연구진은 강화 학습(RL) 프레임워크를 활용하여 가스 터빈 연소기에서 리치 블로우아웃(LBO) 예측 정확도를 높이는 최적의 액체 연료 반응기를 생성하는 방법을 제시했어요.
기존 방식은 입력 공간에서의 거리 기반 지표에 의존했지만, 제안된 방법은 목표 지표(예: LBO 예측 정확도)를 명시적으로 고려하여 클러스터 형성을 목표로 해요.
Jet-A 메커니즘 검증 결과, RL 프레임워크는 k-means 방식보다 예측 정확도가 높고 LBO 추세를 정확히 파악하며, 고정밀 연산 모델보다 속도가 훨씬 빠르다는 것을 확인했어요.