Abstract: T. Kobayashi, S. Murayama, T. Hachijo, H. Gotoda (2019)

We undertake an experimental study on the early detection of combustion-driven thermoacoustic instability using a method combining complex networks and machine learning. The probability distribution of the transition patterns in ordinal partition transition networks significantly captures the subtle changes in the combustion state during a transition from combustion noise with a low amplitude to thermoacoustic combustion instability with a high amplitude. A feature space consisting of the principal component plane estimated from the probability distribution of the transition patterns, which is obtained by a support vector machine, allows us to detect a precursor of thermoacoustic combustion instability.

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.

Early Detection of Thermoacoustic Combustion Instability Using a Methodology Combining Complex Networks and Machine Learning