基于深度神经网络生成湍流火焰化学发光的方法

能源与人工智能12（2023）100221基于深度神经网络的预混湍流火焰化学发光韩雷a，高强a，张大元 b，冯占玉 a，孙志伟 c，李波a，*，李中山a， d天津大学发动机国家重点实验室，天津，300354b中国北方发动机研究所，天津，300400，中国c阿 德 莱 德 大 学 机 械 工 程 学 院 能源技术中 心 ，阿德莱德，南澳大利亚州，5005，澳大利亚d波兰隆德大学燃烧物理系。瑞典隆德S22100信箱118号H I G H L I G H T S G R A P H I C A LA B标准• 展示了通过深度神经网络生成CH-PLIF图像的方法。• 静态评估了Resnet和U-net的生成能力• CH-PLIF图像是从图1中的火焰化学发光图像生成的。SSIM大于0.91的高度湍流火焰。• 利用生成的PLIF和 地面实况PLIF吻合良好。A R T I C L EI N FO保留字：湍流火焰阵面神经网络条件生成对抗网化学发光A B标准火焰阵面结构是燃烧过程最基本的特征之一，对理解燃烧过程至关重要。测量湍流火焰中的火焰前锋结构通常需要基于激光的诊断技术，主要是平面激光诱导荧光（PLIF）。PLIF的设备配备了激光器，通常过于复杂，无法在恶劣的环境中配置。在这里，为了减轻负担，我们提出了一种基于深度神经网络的方法，使用视线CH* 化学发光来生成火焰前沿的结构，这种方法可以在不使用激光的情况下获得。通过同时记录湍流预混甲烷/空气火焰的CH-PLIF和化学发光图像，训练条件生成对抗网络（C-GAN）。评估了C-GAN的两个不同的生成器，即Resnet和U-net。在本研究中，前者在生成快照图像和多个图像的统计方面表现更好。对于化学发光成像，相机的门宽度的选择产生信噪比（SNR）和时间分辨率之间的权衡。经过训练的C-GAN模型可以从化学发光图像中生成CH-PLIF图像，在雷诺数为5000时的准确率超过91%，并且该模型还可以有效地估计雷诺数为10，000时的火焰表面密度。这种新方法有可能实现火焰特性，而无需使用激光，并显着简化诊断系统，也有可能高速火焰诊断。* 通讯作者。电子邮件地址：boli@tju.edu.cn（B.Li）。https://doi.org/10.1016/j.egyai.2022.1002212022年12月16日网上发售2666-5468/© 2022作者。由爱思唯尔有限公司出版。这是一篇开放获取的文章，获得了CC BY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可从ScienceDirect获取目录列表能源与AI期刊主页：www.sciencedirect.com/journal/energy-and-aiL. Han等人能源与人工智能12（2023）10022121. 介绍燃烧是人类文明发现的最早的控制化学反应，至今仍是能量转化的主要形式。通过掌握流体力学、化学反应动力学和热力学的规律，实现可控、可调、可预测的燃烧，是燃烧领域的圣杯。在未来的几十年里，湍流燃烧仍将是内燃机和燃气轮机等众多燃烧装置的焦点[1]。因此，加强湍流燃烧的研究，对提高能源利用效率[2]和减少排放[3]至关重要。湍流燃烧的特性通常通过火焰结构的可视化来研究[4-6]，其中平面激光诱导荧光（PLIF）因其非侵入性和高时空分辨率而被广泛采用。PLIF技术通常分别采用CH2O、CH和OH作为预热区、反应区和燃尽区的可视化标记，以提取燃烧特性，例如火焰表面密度、火焰刷厚度和火焰前缘曲率[6，7]。与CH2 O和OH相比，CH直接起源于火焰的薄反应层，在很大程度上不会随着湍流强度的增强而变宽[8]，这使其成为火焰结构可视化的理想标记。 因此，CH-PLIF已被广泛应用于火焰表面拓扑结构的研究，形成[9]。PLIF技术与激光密不可分，但在某些极端条件下，如在空间站或深海中，无法携带它们，这大大限制了火焰特性的研究。此外，在某些燃烧系统（如航空航天发动机和燃气轮机）中，光学布置的复杂性和散射激光的影响可能会限制使用PLIF技术的火焰可视化[10]。与PLIF技术相比，化学发光成像技术不需要激光，仅需要增强型CCD（ICCD）相机来可视化火焰结构[11]。