没有合适的资源?快使用搜索试试~ 我知道了~
基于卷积神经网络的湍流火焰图像分类
能源与人工智能10(2022)100193透视基于卷积神经网络的湍流火焰图像分类放大图片创作者:Aly El Gamalb,Jay P.触了a普渡大学机械工程学院,West Lafayette,IN 47907,USAb美国印第安纳州西拉斐特普渡大学电气与计算机工程学院,邮编47907A R T I C L E I N F O保留字:CNN火焰神经网络湍流A B标准利用OH平面激光诱导荧光(PLIF)图像研究了CH4、空气和CO2湍流预混火焰中未燃材料的凹坑,以提高当前的认识。这种火焰普遍存在于大多数天然气空气燃烧器中,这些燃烧器运行具有用于陆基发电的干废气再循环(EGR)的燃气涡轮机。本质上的改进继续在表征和理解湍流火焰与EGR,特别是瞬态事件,如点火和熄灭。燃烧和未燃烧的湍流介质中的未燃烧材料的口袋和/或岛屿 这些特征降低了热释放速率并增加了一氧化碳和碳氢化合物的排放。目前的工作涉及基于卷积神经网络(CNN)的分类PLIF图像包含未燃烧的口袋在三个湍流火焰与0%,5%和10%CO2。 CNN模型使用三个卷积层和两个完全连接的层,使用dropout和权重衰减来构建。精度三种火焰的检出率分别为94.2%、92.3%和89.2%。本方法相对于传统的图像处理方法代表了显著的计算时间节省1. 介绍湍流增加了燃料空气混合和热释放速率,因此广泛用于燃气涡轮燃烧室。 空中交通量的增加和可再生能源(如风能和太阳能)备用电源的快速部署正在推动燃气轮机使用的显著增加。燃气轮机燃烧持续存在的挑战包括同时控制烟尘、一氧化碳和氮氧化物的排放[1,2]。通过使用新型喷射器设计、分级燃烧和废气再循环(EGR)[ 4 ],在减少氮氧化物排放[ 3 ]方面取得了重大进展最大限度地减少燃气轮机排放物对环境的影响仍然是持续研究和改进的主题。替代燃料可能导致更高的碳氢化合物排放, 再次受到关注[5]。为了避免高压旋流火焰的复杂性,在实际燃气轮机燃烧室中,常采用大气压下的湍流射流火焰作为燃烧过程的替代研究。未燃烧反应物口袋的形成是一个特征 两个人的火焰几乎熄灭[6]。这些气穴导致过量的一氧化碳和未燃烧的碳氢化合物排放。未燃烧的反应物袋变得普遍具有较高的湍流和较高的废气再循环(EGR)[7]。火焰尖端附近湍流燃烧速度的增强导致火焰刷增厚以及未燃烧的反应物袋的快速消耗[8]。的与未燃烧口袋相关的空间和时间尺度与微观尺度和整体尺度在大涡模拟(LES)模型的开发中具有实质性的意义[9,10]。在本生灯[11,12]和湍流预混射流火焰[8,13,14]的尖端附近观察到未燃口袋的形成和消耗。未燃区的表征对于提高对燃烧速度和污染物排放的理解和控制大数据、机器学习和人工智能是具有众多实际应用的新兴领域。机器学习涉及从数据中的模式中提取知识。机器学习算法包括朴素贝叶斯、支持向量和逻辑回归等。这些算法建议调整涉及到一个复杂系统的基于科学的模型,基于过去的操作数据与之相关的操作参数。调整的目的是估计和优化目标函数的当前和未来的实现。算法不断地生成和更新管理系统的科学规则中的解析导出的泛函和常数。 从数据中提取的模式被分层堆叠。 层中堆栈的数量和深度随着数据集的大小和层的深度而增加,导致将一些方法描述为深度学习(DL)[15]。过去四年的发展情况∗ 通讯作者。电子邮件地址:rroncanc@purdue.edu(R. Roncancio),elgamala@purdue.edu(A. El Gamal),gore@purdue.edu(J.P.Gore)。https://doi.org/10.1016/j.egyai.2022.100193接收日期:2022年2月3日;接收日期:2022年6月25日;接受日期:2022年7月27日2022年8月2日在线发布2666-5468/© 2022作者。出版社:Elsevier Ltd这是CC BY许可下的开放获取文章(http://creativecommons.org/licenses/by/4.0/)。可从ScienceDirect获取目录列表能源与AI期刊主页:www.elsevier.com/locate/egyaiR. Roncancio等人能源与人工智能10(2022)1001932涉及具有高抽象级别的编程框架和具有强大图形处理单元(GPU)的算法的快速训练[16]。这些发展促进了利用的因果性质的DL在研究燃烧的复杂模式机器学习在燃烧科学中的应用包括以下主题,例如估计:亚网格尺度燃烧[17,18],火焰表面密度[19,20],标量耗散率[21],过滤过程变量中的源项[22],可燃混合物的点火延迟[23,24]和未知反应途径[25]。