアプローチは、高速な設計空間探索のために高忠実度シミュレーションを補完できる計算効率の低い低次モデリング技術として、強い可能性を示している。

関連論文リスト

• Binary Kernel Logistic Regression: a sparsity-inducing formulation and a convergent decomposition training algorithm [0.5680416078423551]
  カーネルロジスティック回帰(カーネルロジスティックレグレッション、英: Kernel Logistic regression、KLR)は、二分法および多クラス分類のための教師付き学習法である。 KLRのスパーシリティに対処する以前の試みには、ベクトルインポートマシン(Vector Import Machine, IVM)と呼ばれる方法がある。 本稿では,Keerthiらによって提案されたトレーニング定式化の拡張を提案する。
  論文  参考訳（メタデータ） (2025-12-22T14:40:30Z)
• Principled RL for Diffusion LLMs Emerges from a Sequence-Level Perspective [85.06838178922791]
  強化学習(RL)は自己回帰言語モデルに非常に効果的であることが証明されている。 しかし、これらの手法を拡散大言語モデル(dLLM)に適応させることは、根本的な課題を提起する。 本稿では,全シーケンス生成を単一アクションとして扱い,ELBOを抽出可能なシークエンスレベル確率プロキシとして利用する,原則的RLフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-03T13:05:32Z)
• Boundary-Guided Policy Optimization for Memory-efficient RL of Diffusion Large Language Models [53.339700196282905]
  大きな言語モデル(dLLM)に強化学習を適用する上で重要な課題は、その可能性関数の抽出性である。 本稿では,ELBOに基づく目的の特別に構築された下界を最大化するメモリ効率のRLアルゴリズムを提案する。 実験によると、BGPOは数学の問題解決、コード生成、計画タスクにおいて、dLLMの以前のRLアルゴリズムよりも大幅に優れていた。
  論文  参考訳（メタデータ） (2025-10-13T17:47:50Z)
• Score-based Membership Inference on Diffusion Models [3.742113529511043]
  拡散モデルに対するメンバーシップ推論攻撃(MIA)は、プライバシーの懸念が強まっている。 本稿では,拡散モデルが近似することを学習する予測ノイズベクトルに着目し,スコアベースMIAの理論的,実証的研究を行う。 提案手法は, トレーニングセットに近づき, メンバシップが明らかになるような, 近隣のトレーニングサンプルのカーネル重み付き局所平均に対して, 期待されたデノイザ出力が向けられることを示す。
  論文  参考訳（メタデータ） (2025-09-29T16:28:55Z)
• Relative Trajectory Balance is equivalent to Trust-PCL [72.58731629381032]
  Relative Trajectory Balance (RTB) は、逐次生成モデルの微調整を改善することを目的としている。 本稿は,KL正則化を用いた非政治RL法であるRTBとTrust-PCLの等価性を確立する。
  論文  参考訳（メタデータ） (2025-09-01T17:17:25Z)
• STARec: An Efficient Agent Framework for Recommender Systems via Autonomous Deliberate Reasoning [54.28691219536054]
  我々は、自律的な熟考的推論機能を備えたレコメンデータシステムを支援する、ゆっくり考えられた拡張エージェントフレームワークSTARecを紹介する。 我々は,先進的推論モデルと嗜好整合型報酬形成から構造化知識の蒸留を組み合わせた2段階のパラダイムであるアンカー強化訓練を開発する。 MovieLens 1MとAmazon CDsベンチマークの実験では、STARecは最先端のベースラインと比較して、大幅なパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2025-08-26T08:47:58Z)
• Understanding Reinforcement Learning-Based Fine-Tuning of Diffusion Models: A Tutorial and Review [63.31328039424469]
  このチュートリアルは、下流の報酬関数を最適化するための微調整拡散モデルのための方法を網羅的に調査する。 PPO,微分可能最適化,報酬重み付きMLE,値重み付きサンプリング,経路整合性学習など,様々なRLアルゴリズムの適用について説明する。
  論文  参考訳（メタデータ） (2024-07-18T17:35:32Z)
• GCC: Generative Calibration Clustering [55.44944397168619]
  本稿では,特徴学習と拡張をクラスタリングに組み込む新しいGCC法を提案する。 まず,実検体と実検体間の固有関係を識別する識別的特徴アライメント機構を開発する。 第二に、より信頼性の高いクラスタ割り当てを生成するための自己教師付きメトリック学習を設計する。
  論文  参考訳（メタデータ） (2024-04-14T01:51:11Z)

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。