然而，受限于视线性质，火焰化学发光成像通常需要多个视图和断层计算的组合来提取湍流火焰结构[12]，因此需要大量的实验和计算资源;此外，由于火焰化学发光强度低，ICCD相机只能在大门宽下实现足够的信噪比[13]。然而，大的门宽，将大大降低的时间分辨率的化学发光成像，因此，限制其应用程序的瞬态分析在高度湍流火焰。例如，它很难解决湍流火焰前锋的精细结构。CH-PLIF能很好地表征湍流火焰的精细结构由于CH仅存在于预混合射流火焰的反应区中的薄层中，并且激发激光器可以从那些CH自由基产生具有高时空分辨率的荧光[14]。湍流甲烷/空气预混火焰的化学发光主要来自CH* 和OH*，它们在火焰前沿重叠良好[15]，在火焰化学发光成像过程中，ICCD相机整个景深范围内的所有荧光都投射到射流火焰的中心平面上。CH-PLIF图像也在激光片被引导通过的该平面上拍摄。因此，化学发光和CH-PLIF图像都同时记录了本生型火焰中心的CH自由基发射。 因此，化学发光图像理论上包含关于总是通过CH-PLIF获得的火焰结构的信息，这意味着在化学发光图像和CH-PLIF图像之间存在强相关性。深度神经网络的快速发展提供了强大的图像处理工具，其中C-GAN在图像生成领域发挥着重要作用，并广泛用于图像风格迁移和转换[16]。一旦通过用在X和Y域中拍摄的图像（其信息是相互关联的）对其进行训练来获得对应的C-GAN模型，和Y域可以通过训练的C-GAN来实现。这些变换的前提是X和Y域中包含的信息必须以某种方式相关，并且这种相关性的强度将直接影响图像生成的结果[17]。C-GAN已成功应用于图像生成[18]，图像降噪[19]和图像着色[20]。这些应用都是通过两个相互关联的图像来实现的，因此我们可以期望从相互关联的化学发光图像生成CH-PLIF图像。除了C-GAN模型之外，另一种模型（如CNN）也已成功应用于生成燃烧相关参数，如速度，反应速率和火焰表面密度[21，22]。在本文中，我们展示了一个基于深度神经网络的基因，CH-PLIF图像通过湍流预混甲烷/空气火焰中的火焰化学发光图像的操作。我们同时获取CH-PLIF和化学发光图像，并通过这些配对图像训练C-GAN模型。利用C-GAN模型，从低信噪比和时空分辨率的火焰化学发光图像中获得了高信噪比和时空分辨率的CH-PLIF图像，降低了PLIF实验布置的复杂性，同时发挥了PLIF技术在湍流火焰锋面精细结构可视化方面的优势。我们进一步将生成的CH-PLIF图像与实验拍摄的CH-PLIF图像在快照和统计两方面进行了比较，并得出结论，该方法可以应用于简化激光光学条件下湍流火焰特性的研究。2. 方法2.1. 实验装置产生CH-PLIF的光源是注入种子Nd：YAG泵浦的OPO激光器（SunliteEX OPO PL 9010，Continuum）。OPO激光器的输出波长为314.415nm，重复频率为10 Hz，能量高达4 mJ/pulse。深度神经网络的实验设置和训练过程如图1所示。将激光器重新成形为高度为40 mm的准直片，厚度约为200μ m，使用柱面透镜和球面透镜激光片被引导通过由McKenna燃烧器（Holthuis Associates）产生的喷射火焰的中心，其可以提供由来自平火焰的热燃烧气体引导的中心喷射火焰（参见参考文献[23]以获得关于该燃烧器的详细信息&在这Fig. 1. 介绍了深层神经网络的实验装置和生成过程。L. Han等人能源与人工智能12（2023）1002213××工作时，质量流量控制器可以分别调节预混合甲烷/空气射流和平火焰的当量比和速度。喷射火焰的当量比在Re 5000时为1.2，在Re 10000时为1.5。穿过射流火焰中心的激光片可以将CH自由基激发到C态，并且随后来自CH（C-X）的荧光由ICCD相机（Princeton Instruments，PI-MAX4）收集，该ICCD相机在下文中被称为LIF相机。 使用另一ICCD照相机（Princeton Instruments，PI-MAX 3），其在下文中被称为CL照相机，安装在LIF照相机的对面同时收集来自喷射火焰的CH* 化学发光。