Lapeyre等人[17]利用预混湍流火焰的直接数值模拟(DNS)结果来训练卷积神经网络(CNN),以估计子网格火焰表面密度。CNN有效地提取了火焰拓扑结构并估计了子尺度燃烧。CNN的结果比基于幂律表达式[26]和分形表面[27]的代数模型的结果更好。Barwey等人。[28] 使 用 CNN 模 型 从 一 系 列 OH 的 时 间 分 辨 平 面 激 光 诱 导 荧 光(PLIF)图像中推断旋流燃烧器中预混火焰内的三个速度分量。数据包含在附着和分离的火焰状态下的图像。作者将在472像素× 408像素域上训练的全局CNN的结果与在该域的单个118像素× 136像素部分上训练的一组局部CNN的结果进行了比较。模型的结果进行了检查的数据集具有相同的和不同的操作条件。作者报告说,CNN模型提供了更好的估计火焰表面密度,在附加的火焰制度,比分形和幂律模型具有接近零的绝对误差。Ji和Deng [25]使用连接化学反应的浓度时间序列的神经网络发现了未知的反应途径。以反应途径和速率常数为权值和偏差构建神经网络。An等人[29]利用人工神经网络(ANN)来加速超音速发动机环境中氢/烃燃烧化学的计算作者观察到一个加速因子之间的8和20比传统的ODE求解器。如上所述,机器学习已经广泛地应用于 在求解流体和/或化学方程时应用于燃烧;然而,另一种方法是使用机器学习分析火焰图像[30]。这些图像可以使用激光诊断技术,例如(平面激光诱导荧光,粒子图像测速)和常规成像技术(高速,RGB)来捕获。最近的文献涉及利用深度学习算法对图像进行分类的燃烧模式预测。戈比佐夫 等人[31]使用当量比从0.7变化到2.65的丙烷/空气火焰的彩色图像来分类燃烧状态。作者对CNN模型进行了50个时期的训练,并报告了98%的总体分类准确率。精度的损失主要是因为视觉上相似的燃烧状态。作者得出结论,CNN可以作为燃烧监测的低延迟工具。Shamsudheen等人[32]使用基于K-最近邻(KNN)和支持向量机(SVM)的机器学习对均质充量压缩点火(HCCI)发动机中的燃烧事件进行分类。作者报告说,SVM方法比KNN方法(89.2%)具有更高的准确性和更好的泛化能力(93.5%)。Lee等人。[33]使用迁移学习来训练CNN模型,将冲击射流火焰分类为具有独特热声振荡的四种不同状态。使用基于Mie散射的PIV获得图像。CNN模型以93.6%的准确率对图像进行分类。作者得出的结论是,他们的研究的一些局限性来自于PIV的易于识别的流场模式产品,以及需要对每个状态至少进行一次测试。Fig. 1. 轴对称导向反应堆辅助湍流燃烧器(PARAT)燃烧器的横截面示意图[34]。(For对本图图例中所指颜色的解释,读者可参考本文的网络版。)在本工作中,使用卷积神经网络(CNN)模型分析了Han等人[14]获得的湍流预混火焰的27,000个OH-PLIF图像。三个甲烷/空气+CO2火焰被认为是反应物CO2浓度为0%,5%,和10%。本研究的目的是减少计算处理时间,通过分类图像之间的火焰图像包含未燃烧的口袋和图像不包含口袋。未燃烧的口袋被定义为与火焰主体分离的缺乏OH-PLIF信号的区域被具有OH-PLIF信号的区域包围2. 测试配置和计算方法2.1. 燃烧器和火焰细节Han等人[14]和Kim等人[34]用于研究稀薄湍流甲烷-空气预混火焰的轴对称反应器辅助湍流燃烧器(PARAT )如图所示。1.一、燃烧器由五个部件组成:一个178 mm长的燃料/空气喷射管道(红色),一个168 mm长的发散管道(黄色),一个147 mm长的会聚管道(紫色),一个30 mm长的出口(绿色)和一个外壳(灰色)。燃烧器外壳为其他四个部件提供框架。管道直径沿燃烧器的纵向从18 mm变化到27 mm,如图所示。1.一、预混合的燃料/空气流通过主出口流出。先导氢流入单独嵌入的进料管线中,并通过环形出口排出。引燃燃料流的路径在图1中描绘。燃料和CO2沿径向进入,空气沿轴向进入燃料/空气喷射部件的入口。燃料和空气在到达燃烧器出口时在分子水平上彻底混合。高湍流度是由高雷诺数和尾流引起的壁面处的陡峭速度梯度引起的。 钝体和从两个穿孔板出现的射流。通过燃烧器的发散和会聚横截面来防止管道壁附近的流动分离和再循环区。在管道中产生的湍流漩涡被穿孔底板进一步分解,并在通过后接近更精细的尺度 第二穿孔板。燃烧器和实验装置的进一步描述见参考文献104。[34 ]第30段。R. Roncancio等人能源与人工智能10(2022)1001933图二. 用于口袋识别的常规过程。研究了当量比分别为0.80、0.84和0.89的三种火焰,雷诺数(���=���闪烁���)为10,000。scin= 0时的1 mm积分长度刻度���。2,平均轴向速度为11 -12 m/s [ 35 ]。