[논문 리뷰] Measurement of Hybrid Rocket Solid Fuel Regression Rate for a Slab Burner using Deep Learning

Gabriel Surina|arXiv (Cornell University)|2021. 08. 25.

Rocket and propulsion systems research참고 문헌 57인용 수 16

한 줄 요약

이 연구는 고노이즈 실험 이미지를 사용하여 하이브리드 로켓 슬래브 버너에서 연료 탈락률 측정을 자동화하기 위해 U-net 컨볼루션 신경망을 도입한다. 수동 세그멘테이션을 딥러닝으로 대체함으로써, 문헌 값과 비교해 10% 이내의 오차를 달성하고 몬테카를로 드롭아웃을 통해 예측 불확실성을 정량화함으로써 다양한 산화제 유량 조건에서 견고한 성능을 보이며, 기존 영상 처리 기법보다 뛰어난 노이즈 필터링 성능을 입증한다.

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.

연구 동기 및 목표

• 수동 세그멘테이션을 통해 2D 슬래브 버너 영상의 연료 경계를 자동으로 추출하여 탈락률 측정의 효율성과 재현성을 향상시키기.
• 고노이즈 실험 영상에서 스烟, 페인팅, 왁스 침착,flame 간섭으로 인한 영상 세그멘테이션 과제를 해결하기.
• 예측 불확실성을 몬테카를로 드롭아웃을 사용해 탈락률 예측에 대해 정량화하여 딥러닝 기반 측정의 신뢰도 향상시키기.
• 제한된 데이터와 단색 영상 조건에서 U-net의 성능을 평가하여 비용 제약이 있는 실험 설정에 적합성 검토하기.
• 수동으로 그린 기준값과 문헌 값과의 비교를 통해 딥러닝 접근법의 정확성과 일관성을 확보하기.

제안 방법

• 2D 슬래브 버너 실험에서 얻은 RGB 및 회색조 영상의 연료 영역을 세분화하기 위해 U-net 컨볼루션 신경망 아키텍처를 사용한다.
• 조기 정지 기법을 적용한 확률적 경사 하강법를 사용해 4종의 산화제 유량 조건(5.91–22.19 kg/m²·s)에서 수집한 150개의 마스크가 포함된 이미지-마스크 쌍을 기반으로 U-net 모델을 훈련한다.
• 예측 불확실성을 추정하기 위해 추론 단계에서 몬테카를로 드롭아웃을 적용하여 탈락률 예측의 신뢰구간을 제공한다.
• 기존 영상 처리 기법인 임계값 기반 이진 세그멘테이션 및 공간 필터링과의 성능을 비교한다.
• 각 산화제 유량 조건별로 별도의 모델과 통합 데이터셋을 사용해 일반화 능력과 유량 독립성 여부를 평가한다.
• RGB 영상을 회색조로 변환하여 저비용 단색 카메라를 사용한 탈락률 측정 가능성 평가를 수행한다.

실험 결과

연구 질문

• RQ1 U-net 딥러닝 모델은 고노이즈 하이브리드 로켓 연소 영상에서 연료 경계를 정확하게 세그멘테이션할 수 있는가? 기존 영상 처리 기법보다 뛰어난 성능을 보일 수 있는가?
• RQ2 U-net 모델의 탈락률 예측 정확도는 수동으로 그린 기준값과 문헌 값과 비교해 어떻게 되는가?
• RQ3 모델 성능이 산화제 유량에 얼마나 의존하는가? 다양한 유량 조건에서 일반화 가능한가?
• RQ4 기존 세그멘테이션 방법과 비교해 U-net은 스烟, 페인팅, 왁스 침착,flame 간섭 등 노이즈를 얼마나 효과적으로 제거하는가?
• RQ5 모델은 단색 영상으로 훈련했을 때도 신뢰할 수 있는 성능을 보일 수 있는가? 이러한 저깊이 영상 데이터의 한계는 무엇인가?

주요 결과

• U-net 모델은 수동으로 그린 기준값과 문헌 값과 비교해 탈락률 예측 오차가 10% 미만으로 도달했다.
• U-net는 영상 노이즈에 대해 뛰어난 내구성을 보였으며, 임계값 기반 및 공간 필터링 방법보다 스烟, 페인팅, 왁스 침착,flame 간섭을 더 효과적으로 제거했다.
• 몬테카를로 드롭아웃을 통해 모델의 불확실성이 성공적으로 정량화되어 탈락률 예측에 대한 신뢰구간을 제공했다.
• 모든 산화제 유량 조건의 데이터로 훈련한 U-net 모델은 모든 조건에서 가장 낮은 오차(<10−2)를 기록했으며 산화제 유량에 영향을 받지 않아 일반화 능력이 있음을 시사했다.
• 단색 영상으로 훈련한 모델은 특히 22.19 kg/m²·s 유량 조건에서 오차가 더 높았는데, 이는 과포화와 부족한 특징 정보로 인한 것이며, 통합 모델은 개별 유량 모델보다 여전히 뛰어난 성능을 보였다.
• 22.19 kg/m²·s 유량 데이터 전용으로 훈련한 네트워크는 자체 데이터에서 성능이 열악했으며, 이는 이미지 과포화로 인한 것으로, 훈련 데이터의 이미지 품질이 매우 중요함을 시사했다.