在Re 5000和Re 10000下，成像视场分别为20*20mm2和32*32mm2LIF相机的门宽设置为20ns，而CL相机的门宽从5μs变化到200μs。数字延迟发生器（StanfordResearch Systems，DG645）外部触发激光和ICCD相机以管理激光到达和成像的时间序列。在这项工作中，5000对图像获得在每个门宽 的CL相机在Re 5000调查的C-GAN模型的生成性能的时间分辨率的影响，10000对图像在Re10000的每个高度获得的C-GAN模型在高度湍流火焰的能力进行评估。详细的实验病例列于表1中。2.2. 神经网络GAN是一种生成模型，它学习从随机噪声向量z到输出图像y的映射，G：z→y[24]，这些模型由两个神经网络组成：一个以噪声为输入生成图像的生成器（G）和一个判断生成的图像是真的还是假的神经网络（DGAN在某些情况下是有限的，因为它们不能生成特定的图像，并且生成是不可控的。条件GAN（C-GAN）引入条件x来约束模型，并学习从[X，z]到输出图像y的映射，G：[X，z]→y[17]，这使得C-GAN适合图像到图像的转换。由于条件x是已知图像，因此它不仅可以为输出图像提供生成目标，还可以为评估图像生成的准确性提供基准。C-GAN的目标可以描述为LC-GAN（G，D）=Ex，y[logD（x，y）]+Ex，z[log（1-D（x，G（x，z）LC-GAN]，（2.1）其中G试图最小化这个目标，而D试图最大化它。此外，Isola et al.[17]发现当在损失函数中引入额外的L1项时，GAN可以表现得更好，因为L1鼓励更少的模糊：LL1（G）=Ex，y，z[y-G（x，z）1]（2.2）因此，在这项工作中，C-GAN的最终目标是：G_n=argminmaxL_C-GAN（G，D）+λL_L_1（G）（2.3）生成器. Resnet是Kaiming He在2015年提出的另一种常用的图像变换方法[28]，它通过使用单位矩阵解决了更深层网络的退化问题。PatchGAN试图分类图像中的每个N-N补丁是真的还是假的，它在图像中卷积运行，平均所有响应以提供D的最终输出。我们选择PatchGAN作为我们的模型，因为它可以以更高的精度区分输出ICCD相机拍摄的图像被调整大小并裁剪为256 256像素以加速训练。我们在NVIDIARTX 3080 GPU上训练和测试了C-GAN模型，所有网络都是从头开始训练的权重从高斯分布初始化，平均值为零，标准差为0.02.在我们的设备上，每个案例的培训过程花费约6小时。神经网络架构的详细信息在Wendix中提供。3. 结果和讨论3.1. 火焰化学发光门宽对产生精度甲烷/空气湍流预混火焰的化学发光主要来自CH ~* 和OH ~* 自由基，其发光强度远弱于PLIF。因此，获得具有足够SNR比的化学发光图像需要ICCD相机的宽门宽度（微秒尺度）。随着门宽的增加，时间分辨率会降低，从而导致图像模糊。因此，可以从化学发光图像提取较少的信息，特别是火焰表面的精细结构。这使得SNR比和时间分辨率成为一种折衷关系，这将直接影响C-GAN模型的生成精度。在本节中，我们探讨了火焰化学发光成像的信噪比和时间分辨率之间的权衡及其对C-GAN模型生成精度的影响。研究了C-GAN模型中两种不同的发生器的性能我们在CL相机同时保持LIF照相机的门宽，如表1所示。这些配对图像中的90%用于训练C-GAN模型，而其余的用于评估模型。验证后的C-GAN模型以化学发光图像为输入，生成相应的CH-PLIF图像作为输出，满足了从低信噪比、低分辨率化学发光图像到高信噪比、高分辨率CH-PLIF图像的过渡。图2显示了具有不同门宽的化学发光图像和相应的CH-PLIF图像。如图2所示，由C-GAN生成的CH-PLIF图像（生成的PLIF）在结构、亮度和对比度方面显示出与实验评估的CH-PLIF图像（地面实况）的极好相似性。此外，由CL相机的扩大的门宽产生的图像模糊似乎不会显著影响CH-PLIF图像然而，C-GAN的生成器GD模型，U-net和Resnet，确实对生成本文在C-GAN模型中使用了两种不同的生成器，U-net和Resnet，并使用PatchGAN作为模型。编码器-解码器网络是图像到图像转换问题中问题的常见解决方案[25-表1CH-PLIF图像，如图2中虚线圆圈中突出显示的。