火焰1(f1)使用含0%CO2的反应物,火焰2(f2)使用含5%CO2的反应物,火焰3(f3)使用含10%CO2的反应物[14,34]。实验数据,特别是OH PLIF图像报道在参考文献。[14,34]用于本CNN模型的开发平面激光诱导荧光(PLIF)利用OH1(8)跃迁在2π(π′= 0)→A2π+(π′= 1)振动带产生480 × 640像素的图像。以9 kHz的重复频率采集图像。羟基(OH)自由基是涉及烃燃烧的化学反应中的关键中间物质。OH是反应区的主要标志,也是火焰中热释放过程的关键指标[36,37]。使用kHz速率诊断使得能够在一个问题上获得统计上收敛的数据集,秒[38]重要的是要注意,在2D测量中,一些观察到的口袋可能是与激光片相交的3D连续火焰表面的一部分。然而,使用2D测量获得的数据仍然可以用于更好地理解湍流火焰结构和相互作用【39,40】。2.2. PLIF图像的常规处理和局限性传统的图像处理技术面临与输入图像的大小相关联的随着图像大小的增加,计算成本与图像大小成线性或二次方地增加。使用并行计算代替顺序计算有助于降低计算成本[41]。 图 2显示常规使用图像处理的口袋识别方法步骤1描绘了原始OH荧光图像。在步骤2中,通常使用中值滤波器来平滑图像,该滤波器可以根据问题在不同阶段之间使用在步骤3中,激光器的激光强度分布用于校正图像。步骤4对应于允许二值化图像的阈值技术。一些研究人员使用固定阈值[14]进行此操作,而其他研究人员更喜欢使用根据图像而变化的自适应算法,例如Otsu第5步是泛洪操作,以移除图像中不是口袋的几个MATLAB函数可以执行此操作,例如2.3. PLIF图像及其卷积神经网络模型图3典型二维的九个代表性面板 OH PLIF图像的三个火焰显示出了总人口 27 000张图片(在每张图片的右上角用白色字体编号为1-9)。图1至图3描绘了火焰的连续部分。图4至图9描绘了后连续火焰区域。 这些面板在空间上相关,但在时间上独立。反应发生在一个连续的回旋圆锥表面内,并发生在从圆锥表面上脱落的凹坑表面上,并在大约等于圆锥高度的纵向距离上继续燃烧。回收二氧化碳的火焰逐渐变长.未燃烧的反应物的口袋内和上创建图三. 用于训练CNN模型的瞬时OH PLIF图像。火焰的锥形部分的表面和旅行下游。由256个图像组成的训练集用于训练CNN模型。在用每个批次训练后更新模型参数。在训练期间,完成了二百(200)个epoch,定义为通过训练集的完整通过。 通过人工将27000幅图像分为两类,建立了评价CNN模型性能的准确标准。本研究中使用的所有图像均使用ImageJ软件通过人工检查进行分类[45]。图像被调整大小,如图所示。 4、对120像素× 160像素采用双三次插值,保持原有的清晰度同时降低训练的计算成本。在湍流预混火焰中,未燃口袋的形成事件预计是相对较少的。这些事件的检测和识别代表了一个固有的不平衡分类问题[46,47]。所有固有的不平衡分类问题都会导致大量的不平衡数据。构建CNN模型的目的是以利用用户生成的数据来增加不平衡的数据。具体来说,图。图5示出了利用实际图像的上下翻转和左右翻转(仿射变换)来增强数据。所有数据驱动模型的挑战之一是在不影响R. Roncancio等人能源与人工智能10(2022)1001934+++表1用于CNN模型中所有层的详细参数层类型内核数其他层参数1Conv + ReLU 64过滤器=(3,3),权重衰减= 0.0005,参数:6402Max-pooling 2 pool_size =(2,2)3Conv + ReLU 128过滤器=(3,3),权重衰减= 0.0005,参数:73 8564Max-pooling 2 pool_size =(2,2)5Conv + ReLU 256过滤器=(3,3),权重衰减= 0.0005,参数:295 1686Max-pooling 2 pool_size =(2,2)7压扁8FC + ReLU + Dropout 128 Dropout_ratio = 0.3,参数:1 147 0089FC + Sigmoid 1参数:129图四、 使用双三次插值调 整 输 入 图 像 的 大 小 以保持清晰度。学习如果满足这一挑战,则模型的泛化性能会提高[48]。 图图5描绘了用于增强数据的仿射变换。这种转换描述了与文献[49]一致的优异性能。数据分为训练(80%),验证(10%)和测试(10%)子集。仅对训练数据集进行了扩充。图图6和表1描绘了本CNN的架构。CNN包括64,128和256个内核,相对于隐藏层的顺序,3 × 3过滤器,然后是2 × 2池大小的最大池层。CNN使用Keras [50]库和TensorFlow后端[16]实现使用2正则化来减轻过拟合。根据参考文献[51],2正则化的权重衰减系数为在卷积阶段之后,中间矢量被平坦化,并且输出由两个密集层处理,分别具有128和1个单元。