Aprendizaje de refuerzo explicable para la optimización del diseño inicial de compresores inspirados en la cometa de...

Área de la Ciencia:

• Ingeniería mecánica
• Ingeniería Aeroespacial
• Ciencias computacionales

Sus antecedentes:

• Los métodos de inteligencia artificial (IA), incluido el aprendizaje por refuerzo (RL), ofrecen potencial para optimizar el diseño del compresor.
• Los desafíos clave en el diseño de compresores impulsados por IA incluyen variables de diseño limitadas y una explicabilidad insuficiente del modelo.
• Los métodos existentes a menudo luchan por equilibrar el rendimiento de la optimización con procesos de diseño transparentes e interpretables.

Objetivo del estudio:

• Proponer un enfoque técnico para el diseño inicial del compresor que integre el aprendizaje por refuerzo profundo y la destilación del árbol de decisión.
• Mejorar tanto la capacidad de optimización como la explicabilidad de los modelos de IA en el diseño de compresores.
• Transformar la optimización inteligente basada en datos en una experiencia de ingeniería explícita para su aplicación práctica.

Principales métodos:

• Se construyó una plataforma de preselección para los esquemas de diseño inicial de compresores utilizando el algoritmo de gradiente de política determinista profunda (DDPG).
• El espacio de optimización se amplió mediante el diseño conjunto de 25 variables clave, incluido el ángulo de flujo de aire de entrada, la reacción y el coeficiente de carga.
• El análisis de explicaciones aditivas de Shapley (SHAP) y un árbol de decisión inspirado en el algoritmo Black-Winged Kite (BKA) se utilizaron para la explicabilidad del modelo y la extracción de reglas.

Principales resultados:

• El diseño inicial de los compresores axiales de seis etapas se completó con éxito, logrando una eficiencia axial del 84,65% y un margen de aumento del 10,75%.
• El análisis SHAP reveló la influencia de los parámetros clave de diseño en el rendimiento del compresor, mejorando la explicabilidad del modelo.
• El árbol de decisiones inspirado en BKA extrajo reglas de diseño interpretables con significados físicos claros, que guiaron el proceso de diseño inicial.

Conclusiones:

• El método propuesto mejora significativamente la transparencia del proceso de diseño del compresor, manteniendo al mismo tiempo un alto rendimiento.
• Las reglas de diseño extraídas guían efectivamente el diseño inicial del compresor, ofreciendo un nuevo paradigma para el diseño inteligente con optimización y explicabilidad.
• Este enfoque proporciona un marco valioso para avanzar en el diseño de ingeniería impulsado por IA en sistemas complejos como los compresores.