显然，Resnet在生成曲率等精细特征方面优于U-net，当用于获取配对图像以训练和测试C-GAN模型的实验案例的详细信息Rey/dCL相机的门宽（μs）LIF相机（ns）每个训练集的数量（对）每个测试集的数量（对）5000 7-13.4 1.2 5，10，20，30，40，50，60，70，20 4500 5000-10.710000 10.7-21.321.3-3280,90,100,150,2001.5 30 20 9000 1000L. Han等人能源与人工智能12（2023）1002214图二. 在Re 5000下，化学发光成像的不同门宽下，使用Resnet和U-net作为发生器的C-GAN模型比较化学发光、真实PLIF和生成的PLIF图像。燃烧板上方的成像高度为21-41mm，对应于y/d=7-13.7，成像视场为20*20 mm2。的白色虚线圆圈突出显示了火焰前缘曲率的差异。LIF相机的门宽固定在20 ns，而CL相机的门宽从5 μ s变化到200μ s。CL相机更宽。与200μ s的情况一样，U-net生成的PLIF图像与地面实况相差很大，但Resnet生成的图像仍然足够吸引人。这可以通过Resnet包含比U-net更深的可训练结构来解释[29]。因此，Resnet可以更好地从因此，可以更好地生成PLIF图像。此外，本刊亦提供更多不同门宽的图片，以供有兴趣的读者参考。结构相似性指数度量（SSIM）是一种常用的用于评估生成图像与地面实况图像之间的相似性的指标，图三. 在不同火焰化学发光成像门宽下，使用不同发生器的C-GAN模型生成的PLIF与真实PLIF之间的平均结构相似性指数测量（SSIM）。误差条是500个样品的标准偏差L. Han等人能源与人工智能12（2023）1002215（，）=（，）=FG亮度、对比度和结构，其值在0和1之间，其中0表示两个图像完全不同，1表示它们相同[30]。SSIM定义为：SSIM （ f ， g ） =b （ f ， g ） c （ f ， g ） s （ f ， g ）（3.1）哪里b f g2μf μg+C1μ2+μ2+C1指数.同时，图3还表明，利用Resnet作为生成器的C-GAN模型具有比U-net更强的图像生成能力，这与图3一致。 二、SSIM指数是在图像生成期间经常用于评估快照图像相似性的标准，但它不能评估所生成的CH-PLIF图像与地面实况CH-PLIF图像之间的CH的统计分布。在湍流预混火焰结构的研究中，火焰面密度（FSD）分布常用于反应层分布的统计分析[31，32]。c f g2σf σg+C2σ2+σ2+C2FSD（λ）是描述湍流燃烧速度和火焰结构的基本量，它可以由（3-2）导出Lf是f g火焰刷，可通过叠加火焰前缘获得σfg+C3σf σg+C3表面（N=500），ΔX2是1*1积分boX，实验证明，调整boX大小对Δ x的影响很小[33]。（3-1）中的项是亮度比较功能、对比度比较功能和结构比较功能。limLf1Δx →0Δx2N（第3.2节）分别是两个图像F和G。在这些函数中，μ表示平均亮度，σ表示图像的标准差。C1、C2和C3是用于避免零分母的正常数。图3示出了在CL相机的不同门宽下，测试集中500个生成的PLIF图像的平均SSIM指数及其标准差。总体而言，不同发生器产生的PLIF的SSIM指数均大于0.9，SSIM峰值出现在40μ s左右的门宽处。这可能是由于在一个小的门宽（40μ s），由于较大的门宽而增加的SNR比主导了图像生成过程;然而，在一定的门宽（>40μ s）时，时间分辨率的降低开始主导图像生成过程，导致SSIM降低图4示出了在不同的化学发光门宽下通过地面实况和生成的PLIF图像估计的FSD。地面真实FSD表现出良好的均匀性，这是由于湍流火焰本身的随机性和CH自由基的空间均匀分布。由具有Resnet的C-GAN生成的CH-PLIF估计的FSD几乎与地面实况FSD相同，特别是在小的门宽处。然而，当火焰化学发光成像门宽较宽时，例如90和200μ s，存在一些非随机的明显图案，如图4中的虚线圆圈所突出显示的。这可能是因为从模糊见图4。火焰表面密度（FSD）计算从地面实况PLIF和生成的PLIF图像由C-GAN模型与不同的发生器在不同的火焰化学发光成像门宽。