Dropout应用于128个单元的密集层,单元移除概率为0.3(有关Dropout训练和权重缩放推理的详细信息,请参见参考文献[15],第7章)预测精度在文献中得到了广泛的应用,定义为正确预测(真阳性(TP)和真阴性(TN))的数量除以预测总数(包括假阳性(FP)和假阴性(FN))[52]。鉴于其广泛的使用,预测精度被用来衡量CNN模型的性能[53]:表2每个火焰的CNN模型精度FlameFPFNTPTN测试精度f1 246 280 1219 7264 94.2%f2 166 524 874 7445 92.3%f3 91 886 559 7473 89.2%当量(2)示出了交叉熵损失函数,其中是���指隐藏层的参数,x对应于输入数据,y对应于模型预测值。E,������������������ 对应于相对于数据的经验分布的期望值(���k������������),并且������������������是指模型分布。损失函数惩罚错误分类的CNN预测值;因此,在训练过程中,提供更好图像分类的参数将获得低损失函数值,而产生更大数量的假阳性和假阴性的参数组合将受到更大损失函数值的惩罚。均方根传播(RMSProp)算法[54]用作CNN模型的优化器。 学习率为0.001,衰减率为���0.9被选为RMSProp算法的超参数。CNN模型的输出对应于0和1之间的概率,其中0表示图像中没有口袋,1表示图像中有一个或多个口袋3. 结果和讨论3.1. 定量结果图7显示了训练过程中的准确性和损失作为一个函数的epoch数。准确度增加,直到达到9.8% 的平台。 损失在前50个时期迅速减少。随着训练超过50个时期,损失继续以较低的速率降低,在150和200个时期之间达到0.07的值。随着CNN模型学习所需的特征,用于将图像分类到那些包含袋中,���������������������������������������������������=+(一)那些没有口袋的。三种火焰的CNN模型的准确性是总结-其中TP(真阳性)是包含囊袋的图像数量,TN(真阴性)是不包含囊袋且被正确分类的图像数量,FP(假阳性)是包含囊袋的图像数量。不包含囊袋但被分类为包含囊袋的图像的数量,FN(假阴性)是包含囊袋但被分类为不包含囊袋的图像的数量。通过利用CNN模型中的参数组合来优化正确分类图像的概率。如Goodfellow等人[15]所定义的,定义要优化的函数损失函数。在本研究中,使用二进制交叉熵损失函数(cross-entropy loss function)来衡量CNN模型的性能��� 并在训练期间更新参数(���)=−E���������,������������log������������������(���|���(2)在表2中列出。火焰1获得最佳结果,其次是火焰2。假阴性的数量随着火焰高度的增加而增加,而假阳性的数量则显示出相反的趋势。CNN模型对于火焰1的锥形体内的口袋表现得更好,但是对于火焰2和火焰3,该模型高估了超过尖端图8示出了作为距燃烧器出口的轴向距离的函数的没有凹穴的图像的数量。正如所观察到的,对于所有火焰,CNN预测都遵循实验数据的趋势随着火焰高度的增加,没有口袋的图像的数量减少。此外,火焰1的精度较高,火焰2和3的精度降低。CNN模型能够预测火焰1和2的最大口袋数;然而,它无法预测火焰3的最大口袋数。经过训练的CNN模型导致火焰1的分类任务准确率为94.2%,火焰2为92.3%R. Roncancio等人能源与人工智能10(2022)1001935图五、 用于平衡训练数据集的数据增强技术。见图6。 卷积神经网络架构在本工作中使用。内核的形状是下面的层标题上面的图像和符号的处理层次。每个层的张量输出的形状显示在下面一行。见图7。 CNN训练的准确性和损失率的变化火焰3为89.2%。分类任务的准确性仍然很高,所有三个火焰,尽管大(89.2%)的图像没有口袋的百分比。图图9描绘了三种火焰的CNN模型的分类结果。对于三个火焰中的每一个的9000个图像,未燃烧的口袋的概率在零和一之间变化一千个图像对应于图1中的一个面板。3 .第三章。 CNN模型结果用空心圆表示,数据用空心三角形表示。图9和表2清楚地表明了分类问题的不平衡。包含袋的图像的数量显著少于不包含袋的图像的数量。这对于高当量比、高度湍流的火焰是预期的,该火焰具有设计用于稳定圆柱形中心火焰的共环引燃火焰。对于火焰2和火焰3,超过尖端的口袋的数量较大,并且可以通过反应物中的CO2浓度增加来解释,其中相应地较高的混合物比热导致较低的火焰温度。CO2的加入增加了相邻火焰下游CNN模型捕捉到了在多种状态下湍流火焰图像通过捕捉火焰见图8。 对于每个火焰高度,不含凹穴的图像数量。