[논문 리뷰] 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 Dresia외 2명|arXiv (Cornell University)|2021. 02. 14.

Rocket and propulsion systems research참고 문헌 21인용 수 7

한 줄 요약

이 논문은 DLR 우주 추진연구소에서 액체 로켓 엔진 설계 및 운영을 위한 기계학습 응용을 제시하며, 예측 모델링, 제어 및 상태 모니터링을 위해 신경망과 서rogate 모델을 사용한다. 주요 결과로는 실시간 연소 불안정성 및 피로 수명 예측에 성공했으며, 비행 임계 응용 분야에 적합한 임베디드 시스템에 배포 가능한 훈련된 모델을 확보하였다.

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.

연구 동기 및 목표

• 액체 로켓 엔진의 설계, 제어 및 운영 향상을 위한 기계학습 방법을 평가하기 위해.
• 기존 CFD 및 FEM 시뮬레이션의 높은 계산 비용 문제를 해결하기 위해 기계학습 서rogate 모델을 사용하기 위해.
• 데이터 기반 모델을 활용해 실시간 상태 모니터링 및 연소 불안정성의 능동 제어를 가능하게 하기 위해.
• 비행 임계 우주 응용 분야에서 사용 가능한 훈련된 기계학습 모델을 임베디드 시스템에 배포할 수 있는지 탐색하기 위해.
• 비행 임계 추진 시스템에 기반한 소프트웨어의 인증 및 검증을 위한 길을 마련하기 위해.

제안 방법

• 시뮬레이션 생성 데이터를 활용해 신경망을 사용해 냉각 채널 내 열전달 및 피로 수명을 예측하기 위해 지도 학습을 적용하였다.
• 최적의 엔진 제어 및 연소 불안정성의 전조를 발견하기 위해 강화 학습을 적용하였다.
• 기존 물리적 특징을 기반으로 한 엔진 상태의 강건한 분류를 위해 서포트 벡터 머신을 사용하였다.
• 설계 공간 탐색을 위해 계산 비용이 높은 CFD 및 FEM 시뮬레이션을 대체할 수 있는 기계학습 기반 서rogate 모델을 개발하였다.
• TensorFlow 및 PyTorch와 같은 프레임워크를 사용해 차량 외부에서 모델을 훈련한 후, C/C++로 변환하여 저전력 임베디드 시스템에 배포하였다.
• 계산 부담을 최소화하기 위해 훈련 없이 추론 전용 배포에 집중하였다.

실험 결과

연구 질문

• RQ1 기계학습 모델은 액체 로켓 엔진 냉각 채널 내 열전달과 피로 수명을 정확하게 예측할 수 있는가?
• RQ2 기계학습 기반 가상 센서는 실시간 엔진 모니터링을 위한 물리적 센서를 대체할 수 있는가?
• RQ3 강화 학습은 최적의 제어 및 연소 불안정성의 능동 억제를 가능하게 하는가?
• RQ4 비행 임계 추진 시스템에 기계학습 모델을 배포할 때의 안전성 및 인증 과제는 무엇인가?
• RQ5 자원 제약이 있는 우주 응용 분야에서 훈련된 신경망을 어떻게 효율적으로 임베디드 시스템에 배포할 수 있는가?

주요 결과

• 신경망은 고비용 CFD 시뮬레이션에 대한 의존도를 줄이며 액체 로켓 엔진 냉각 채널 내 열전달을 높은 정확도로 성공적으로 예측하였다.
• 기계학습 모델을 통해 실시간 연소 불안정성 예측이 가능해졌으며, 이는 능동 제어 전략 개발을 지원하였다.
• 기계학습을 활용한 피로 수명 추정은 고정밀 시뮬레이션 데이터와 강한 상관관계를 보였으며, 더 빠른 설계 반복을 가능하게 하였다.
• 훈련된 신경망은 성공적으로 C/C++로 변환되어 임베디드 시스템에 배포되었으며, 비행 응용 분야에의 적용 가능성을 입증하였다.
• 시뮬레이션에서 생성된 합성 데이터는 실제 고장 데이터가 제한된 상황에서도 강건한 모델을 훈련하는 데 충분함을 입증하였다.
• 검증 및 인증 작업은 계속 진행 중이며, 안전 임계 시스템에서 기계학습이 '블랙박스'로 간주되는 데 대한 의심을 해소하기 위해 필수적이다.