第四列示出了从地面实况和沿径向方向生成的PLIF计算的FSD分布。白色虚线圆圈突出显示偏离地面实况的不均匀模式s（f，g）==L. Han等人能源与人工智能12（2023）1002216由于增加的门宽，化学发光图像的随机性降低，并且因此生成的CH-PLIF图像开始偏离地面实况并失去其随机性。U-Net生成结果中的皱纹可能是因为U-Net只生成火焰前端结构的主导模式，但未能生成生成结果中的二阶模式，这进一步表明Resnet可以更好地从化学发光图像中提取特征。图4的最后一列中的曲线进一步表明，Resnet生成器在统计显著性方面仍然优于U-net，并且生成的当化学发光成像的门宽相对较小（40μ s）时，PLIF图像与地面实况PLIF更兼容。3.2. 高湍流火焰在第3.1节中，我们确定了具有Resnet发生器的C-GAN模型优于具有U-net的模型，并且我们确定了火焰化学发光成像的最佳成像门宽。在这一部分中，我们进一步研究了C-GAN模型在高湍流火焰（Re 10000）中的生成能力，这是更具挑战性的，因为火焰的结构更复杂，燃料/空气混合物的体积速度更快。Re10000处的火焰约为10cm高，并且通过改变燃烧器的高度来独立地对火焰的底部、中部和上部区域进行成像。CL和LIF相机的门宽分别为30μ s和20 ns，使用Resnet发生器的C-GAN模型在各种高度下单独训练。病例列于表1。在高度湍流的火焰中，火焰表面的拓扑结构会发生剧烈的变化，并产生高度复杂的结构，如图所示。 五、 比较图 5和图 2证明C-GAN在Re 10000的快照生成能力比Re 5000差。这是因为，在Re10000处，火焰结构由于强烈的湍流而变得更加复杂，并且同时，燃料/空气混合物的增加的速度导致更模糊的火焰化学发光成像，这进一步减少了其中包含的关于火焰表面结构的信息。这两个因素的综合影响降低了Re 10000下C-GAN模型的快照图像生成。然而，在图5中可以观察到，虽然生成的PLIF图像在细节上与地面实况不精确相同，但总体图案仍然基本上相关，从而确认了该方法的可行性。优化网络拓扑（例如，通过利用更深的生成器结构）或扩展训练集可以进一步增强快照图像生成的准确性。在极端湍流条件下火焰表面的拓扑分析中，然而，单次激发PLIF图像是高度随机的，并且通常需要对多个图像进行统计图6示出了由地面实况和生成的PLIF图像计算的FSD。地面实况和生成的FSD几乎相同，并且径向方向上的强度分布也高度重叠。这表明，在统计上，由C-GAN模型生成的PLIF图像与由ICCD相机在高度湍流火焰中获得的PLIF兼容图7进一步展示了沿着射流火焰的轴向方向的FSD分布的比较地面实况和生成的FSD从火焰的底部到上部区域几乎相同。图图6和图7示出了所生成的PLIF图像在统计上与地面实况图像相当，这表明C-GAN模型可以从火焰化学发光生成CH-PLIF图像图五. 在Re 10000下，在火焰的底部、中部和顶部区域使用Resnet发生器的C-GAN模型的化学发光、地面实况PLIF和生成的PLIF图像之间的化学发光成像和真实PLIF的门宽分别为30μs和20 nsL. Han等人能源与人工智能12（2023）1002217见图6。根据地面实况PLIF和C-GAN模型在不同高度使用Resnet生成器生成的PLIF图像计算火焰表面密度。第三列示出沿径向方向的火焰表面密度分布见图7。火焰表面密度分布计算从地面实况和生成的PLIF图像沿轴向方向。即使在高度湍流的火焰中也能看到图像。4. 结论本文提出了一种基于C-GAN模型的火焰化学发光图像CH-PLIF提取方法。该模型通过数千对CH-PLIF和化学发光图像进行训练，这些图像由两个相对放置的ICCD相机同时捕获。通过增加CL相机的门宽，同时固定LIF相机的门宽，优化了SNR比和时间分辨率之间的折衷关系。我们还评估了两种不同的发生器结果可以得出以下结论：1) 在相对较低的湍流火焰中，C-GAN模型能够生成SSIM超过0.91的快照图像;在高度湍流的火焰中，生成的PLIF图像在统计上与地面实况相似，并且沿径向和轴向方向的FSD分布几乎相同。2) 化学发光图像的门宽直接影响C-GAN模型的生成精度。