图中每个面板的中心。 3用作沿轴 的距离���。复杂性,CNN模型,如本文中提出的,可以减少必须处理的图像数量,用于火焰稳定性的统计分析。目前的结果鼓励开发更快的图像处理算法,利用CNN的实际火焰。R. Roncancio等人能源与人工智能10(2022)1001936见图9。 所有火焰的分类结果。每一千张图像代表图1的一个面板。3 .第三章。不与红色圆圈重叠的黑色三角形表示假阴性,不与黑色三角形重叠的圆圈表示假阳性。图10个。 假阳性事件的示例。图像从左到右是连续的,并且间隔0.22 ms。3.2. 定性结果图十一岁 假阴性事件的示例。图像从左到右是连续的,并且间隔0.22 ms。表3口袋分类任务的每个模型的计算时间CNN模型准确地分类了大多数包含数量的图像传统图像CNN模型处理不包含未燃烧的口袋;然而,它存在局限性加工处理这些都是经过审查的。在图10中,与时间相关图像一起的时间间隔27 000 15 800 s培训4300 s评估180 s观察到,当图像(c)不包含口袋时,CNN模型将图像(c)分类为包含口袋。这是当左下区域是火焰主体的一部分时,模型将其分类为口袋的结果,如图像(d)所观察到的。假阴性对应于错误分类的图像的高百分比。图11,显示假阴性的示例。 CNN模型正确地分类了图像(a)和(b),但 它错误地分类了图像(c)。这表明与周围没有足够OH自由基信号的口袋相关的限制。3.3. 计算时间比较传统的图像处理算法计算量大。如表3所示,使用传统图像处理处理本研究中所有图像所需的时间是CNN模型的三倍以上。表3所示的用于常规图像处理的时间对应于八核处理器。共计15 800 s计算机并行运行MATLAB [55],CNN模型对应于使用K80 T GPU的Google Colaboratory云服务[56]。重要的是要注意,这两种图像处理方法都需要对参数进行微调以实现最佳结果,并且不考虑这种调整的时间,因为它取决于多个因素,例如建模者的专业知识和任务的复杂性。用于评估的CNN模型计算时间非常短,这突出了使用卷积神经网络的好处。4. 结论卷积神经网络用于将高速OH-PLIF图像分类为没有任何未燃烧口袋的一类和具有一个或多个未燃烧口袋的另一类CNN模型可能是R. Roncancio等人能源与人工智能10(2022)1001937用于分别成功地对火焰1、火焰2和火焰3的94.2%、92.3%和89.2%的图像进行分类。这两个类别中的图像数量非常不平衡,需要使用人工图像生成来增加数据,从左到右和从上到下翻转使数据大小增加两倍。CNN模型有效地提取了火焰的特征,这些特征与不同水平的废气再循环导致不同水平的CO2浓度的未燃烧口袋的检测相关。本模型为OH-PLIF图像的分类和利用提供了一种新的方法,可显著节省计算时间。受这些结果的鼓舞,未来的工作将涉及这些方法的改进和应用,以获得更大的定量成像数据集复杂事件的三维湍流旋流燃气轮机燃烧室。竞合利益作者声明,他们没有已知的竞争性财务利益或个人关系,可能会影响本文报告的工作致谢参考文献[14]的作者提供了实验数据, 本研究引用[1]Correa SM.燃气轮机燃烧条件下氮氧化物生成的综述燃烧科学技术1993;87(1-6):329-62. http://dx.doi.org/10.1080/00102209208947221.[2]燃烧导论:概念与应用。2000,第411页。http://dx.doi.org/10.1016/j.ijhydene.2008.07.121 , arXiv : arXiv : 1011.1669v3。[3]杨文,李文. 1700C级燃气轮机EGR低NOx燃烧系统的开发MitsubishiHeavy IndTech Rev2013;50(1):1.[4]列 斐 伏 尔 燃 料 制 备 在 低 排 放 燃 烧 中 的 作 用 。 J Eng Gas Turbines Power1995;117(4):617-54. http://dx.doi.org/10.1115/1.2815449网站。[5]Zeppieri S,Colket M.低功率燃气轮机排气中碳氢化合物排放的指纹Combust SciTechnol 2014;186(12):1991网址://dx.doi.org/10.1080/00102202.2014.946596网站。[6]张文辉,张文辉,张文辉.基于直接模拟的湍流预混燃烧图。在:研讨会(国际)燃烧,卷。23. Elsevier; 1991,p. 613-9[7]罗伯茨 WL, Driscoll JF 一 层流 涡流 交互 与 一表示“前混合火焰:测量到的反应物形成的火焰。《燃烧火焰》1991;87(3-4):245-56。