Z przyjemnością informujemy, że w dniu 12 grudnia 2024 roku Rada Naukowa IPPT PAN nadała Maciejowi Badorze stopień doktora w dziedzinie nauk inżynieryjno-technicznych, w dyscyplinie inżynieria mechaniczna.
Tytuł rozprawy brzmi: „A method for predicting the size of damage to gas turbine components based on machine learning algorithms, applicable at the early stages of parts’ lifetime” (w języku polskim: „Metoda przewidywania rozmiaru uszkodzeń komponentów turbin gazowych za pomocą algorytmów uczenia maszynowego, możliwa do zastosowania we wczesnych etapach cyklu życia części”). Promotorem pracy jest prof. dr. hab. inż. Tomasz Szolc z Zakładu Technologii Inteligentnych IPPT PAN oraz promotorem pomocniczym jest mgr inż. Przemysław Bartosik z firmy BH Poland, Sp. z o.o.
Fot. 1. Publiczna obrona rozprawy doktorskiej, która odbyła się w dniu 10 grudnia 2024 roku w IPPT PAN. Fot. 2. Pamiątkowe zdjęcie z promotorami pracy. Fot. 3. Pamiątkowe zdjęcie z promotorami i recenzentami rozprawy doktorskiej, od lewej mgr inż. Przemysław Bartosik z firmy BH Poland, Sp. z o.o., dr hab. inż. Roman Starosta z Politechniki Poznańskiej, dr inż. Maciej Badora, prof. dr hab. inż. Tomasz Szolc z IPPT PAN, prof. dr hab. inż. Wiesław Ostachowicz z IMP PAN.
Rozprawa doktorska Macieja Badory poświęcona jest problemom związanym ze skutecznym przewidywaniem rozmiaru uszkodzeń komponentów turbin gazowych za pomocą algorytmów uczenia maszynowego, gdy liczba danych dotyczących pomiarów uszkodzeń jest ograniczona lub są one niedostępne. Zrealizowane prace badawcze dotyczą estymacji maksymalnej długości pęknięć zmęczeniowych występujących na łopatkach kierowniczych wysokiego ciśnienia oraz przewidywania redukcji grubości ścianki elementu łączącego komorę spalania z sekcją turbiny w wyniku utleniania. Analizowane obiekty to części systemów turbiny oraz spalania dwóch różnych przemysłowych turbin gazowych wytwarzanych przez firmę Baker Hughes Company. Celem badań jest opracowanie metody predykcji rozmiaru uszkodzeń bazującej na algorytmach uczenia maszynowego, którą można zastosować do różnego rodzaju defektów, niezależnie od liczby dostępnych pomiarów uszkodzeń. Rezultaty wyznaczone za pomocą tej metody powinny być zgodne ze stanem wiedzy na temat badanego zjawiska i jego opisem teoretycznym.