增加门宽度会导致更高的SNR比和更低的时间分辨率。在本工作中，取40μ s作为Re5000的优化栅宽。在较高的湍流度下，由于较高的供气速度，需要适当地减小栅宽。3) 不同的生成器直接影响C-GAN模型的生成精度。在这项工作中，Resnet在快照图像和统计生成方面都优于U-net。这是因为ResnetL. Han等人能源与人工智能12（2023）1002218比U-net更深的可训练层，因此具有更好的特征提取能力。C-GAN模型也在高度湍流的火焰中进行了评估，并显示了其在复杂情况下的能力。该方法简化了激光光学系统在火焰特性研究中的应用，可应用于空间站微重力燃烧或深海火焰拓扑研究等激光光学系统难以布置的极端条件下。此外，该方法还可以从低时间分辨率的化学发光图像中提取高时间分辨率的CH-PLIF图像，这表明该方法在高重复率研究中具有潜在的应用价值。此外，C-GAN模型也可以在具有不同燃料和配置的预混合湍流火焰中良好地工作，因为CH-PLIF可以很好地表征具有大量碳氢燃料的火焰中的火焰表面[14]，并且C-GAN模型已经成功地生成了湍流旋流火焰中碳烟颗粒的平面分布[34]。竞争利益作者声明，他们没有已知的可能影响本文所报告工作数据可用性数据将根据要求提供。确认国家自然科学基金项目（批准号：52176169，52276164）补充材料与 本 文 有 关 的 补 充 材 料 可 在 在 线 版 本 中 找 到 ， 网 址 ： doi ：j.egyai.2022.100221。引用[1] 马斯里河湍流燃烧的挑战。Proc Combust Inst 2021;38：121-55.https://doi.org/10.1016/j.proci.2020.07.144网站。[2] 李志，袁勇，姚杰，瓦谢戈夫，段平，赵磊。横流高效混合燃烧新方法--圆形横向射流的研究。国际公共热质量传递2021;123：105207。https://doi.org/10.1016/j的网站。icheatmastransfer.2021.105207.[3] 徐军，黄栋，陈荣，孟宏.湍流燃烧大涡模拟NO预测模型的改进。Flow TurbulCombust 2021;106：881-99. https://doi.org/10.1007/s10494-020-00204-3。[4] ZhouB，BrackmannC，WangZ，LiZ，RichterM，Al d'enM，BaiX-S. 湍流预混甲烷/空气火焰中的薄反应区和分布反应区状态：标量分布和相关性。《燃烧火焰》2017;175：220-36。https://doi.org/10.1016/j.combustflame.2016.06.016。[5] Guiberti TF，Boyette WR，Krishna Y，Roberts WL，Masri AR，Magnotti G.用组合二维诊断法评估高压下紊流升力射流火焰的稳定机理。《燃烧火焰》2020;214：323-35。https://doi.org/10.1016/j.combustflame.2020.01.001网站。[6] 王军，于松，张明，靳伟，黄正，陈松，小林。1.0MPa以下湍流预混火焰的燃烧速度和统计火焰前锋结构 E X p Therm Fluid Sci 2015;68：196-204.https://doi.org/10.1016/j。 expthermflusci.2015.04.015。[7] LiZS，Li B，SunZW，BaiXS，Al d'enM. 湍流和燃烧相互作用：在有人驾驶的预混合射流火焰中使用CH、OH和CH2O的同时单次PLIF成像的高分辨率局部火焰前缘结构可视化。《燃烧火焰》2010;157：1087-96。https://doi.org/10.1016/j.combustflame.2010.02.017网站。[8] [10]李志华，李志华. 具有不同湍流度的甲烷射流火焰中OH、CH、CH2O和甲苯PLIF的同时可视化。Proc Combust Inst 2013;34：1475-82. 网址：//doi.org/10.1016/j.proci.2012.05.037。[9] 放大图片作者：Carter CD，Hammack S.