http://dx.doi.org/10.1016/0010-2180(91)90111-N。[8]张文,张文.利用10 kHz同步CH-OH PLIF和SPIV研究湍流火焰中细尺度未燃混合物岛的快速消耗。Proc Combust Inst 2015;35(3):3663[9]杨文,等.湍流预混火焰的形成和行为.北京:机械工程出版社,2000.《燃烧火焰》2020;211:312-24。http://dx.doi.org/10.1016/j.combustflame.2019.09.033.[10] KimJ,Roncancio R,Satija A,Lucht RP,Gore JP. CH4 /空气预混湍流火焰中积分长度尺度与未燃口袋形成的相关性。第11届美国全国燃烧会议。帕萨迪纳,加利福尼亚州; 2019年。[11] Filatyev SA,Drivel JF,Carter CD,Donbar JM.用于模型评估的湍流预混火焰的测量特性,包括燃烧速度、拉伸率和表面密度。《燃烧火焰》2005;141:1-21.http://dx.doi.org/10.1016/j.combustflame.2004.07.010.[12] 放大图片作者:Kobayashi H,Seyama K,Hagiwara H. 甲烷燃烧速度关联式/空气湍流预混火焰在高压和高温度 Proc Combust Inst 2005;30(1):827-34. http://dx.doi.org/10.1016/j.proci.2004的网站。八点零八分[13] Li ZS,Li B,Sun ZW,Bai XS,Aldén M.湍流和燃烧相互作用:在有人驾驶的预混射流火焰中使用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 ( 6 ) : 1087-96.http://dx.doi.org/10.1016/j的网站。combustflame.2010.02.017网站。[14] Han D,Satija A,Gore JP,Lucht RP.使用高重复率OH PLIF对CO2稀释、引导、湍 流 CH 4/空 气 预 混 火 焰 的 实 验 研 究 。Combust Flame 2018;193: 145-56.http://dx.doi.org/10.1016/j.combustflame.2018的网站。03.012。[15] 放大图片作者:Dr.深度学习MIT Press; 2016,http://www.deeplearningbook.org网站。[16] Abadi M , Agarwal A , Barham P , Brevdo E , Chen Z , Citro C , et al.TensorFlow : 异 构 分 布 式 系 统 上 的 大 规 模 机 器 学 习 。 2016 年 , arXiv :1603.04467。网址http://arxiv.org/abs/1603.04467。[17] 张文辉,张文辉.训练卷积神经网络以估计湍流亚网格尺度反应速率。 燃烧火焰2019;203:255-64. http://dx.doi.org/10.1016/j.combustflame.2019的网站。两点零九分[18] RenJ, Wang H,Chen G,Luo K,FanJ.使用机器学习的火焰演变预测模型:无平均剪切和有平均剪切的湍流火焰的先验评估。物理流体2021;33(5):055113。 http://dx.doi.org/10.1063/5。 0048680。[19] 任军,王宏,邢军,罗凯,范军。湍流火焰拉伸及其相关量的低维近似模型与 机 器 学 习 方 法 。 物 理 流 体 2020;32 ( 11 ) : 115113 。http://dx.doi.org/10.1063/5的网站。 0028877。[20] 任军,王宏,罗凯,范军。高Karlovitz预混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 2021;33 ( 3 ) : 036111 。http://dx.doi.org/10.1063/5.0042732网站。[21] 张文辉,张文辉,张文辉.湍流亚网格建模的大规模深度学习:回归和重建。In:Weiland M, Juckeland G,Alam S,Jagode H, editors.高性能计算。Cham:Springer International Publishing; 2019,p. 541-60[22] Yellapantula S,de Frahan MTH,King R,Day M,Grout R. 机器学习燃烧LES模型的反应直接数值模拟。