[論文レビュー] Machine Learning Methods for the Design and Operation of Liquid Rocket Engines -- Research Activities at the DLR Institute of Space Propulsion

Günther Waxenegger-Wilfing, Kai Dresia+2 more|arXiv (Cornell University)|Feb 14, 2021

Rocket and propulsion systems research参考文献 21被引用数 7

ひとこと要約

本論文では、DLR宇宙推進研究所における液体ロケットエンジンの設計および運用のための機械学習応用を提示している。ニューラルネットワークおよびサーモンモデルを用いた予測モデリング、制御、状態監視の実装が行われた。主な結果として、燃焼不安定性および疲労寿命のリアルタイム予測に成功し、飛行に重要な応用に向けた埋め込みシステムへのモデル導入が可能であることが示された。

ABSTRACT

The last years have witnessed an enormous interest in the use of artificial intelligence methods, especially machine learning algorithms. This also has a major impact on aerospace engineering in general, and the design and operation of liquid rocket engines in particular, and research in this area is growing rapidly. The paper describes current machine learning applications at the DLR Institute of Space Propulsion. Not only applications in the field of modeling are presented, but also convincing results that prove the capabilities of machine learning methods for control and condition monitoring are described in detail. Furthermore, the advantages and disadvantages of the presented methods as well as current and future research directions are discussed.

研究の動機と目的

• 液体ロケットエンジンの設計、制御、運用の改善のための機械学習手法の評価。
• 従来のCFDおよびFEMシミュレーションにおける高い計算コストの課題を、MLサーモンモデルによる代替で解決すること。
• データ駆動型モデルを用いた、燃焼不安定性のリアルタイム状態監視および能動的制御の実現。
• 飛行に重要な宇宙応用における安全・信頼性を要するプロplusションシステムに、訓練済みMLモデルを統合する可能性の調査。
• 飛行に重要な推進システムにおけるMLベースのソフトウェアの認証および検証のための道筋を確立すること。

提案手法

• シミュレーションで生成されたトレーニングデータを用いて、ニューラルネットワークを用いた教師あり学習により、冷却チャネル内の熱伝達および疲労寿命を予測。
• 最適なエンジン制御および燃焼不安定性の兆候の発見のため、強化学習を適用。
• 既知の物理的特徴に基づくエンジン状態の分類を、ロバストな分類に用いるためにサポートベクターマシンを活用。
• 設計空間の探索のため、計算コストの高いCFDおよびFEMシミュレーションに代わるMLを用いたサーモンモデルを開発。
• TensorFlowやPyTorchなどのフレームワークを用いて、地上でモデルを訓練し、その後C/C++に変換して低消費電力の埋め込みシステムにデプロイ。
• 計算負荷を最小限に抑えるために、トレーニングを回避した推論専用のデプロイに焦点を当てた。

実験結果

リサーチクエスチョン

• RQ1 機械学習モデルは、液体ロケットエンジンの冷却チャネルにおける熱伝達および疲労寿命を高精度に予測できるか？
• RQ2 MLベースの仮想センサーは、リアルタイムのエンジン監視のための物理的センサーに置き換え可能か？
• RQ3 強化学習は、最適な制御および燃焼不安定性の能動的抑制を可能にするか？
• RQ4 飛行に重要な推進システムにMLモデルを統合する際の安全性および認証上の課題は何か？
• RQ5 リソース制約のある宇宙応用において、訓練済みニューラルネットワークをどのように効率的に埋め込みシステムにデプロイできるか？

主な発見

• ニューラルネットワークは、高精度に液体ロケットエンジンの冷却チャネル内熱伝達を予測し、高価なCFDシミュレーションへの依存を低減した。
• MLモデルにより、燃焼不安定性のリアルタイム予測が可能となり、能動的制御戦略の開発を支援した。
• MLを用いた疲労寿命推定は、高精度なシミュレーションデータと強く相関しており、設計の反復を高速化できた。
• 訓練済みニューラルネットワークは、C/C++に変換され、埋め込みシステムに正常にデプロイされ、飛行応用への実現可能性が裏付けられた。
• シミュレーションから得た合成データが、限られた実世界の異常データでも、ロバストなモデルのトレーニングに十分であることが示された。
• 認証および検証の継続的作業が、安全・信頼性を要するシステムにおけるMLの「ブラックボックス」としての懸念を解消するために不可欠である。