Исследователи представили фреймворк на базе обучения с подкреплением (RL) для оптимизации моделей сетей жидкотопливных реакторов. Новый подход позволяет точнее предсказывать явление срыва пламени (lean blowout) в камерах сгорания газовых турбин. В отличие от традиционных методов, опирающихся на ручные эвристики, предложенная архитектура целенаправленно оптимизирует параметры кластеризации для достижения высокой точности прогнозирования критических режимов работы оборудования.
Традиционные подходы к моделированию процессов горения часто зависят от метрик, основанных на расстоянии в пространстве входных данных, что ограничивает их адаптивность. Новый метод переводит задачу в плоскость целеориентированного обучения, где агент самостоятельно находит оптимальные конфигурации реакторных сетей. Это позволяет учитывать сложные физические зависимости, которые ранее требовали экспертной настройки параметров.
Внедрение подобных RL-решений в инженерное моделирование открывает возможности для создания цифровых двойников с повышенной надежностью. Автоматизация выбора структуры сети не только снижает трудозатраты на проектирование, но и повышает точность работы систем мониторинга в реальном времени, предотвращая аварийные ситуации в энергетических установках.
Ключевые факты
- Разработан RL-фреймворк для автоматизированного построения сетей жидкотопливных реакторов.
- Метод направлен на повышение точности прогнозирования срыва пламени (LBO) в газотурбинных двигателях.
- Исключена необходимость использования ручных эвристик и простых метрик расстояния при определении границ кластеров.
- Модель демонстрирует переход от статических методов анализа к динамической оптимизации, ориентированной на конкретный целевой показатель.