湍流燃烧直接数值模拟的数据分析:从基于方程的分析到机器学习. Cham:Springer International Publishing;2020,p. 273-92,Ch. 十四岁[23] [10]崔Y,王Q,刘H,郑Z,王H,岳Z,姚M. 发展基于人工神经网络的正丁烷/ 氢 混 合 气 着 火 延 迟 期 预 测 模 型 。 能 源 AI 2020;2 : 100033.http://dx.doi.org/10.1016/j.egyai.2020.100033天啊[24] 崔Y,刘H,王Q,郑Z,王H,岳Z,明Z,温M,冯L,姚明基于BP神经网络的多组分替代燃料滞燃期预测模型研究。《燃烧火焰》 2022;237:111852。http://dx.doi.org/10.1016/j.combustflame.2021.111852网站。[25] Ji W,Deng S.利用化学反应神经网络从数据中自主发现未知反应途径JPhysChemA2021;125(4):1082-92。http://dx.doi.org/10.1021/acs.jpca.0c09316,arXiv:2002.09062.[26] Charlette F,Meneveau C,Veynante D.幂律火焰传播模型预混湍流燃烧的大涡模拟第一部分:非动态公式和初始试验。《燃烧火焰》2002;131(1-2):159-80。http://dx.doi.org/10.1016/S0010-2180(02)00400-5.[27] 郭丁,陈继英,陈俊英。分形火焰的化学闭合模型。《燃烧火焰》1989;77(3-4):241-59。http://dx.doi.org/10.1016/0010-2180(89)90132-6.[28] [10]杨文,李文,李文.使用机器学习从OH-plif图像构建速度场。Combust SciTechnol2019;1-24.http://dx.doi.org/10.1080/00102202.2019.1678379,arXiv:arXiv:1909.13669v1.[29] 安杰,何刚,罗凯,秦芳,刘宝。氢/一氧化碳/煤油燃烧计算有效建模的基于化学机理的人工神经网络IntJ Hydrogen Energy 2020;45(53):29594网址://dx.doi.org/10.1016/j.ijhydene.2020.08.081网站。[30] Roncancio R,KimJ, El Gamal A,Gore JP.湍流火焰图像的数据驱动分析。AIAAscitech 2021 论 坛 Reston , Virginia : American Institute of Aeronautics andAstronautics; 2021 , p. 1-6. http://dx.doi.org/10.2514/6.2021-1787 , arXiv :2012.01485.[31] Gobyzov OA,Tokarev MP,Abdurakipov SS,Lobasov AS. 可视化与神经网络分析 相 结 合 的 火 焰 状 态 诊 断 . AIP Conf Proc 2018;2027 ( November ) .http://dx.doi.org/10.1063/1.5065341网站。[32] Angikath Shamsudheen F , Yalamanchi K , Yoo KH , Voice A , Boehman A ,Sarathy M.用于均质充量压缩点火(HCCI)条件下燃烧事件分类的机器学习技术 。 SAE 技 术 论 文 2020;2020 年 4 月 ( 四 月 ) : 1-10 。http://dx.doi.org/10.4271/2020-01-1132网站。[33] Lee M,Yoon S,KimJ, Wang Y,Lee K,Park FC,Sohn CH.使用具有转移学 习 的 卷 积 神 经 网 络 对 冲 击 射 流 火 焰 进 行 JMech Sci Technol 2022;36(3).http://dx.doi.org/10.1007/s12206-022-0240-5网站。[34] KimJ, Satija A,Lucht RP,Gore JP.湍流状态对多孔板稳定的预混火焰的影响《燃烧火焰》2020;211:158http://dx.doi.org/10.1016/j.combustflame.2019.09.027网站。[35] Han D,Satija A,KimJ,Weng Y,Gore JP,Lucht RP.双泵振动CARS测量含CO2湍流预混火焰中的温度和组分浓度。