利用多模态贝叶斯深度学习预测液体推进剂火箭发动机中的热声不稳定性
流体动力学
2021-08-03 v2 计算工程、金融与科学
机器学习
摘要
德国宇航中心空间推进研究所运行的100 MW低温液氧/液氢多喷嘴燃烧室BKD是一个研究平台，可在代表小型上面级火箭发动机的现实条件下研究热声不稳定性。我们使用BKD实验活动的数据，其中静态燃烧室压力和燃料-氧化剂比被改变，使得在某些条件下燃烧室的一阶切向模态被激发。我们训练了一个自回归贝叶斯神经网络模型，以预测动态压力时间序列的幅值，输入多个传感器测量值（喷嘴压力/温度测量、静态燃烧室压力、高频动态压力测量、高频OH*化学发光测量）和未来流量控制信號。我们算法的贝叶斯性质使我们能够处理因每次实验运行成本高昂而规模受限的数据集，且不会做出过度自信的外推。我们发现网络能够准确预测压力幅值的演化，并提前500毫秒在未见过的实验运行上预判不稳定性事件。我们使用不同传感器输入组合比较了多个模型的预测精度，发现高频动态压力信号尤其具有信息量。我们还使用积分梯度技术解释不同传感器输入对模型预测的影响。测试数据集中数据点的负对数似然表明，预测不确定性被我们的贝叶斯模型良好刻画，且模拟传感器失效事件如预期导致不确定性的认知分量急剧增加。
引用
@article{arxiv.2107.06396,
title = {Forecasting Thermoacoustic Instabilities in Liquid Propellant Rocket Engines Using Multimodal Bayesian Deep Learning},
author = {Ushnish Sengupta and Günther Waxenegger-Wilfing and Jan Martin and Justin Hardi and Matthew P. Juniper},
journal= {arXiv preprint arXiv:2107.06396},
year = {2021}
}