Abstract: J. Chin, M. Gamba (2021)

Using high-speed wall static pressure and schlieren visualization measurements along the isolator section from a previous study, this work proposes a machine learning approach to predicting shock train dynamics or potential engine instabilities from a set of reduced observ-ables. A Recurrence Plot (RP) representation of the time-series data along with usage of a Convolutional Neural Network (CNN) is used. This approach allows the problem to be treated as an image recognition task. Additionally, a one-dimensional machine learning model is also developed and tested. Pressure-shock train motion cross-spectral analysis of this data is used to develop filters that isolate the shock train motion correlated with pressure fluctuation for improved prediction accuracy.

Please note: The abstracts of the bibliography database may underly other copyrights.

Ihr Browser versucht gerade eine Seite aus dem sogenannten Internet auszudrucken. Das Internet ist ein weltweites Netzwerk von Computern, das den Menschen ganz neue Möglichkeiten der Kommunikation bietet.

Da Politiker im Regelfall von neuen Dingen nichts verstehen, halten wir es für notwendig, sie davor zu schützen. Dies ist im beidseitigen Interesse, da unnötige Angstzustände bei Ihnen verhindert werden, ebenso wie es uns vor profilierungs- und machtsüchtigen Politikern schützt.

Sollten Sie der Meinung sein, dass Sie diese Internetseite dennoch sehen sollten, so können Sie jederzeit durch normalen Gebrauch eines Internetbrowsers darauf zugreifen. Dazu sind aber minimale Computerkenntnisse erforderlich. Sollten Sie diese nicht haben, vergessen Sie einfach dieses Internet und lassen uns in Ruhe.

Die Umgehung dieser Ausdrucksperre ist nach §95a UrhG verboten.

Mehr Informationen unter www.politiker-stopp.de.

Machine learning applications for shock train diagnostics