❖ 第一作者: Lei Han, State Key Laboratory of Engines, Tianjin University, China
❖ 通讯作者: Bo Li, State Key Laboratory of Engines, Tianjin University, China
❖ 作者邮箱: boli@tju.edu.cn
摘要
火焰前部结构是火焰最基本的特征之一,因此对于理解燃烧过程至关重要。测量湍流火焰中的火焰前沿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 的设备背负着激光器,通常过于复杂,无法在恶劣环境中进行配置。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,使用无需使用激光即可获得的视线 CH* 化学发光生成火焰前部的结构。同时记录湍流预混甲烷/空气火焰的 CH-PLIF 和化学发光图像来训练条件生成对抗网络 (CGAN)。评估了 C-GAN 的两个不同的生成器,即 Resnet 和 U-net。前者在本研究中在生成快照图像和多张图像的统计数据方面表现更好。对于化学发光成像,相机门宽的选择会在信噪比 (SNR) 和时间分辨率之间进行权衡。经过训练的 C-GAN 模型可以在雷诺数为 5000 时从化学发光图像中生成 CH-PLIF 图像,准确率超过 91%,并且该模型还可以有效地估计较高雷诺数 10,000 时的火焰表面密度。这种新方法有可能在不使用激光的情况下体现火焰特性,并显著简化诊断系统,还具有高速诊断火焰的潜力。
详情可点击下方“阅读原文”