近日，南京理工大学应遥瑶和刘冬等人在Science China Technological
Sciences(《中国科学：技术科学》英文版)2024年第11期发表了题为“Fuel type recognition of ester isomer additives in
flames by optical diagnostics coupled with machine learning method”的研究论文，基于机器学习模型，提出了一种通过光学诊断方法识别氧化添加剂类型的方法。原文信息:He J Y, Chen M F, Wu B K, et al. Fuel type recognition
of ester isomer additives in flames by optical diagnostics coupled with machine
learning method. Sci China Tech Sci, 2024, 67, https://doi.org/10.1007/s11431-024-2769-9机器学习在燃烧研究领域已得到了广泛的应用，但很少有研究将其用于识别火焰以区分燃料类型（特别是含氧燃料和添加剂），很少有对不同机器学习模型和因素对性能的影响进行研究。论文基于机器学习模型，提出了一种通过光学诊断方法识别氧化添加剂类型（酯类异构体，甲基丁酸酯、甲基丁烯酸酯、丙烯酸乙酯和丙烯酸乙酯）的方法。利用光学诊断方法提取火焰特征，并使用三种模型——随机森林（RF）、人工神经网络（ANN）和支持向量机（SVM），建立火焰图像与氧化添加剂之间的关系。此外，研究了图像压缩、数据集大小和特征数量等多个因素对模型性能的影响。以四种不同氧化添加剂和各种燃烧条件下反扩散火焰的火焰图像为例，检验了所提出方法的有效性。
