[論文レビュー] Measurement of Hybrid Rocket Solid Fuel Regression Rate for a Slab Burner using Deep Learning

Gabriel Surina|arXiv (Cornell University)|Aug 25, 2021

Rocket and propulsion systems research参考文献 57被引用数 16

ひとこと要約

本研究では、高ノイズな実験画像を用いて、ハイブリッドロケット・スラブバーナーの燃料腐食速度測定を自動化するためのU-net畳み込みニューラルネットワークを導入する。手動セグメンテーションをディープラーニングに置き換えることで、文献値と比較して10%未満の誤差を達成し、モンテカルロドロップアウトを用いて不確実性を定量化する。これにより、酸化剤フラックスの変動にかかわらず高い性能を示し、従来の画像処理技術よりも優れたノイズフィルタリング性能を示した。

ABSTRACT

This study presents an imaging-based deep learning tool to measure the fuel regression rate in a 2D slab burner experiment for hybrid rocket fuels. The slab burner experiment is designed to verify mechanistic models of reacting boundary layer combustion in hybrid rockets by the measurement of fuel regression rates. A DSLR camera with a high intensity flash is used to capture images throughout the burn and the images are then used to find the fuel boundary to calculate the regression rate. A U-net convolutional neural network architecture is explored to segment the fuel from the experimental images. A Monte-Carlo Dropout process is used to quantify the regression rate uncertainty produced from the network. The U-net computed regression rates are compared with values from other techniques from literature and show error less than 10%. An oxidizer flux dependency study is performed and shows the U-net predictions of regression rates are accurate and independent of the oxidizer flux, when the images in the training set are not over-saturated. Training with monochrome images is explored and is not successful at predicting the fuel regression rate from images with high noise. The network is superior at filtering out noise introduced by soot, pitting, and wax deposition on the chamber glass as well as the flame when compared to traditional image processing techniques, such as threshold binary conversion and spatial filtering. U-net consistently provides low error image segmentations to allow accurate computation of the regression rate of the fuel.

研究の動機と目的

• 2次元スラブバーナー画像における燃料境界の手動セグメンテーションを自動化し、腐食速度測定の効率性と再現性を向上させること。
• 高ノイズな実験画像に起因するスス、へこみ、ワックス付着、炎の干渉による画像セグメンテーションの課題に対処すること。
• モンテカルロドロップアウトを用いて、腐食速度予測におけるモデルの不確実性を定量化し、ディープラーニングベースの測定の信頼性を向上させること。
• 限られたデータおよびモノクローム画像撮影条件下でのU-netの性能を評価し、コスト制約のある実験設定に適しているかを検証すること。
• 手動トレースによるグランド・トゥルースおよび公開済みの文献値と比較して、ディープラーニング手法の正確性と一貫性を検証すること。

提案手法

• 2次元スラブバーナー実験から得られたRGBおよびグレースケール画像における燃料領域の意味的セグメンテーションを目的とした、U-net畳み込みニューラルネットワークアーキテクチャを採用する。
• 4つの酸化剤フラックス条件（5.91–22.19 kg/m²·s）から収集した150組のアノテート済み画像・マスクペアを用い、エポックの早期停止を伴う確率的勾配降下法でU-netモデルを学習する。
• 推論時にモンテカルロドロップアウトを適用し、腐食速度予測における予測不確実性を推定し、信頼区間を提供する。
• U-netの性能を、しきい値ベースのバイナリセグメンテーションや空間フィルタリングといった従来の画像処理技術と比較する。
• 個々の酸化剤フラックスごとに別々のモデルを学習し、および統合データセットを用いて学習することで、汎化性能とフラックス依存性を評価する。
• RGB画像をグレースケールに変換し、低コストのモノクロームカメラを用いた腐食速度測定の可能性を評価する。

実験結果

リサーチクエスチョン

• RQ1 U-netディープラーニングモデルは、高ノイズなハイブリッドロケット燃焼画像において、従来の画像処理技術を上回る精度で燃料境界をセグメンテーションできるか？
• RQ2 U-netモデルの腐食速度予測精度は、手動トレースによるグランド・トゥルースおよび文献値と比較してどの程度か？
• RQ3 モデルの性能は酸化剤フラックスにどの程度依存するか？また、異なるフラックス条件間で汎化可能か？
• RQ4 U-netは、従来のセグメンテーション手法と比較して、スス、へこみ、ワックス付着、炎の干渉といったノイズをどの程度効果的にフィルタリングできるか？
• RQ5 モノクローム画像で学習した場合に、モデルは信頼性ある性能を発揮できるか？このような低次元データにはどのような制限があるか？

主な発見

• U-netモデルは、手動トレースによるグランド・トゥルースおよび文献値と比較して、10%未満の誤差で腐食速度予測を達成した。
• U-netは画像ノイズに対して高いロバスト性を示し、しきい値法や空間フィルタリング手法よりも、スス、へこみ、ワックス付着、炎の干渉を効果的にフィルタリングした。
• モンテカルロドロップアウトを用いて、モデルの不確実性を成功裏に定量化し、腐食速度予測の信頼区間を信頼できる形で提供した。
• 全酸化剤フラックス条件のデータで学習したU-netモデルは、全フラックス条件で最小の誤差（<10−2）を示し、酸化剤フラックスに依存しないことを示した。これは、汎化能力があることを示している。
• モノクローム画像で学習した場合、特に22.19 kg/m²·sのフラックス条件下で誤差が高くなった。これは過塩素化と特徴量の不足に起因するが、統合モデルは個別フラックスモデルを上回る性能を示した。
• 22.19 kg/m²·sのフラックスデータに特化して学習したネットワークは、自身のデータでも性能が低かった。これは、画像品質が学習データにおいて極めて重要であることを示している。