《燃烧火焰》2017;181:239[36] 王毅,Jain A,Kulatilaka W.利用飞秒激光脉冲对火焰中的羟基自由基平面成像。应用物理B 2019;125(6):1-8。http://dx.doi.org/10的网站。1007/s00340-019-7203-2。[37] 埃 克 布 雷 思 燃 烧 温 度 和 物 质 的 激 光 诊 断 。 1987 年 ,URLhttps://www.osti.gov/biblio/7002921。R. Roncancio等人能源与人工智能10(2022)1001938[38] [10]杨文军,李文军,李文军.高压下燃气涡轮燃烧室中的3 kHz PIV/OH-PLIF测量。ProcCombustInst2015;35(3):3793-802.http://dx.doi.org/10.1016/j.proci.2014.06.090网站。[39] TyagiA,《燃烧火焰》,2020年;216:206-22。http://dx.doi.org/10.1016/j.combustflame.2020.02.010网站。[40] 杨文,王文,《燃烧火焰》2019;203:92-104。网址://dx.doi.org/10.1016/j.combustflame.2019.02.006网站。[41] Cordella L,Duff MJ,Levialdi S.图像处理中的计算成本分析:案例研究。IEEETransComput1978;C-27 (10 ):904-10.得双曲正切值.doi.org/10.1109/TC.1978.1674969网站。[42] 大津湾一种从灰度直方图中选取阈值的方法。 IEEE TransSystMan Cybern1979;C(1):62-6.[43] 杨文,王文,在两个V形火焰的火焰相互作用区域中。在:AIAA scitech 2019论坛. 2019,第1-16页。http://dx.doi.org/10.2514/6.2019-0446网站。[44] 冈萨雷斯RC,伍兹RE。数字图像处理。第3版,美国:Prentice-Hall,Inc.; 2006年。[45] Schneider CA,Rasband WS,Eli
下载后可阅读完整内容,剩余1页未读,立即下载
![docx](https://img-home.csdnimg.cn/images/20210720083331.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://profile-avatar.csdnimg.cn/default.jpg!1)
cpongm
- 粉丝: 4
- 资源: 2万+
上传资源 快速赚钱
我的内容管理 收起
我的资源 快来上传第一个资源
我的收益
登录查看自己的收益我的积分 登录查看自己的积分
我的C币 登录后查看C币余额
我的收藏
我的下载
下载帮助
![](https://csdnimg.cn/release/wenkucmsfe/public/img/voice.245cc511.png)
会员权益专享
最新资源
- BSC绩效考核指标汇总 (2).docx
- BSC资料.pdf
- BSC绩效考核指标汇总 (3).pdf
- C5000W常见问题解决方案.docx
- BSC概念 (2).pdf
- ESP8266智能家居.docx
- ESP8266智能家居.pdf
- BSC概念 HR猫猫.docx
- C5000W常见问题解决方案.pdf
- BSC模板:关键绩效指标示例(财务、客户、内部运营、学习成长四个方面).docx
- BSC概念.docx
- BSC模板:关键绩效指标示例(财务、客户、内部运营、学习成长四个方面).pdf
- BSC概念.pdf
- 各种智能算法的总结汇总.docx
- BSC概念 HR猫猫.pdf
- bsc概念hr猫猫.pdf
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
![](https://img-home.csdnimg.cn/images/20220527035711.png)
![](https://img-home.csdnimg.cn/images/20220527035711.png)
![](https://img-home.csdnimg.cn/images/20220527035111.png)
安全验证
文档复制为VIP权益,开通VIP直接复制
![](https://csdnimg.cn/release/wenkucmsfe/public/img/green-success.6a4acb44.png)