본 연구는 가스 터빈 연소기(gas turbine combustors) 내 희박 실화(lean blowout, LBO) 예측을 개선하기 위해 최적의 액체 연료 반응기(liquid-fueled reactors)를 생성하는 강화학습 (RL) 프레임워크를 소개합니다. 클러스터 경계를 결정하는 기존 방식은 입력 공간에서의 수동 휴리스틱(heuristics) 또는 거리 기반 메트릭(distance-based metrics)에 의존합니다. 이와 대조적으로, 제안된 방법은 목표 지향적이며, 클러스터 형성 과정에서 목표 메트릭(예: LBO 예측 정확도)을 명시적으로 고려합니다. 이 프레임워크는 다단계 클러스터링-분류(clustering--classification) 전략을 채택합니다. 즉, 초기 클러스터링 단계(예: $k$-means clustering)를 통해 대규모의 균질한 마이크로 클러스터(micro-clusters) 세트를 생성한 후, 액터-크리틱 (actor-critic) RL 에이전트가 이를 최적의 반응기 구역(reactor zones)으로 병합합니다. Jet-A 메커니즘(119개 종, 841개 반응)을 사용하여 수행된 검증 연구에 따르면, RL 프레임워크는 $k$-means 대비 향상된 예측 충실도(predictive fidelity)를 제공하고 정확한 LBO 경향을 포착하는 동시에, 고충실도(high-fidelity) 계산 모델 대비 상당한 속도 향상을 달성함을 보여줍니다. 종합적으로, 이 RL 기반 접근 방식은 신속한 설계 공간 탐색을 위해 고충실도 시뮬레이션을 보완할 수 있는 계산 효율적인 차수 저감 모델링 (reduced-order modeling) 기술로서 강력한 잠재력을 입증합니다.