一种通用的基于火焰高光谱的燃烧特性预测模型

作     者：汪明 贺红娟 王宝瑞 艾育华 王岳 WANG Ming;HE Hong-juan;WANG Bao-rui;AI Yu-hua;WANG Yue

作者机构：中国科学院工程热物理研究所新技术实验室北京100190 中国科学院大学北京100049 

出 版 物：《光谱学与光谱分析》 (Spectroscopy and Spectral Analysis)

年 卷 期：2025年第45卷第2期

页      面：532-541页

核心收录：

学科分类：080702[工学-热能工程] 08[工学] 0807[工学-动力工程及工程热物理] 

基　　金：国家自然科学基金联合基金项目(U1530157)资助 

主　　题：高光谱技术 燃烧特性 神经网络 

摘      要：燃烧特性的准确预测可以为燃烧技术的优化提供重要依据。利用甲烷火焰高光谱数据同时预测多种燃烧特性,以解决工程中监测燃烧特性需要多种采集设备及现场取样的难题,提出了一种基于三维卷积神经网络(3-dimensional Convolutional Neural Network)方法的火焰特性预测模型。首先在层流火焰高光谱数据上验证了该方法并进一步将模型应用于湍流火焰高光谱数据,接着建立了一种通用模型和训练方法,最后使用Gradient-weighted Class Activation Mapping(Grad-CAM)方法对模型进行可解释性研究。在层流模型中研究了不同参数对火焰特性预测模型准确性的影响;在湍流模型中探究了使用迁移学习的可行性以及添加小波去噪处理方法和改变卷积层数对模型结果的影响;在通用模型中解决数据不一致的问题,使得层流和湍流火焰作为训练数据对模型进行混合训练成为可能,实现了从实验室小火焰到实际工程火焰的燃烧特性参数预测模型的建立;在模型的可解释性研究中使用Grad-CAM方法对神经网络模型的工作原理和决策过程进行研究。结果显示层流预测模型中针对不同预测参数平均准确率均能达到96%以上,使用Mish+Mae的参数组合平均准确率最高为98%且拥有较高的模型稳定性;湍流预测模型的平均准确率均能达到95%以上,迁移学习、小波去噪处理和改变卷积层数均能在一定程度上提升模型性能,但需要进行合适的调整;通用模型在层流和湍流不同参数预测的平均准确率分别达到了97%和94%,在两种不同火焰的工况下均达到较高的准确率,说明模型的适用性较强;可解释性研究中Grad-CAM热力图上的信息表明该方法能够通过定位火焰敏感区域,并从光谱中提取到关键组分信息,从而完成对火焰特性的预测。该研究可以为燃烧学实验测试技术的智能化发展提供支持,对燃烧特性的研究具有重要意义。