用CHC-X波段的平面激光诱导荧光在预混合湍流火焰中的《燃烧火焰》2016;168：66-74。https://doi.org/10.1016/j的网站。combustflame.2016.03.024。[10] 丁C-P，彼得森B，施密特M，德雷兹勒A，BohmB. 火焰/流动动力学用高速PLIF和PTV测量内燃机活塞表面。ProcCombust Inst 2019;37：4973-81.https://doi.org/10.1016/j.proci.2018.06.215网站。[11] 放大图片作者：Jiang Z.使用时间多路复用结构检测的高速火焰化学发光成像。Appl Opt 2018;57：2923-9. 网址：http：//doi.org/10.1364/AO.57.002923[12] [10]李志，何安，李志，郭志，李志，李志，基于稀疏正则化的三维火焰化学发光层析重建。Appl Opt 2021;60：513-25. https://doi.org/10.1364/AO.412637网站。[13] 刘华，赵军，水春，蔡伟.基于kHz速率多角度内窥镜体层摄影术的非预混湍流旋流火焰的重建和分析。Aerosp Sci Technol 2019;91：422-33.https://doi.org/10.1016/j的网站。 ast.2019.05.025。[14] McManus TA，Gandomkar A，Carter CD，Allison PM.用CH（C-X）带PLIF对湍流预混合、预蒸发液体燃料射流火焰进行拓扑成像。Proc Combust Inst 2021;38：3049-56. https://doi.org/10.1016/j的网站。 proci.2020.08.021。[15] 胡毅，谭军，吕良，李晓.化学发光法定量测定甲烷-空气预混火焰热释放速率的研究。Acta Astronaut2019;164：277-86.https://doi.org/10.1016/j.actaastro.2019.07.019网站。[16] Ramwala OA，Dhakecha SA，Paunwala CN，Paunwala MC. Reminiscentnet：conditional GAN based old image decreasing.IntJ Image Graph2021;21：2150050.https://doi.org/10.1142/S0219467821500509网站。[17] P.伊索拉，J. - Y. Zhu，T.周，A.A. Efros，Image-to-image translation withconditional adversarial networks，2018。https://doi.org/10.48550/arXiv.1611.07004的网站。[18] 放大图片作者：Ahmed HF，Jamal H，Farhan M.利用条件对抗网络预测卫星图像未来景观。In：2021 IEEE Int. Geosci.遥感信号IGARSS; 2021年。第4652-5页。https://doi.org/10.1109/IGARSS47720.2021.9554642网站。[19] Zhou Y，Yu K，Wang M，Ma Y，Peng Y，Chen Z，Zhu W，Shi F，Chen X.基于图像风格转移和条件GAN的OCT图像斑点噪声抑制IEEE JBiomed HealthInform 2022;26：139-50. https://doi.org/10.1109/JBHI.2021.3074852.[20] 田宁，刘毅，吴波，李新.基于条件生成对抗网络的logo草图着色。电子2021;10：497. https://doi.org/10.3390/electronics10040497.[21] 用卷积神经网络在大涡模拟中湍流火焰的高分辨率重建和先验模拟。ProcCombust Inst 2022. https://doi.org/10.1016/j.proci.2022.07.128网站。