Pierwszy etap prac badawczych dotyczy szacowania długości pęknięć zmęczeniowych za pomocą popularnych algorytmów uczenia maszynowego, bazując na próbce zawierającej 25 pomiarów uszkodzeń. Utworzono niestandardową funkcję kosztu, a elementy zbioru uczącego, testowego oraz walidacyjnego dobrano w sposób nadzorowany. Rzeczywiste dane operacyjne są użyte do wyznaczenia końcowych rezultatów, które mogą być dokładne pomimo nielicznej próbki. Kolejny etap badań dotyczy tego samego problemu technicznego, ale w celu uzyskania lepszej generalizacji i zdolności do ekstrapolacji oraz otrzymania przewidywań zgodnych z równaniami opisującymi wzrost długości pęknięć zmęczeniowych, zastosowano sztuczną sieć neuronową opartą na prawach fizyki (ang. physics-informed neural network). Źródło tego tłumaczenia stanowi opublikowana w 2021 roku praca zbiorowa[1], lecz może ono budzić pewne kontrowersje, gdyż sztuczne sieci neuronowe mają inspirację biologiczną, a nie fizyczną. Utworzony model bazuje na rekurencyjnej sieci neuronowej, w którą wbudowano perceptron wielowarstwowy. W trakcie trwania procesu uczenia współczynniki funkcji kosztu zmieniają się dynamicznie zależnie od zgodności otrzymanego rozwiązania z równaniem teoretycznym opisującym badane zjawisko. Dokładność końcowych rezultatów jest satysfakcjonująca mimo zbiorów uczących składających się z dziesięciu, dwóch czy jednego elementu. Wiarygodność tych wyników oceniano na podstawie wartości znormalizowanego błędu wyznaczonego na zbiorach walidacyjnych, które nie służyły do uczenia sieci neuronowych, oraz na podstawie zgodności charakterystyk perceptronu z prawami fizyki opisującymi analizowany problem. W pracy tej zaproponowano nową metodę generalizacji dziedziny oraz transferu wiedzy pomiędzy dziedzinami w analizie regresji, która wykorzystuje sieci neuronowe oparte na prawach fizyki. Umożliwia ona skuteczne zastosowanie modelu predykcyjnego bazującego na wspomnianych sieciach neuronowych i wyuczonego w dziedzinie, gdzie dane pomiarowe dotyczące rozmiaru uszkodzeń są dostępne, w dziedzinach, w których takich danych brakuje. Całość procedury stanowi osiem kroków, lecz najistotniejszym z nich jest translacja wartości danych operacyjnych i danych wejściowych do sieci neuronowej. Metodę tą zastosowano do predykcji długości pęknięć zmęczeniowych, symulując brak pomiarów uszkodzeń. Otrzymane rezultaty są zgodne z obliczeniami modelu predykcyjnego, który został wyuczony od podstaw w dziedzinie docelowej. W ostatnim etapie badań, sztuczne sieci neuronowe oparte na prawach fizyki wraz z proponowaną metodą użyto do szacowania ubytku materiału w wyniku utleniania. Uzyskane rezultaty są satysfakcjonujące i potwierdzają uniwersalny charakter tej metody.
Proponowana metoda generalizacji dziedziny i transferu wiedzy pomiędzy dziedzinami w analizie regresji, która wykorzystuje sieci neuronowe oparte na prawach fizyki, jest oryginalnym rozwiązaniem problemu naukowego i stanowi główny element nowości. Metoda ta umożliwia przewidywanie rozmiaru uszkodzeń komponentów turbin gazowych w przypadku braku pomiarów w wybranej dziedzinie, poprzez odpowiednie wykorzystanie sieci neuronowej opartej na prawach fizyki, którą wyuczono na podstawie danych empirycznych z innej dziedziny. Poza zastosowaniami do już pracujących turbin gazowych, metoda ta może posłużyć do wsparcia procesu projektowania, umożliwiając skuteczne łączenie danych empirycznych z rezultatami symulacji numerycznych.
Dr inż. Maciej Badora jest pracownikiem firmy BH Poland, Sp. z o.o. Baker Hughes to przedsiębiorstwo zajmujące się technologiami energetycznymi, które dostarcza rozwiązania klientom z branży petrochemicznej i energetycznej w ponad 120 krajach. Firma oferuje wiodące w branży produkty i usługi, które optymalizują pozyskiwanie, produkcję i przetwarzanie energii. Przedsiębiorstwo pomaga klientom obniżyć koszty operacyjne i zwiększyć produktywność w całym łańcuchu wartości. Innowacyjne technologie i usługi dostarczane przez Baker Hughes sprawiają, że procesy energetyczne są bardziej efektywne, czystsze i bezpieczne dla ludzi oraz planety.
[1] Moszyński, M., Borzyszkowski, B., Damaszke, K., Romankiewicz, J., and Świniarski, M., 2021, “Sieci neuronowe oparte na prawach fizyki,” Uczenie maszynowe i systemy rozproszone, Wydawnictwo Politechniki Gdańskiej, Gdańsk, pp. 110–119.