[22] 高Karlovitz预混合火焰火焰表面密度的卷积神经网络和代数模型的先验评估：物理流体：1993年，第3期，（未注明日期）。https://aip.scitation.org/doi/abs/10.1063/5.0042732网站。[23] Zhou S，Zhu X，Li B，Gao Q，Yan B，Chen G. 生物质气化气绝热层流燃烧速度和总活化能的实验与数值研究。燃料2022;320：123976。https://doi.org/10.1016/j.fuel.2022.123976网站。[24] [10]杨文，李文.生成性对抗网络。 Commun ACM 2020;63：139-44.https://doi.org/10.1145/3422622网站。[25] Patak D，Krahenbuhl P，DonahueJ，Darrell T，Efros AA.上下文编码器：通过修复进行特征学习。In：Proc. IEEE Conf. Comput.目视2016年.p. 2536- 44[26] 王X，Gupta A.使用风格和结构对抗网络的生成图像建模。In：Eur.Conf. Comput.目视Springer; 2016.p. 318比35[27] 杨文，李文，李文. 实时风格转换和超分辨率的感知损失。In：Eur.确认补偿目视Springer; 2016. p. 694- 711[28] 何克，张X，任S，孙军. 用于图像识别的深度残差学习。输入：程序 IEEE会议Comput. 目视2016年. p. 770- 8[29] Zhang Q，Cui Z，Niu X，Geng S，Qiao Y.基于ResNet和U-Net的金字塔扩张卷积图像分割In：Liu D，Xie S，Li Y，Zhao D，El-Alfy E- SM，编辑。神经推理过程Springer International Publishing，Cham; 2017.第364- 372页。https://doi.org/10.1007/978-3-319-70096-0_38网站。[30] 你好，齐欧·D。 图像质量指标：PSNR与SSIM。In：201020thInt. 模式识别;2010. p. 2366-9 https://doi.org/10.1109/ICPR.2010.579网站。[31] 陈俊华，陈俊华，陈俊华，陈俊华，陈俊华. 受极端湍流影响的预燃火焰：一些问题 和 最 近 的 回 答 。 ProgEnergyCombustSci2020;76 ： 100802.https://doi.org/10.1016/j.pecs.2019.100802网站。[32] Zhang W，WangJ， Lin W，Guo S，Zhang M，Li G，YeJ， Huang Z钝体和旋流稳定预混火焰吹离前火焰结构E Xp Therm Fluid Sci 2019;104：15-25.https://doi.org/10.1016/j的网站。 expthermflusci.2019.02.010。[33] Filatyev SA，Drivel JF，Carter CD，Donbar JM.用于模型评估的湍流预混合火焰的测量特性，包括燃烧速度、拉伸率和表面密度。《燃烧火焰》2005;141：1-21.https://doi.org/10.1016/j的网站。 combustflame.2004.07.010。[34] Zhang W，Dong X，Liu C，Nathan GJ，Dally BB，Rowhani A，Sun Z. 使用深度学习从湍流火焰中的亮度图像生成烟灰颗粒的平面分布。 应用物理B2021;127：1-13.L. Han等人能源与人工智能12（2023）1002219进一步阅读[1] A.雷德福湖梅斯，S. Chintala，无监督表示学习与深度卷积生成对抗网络，（2016）。http://arxiv.org/abs/151106434[2] K.他，X。Zhang，S. Ren，J.Sun，Deep residual learning for imagerecognition，2015。http://arxiv.org/abs/1512.03385网站。