謝 凡，魯 昊，馬天順

(華中科技大學(xué)能源與動(dòng)力工程學(xué)院，武漢 430074)

準(zhǔn)確地進(jìn)行燃燒區(qū)域識(shí)別或劃分對(duì)于研究湍流燃燒的燃燒特性、傳熱傳質(zhì)，以及湍流與燃燒的相互作用等問(wèn)題來(lái)說(shuō)具有重要意義.然而，這很難在瞬態(tài)湍流燃燒場(chǎng)中進(jìn)行.現(xiàn)有的燃燒區(qū)域識(shí)別方法可大致分為兩類：一種是以平面激光誘導(dǎo)熒光(planar laser induced fluorescence，PLIF)技術(shù)為代表的，將燃燒產(chǎn)物的分布成像，以此得到火焰結(jié)構(gòu)的方法.如Li等[1]將PLIF 應(yīng)用于研究湍流預(yù)混甲烷/空氣噴射火焰的局部火焰前端結(jié)構(gòu)，同時(shí)記錄了CH、CH2O 以及OH 的PLIF 圖像，發(fā)現(xiàn)CH 自由基只存在于一個(gè)薄層中，CH2O 存在于火焰內(nèi)部，OH 自由基存在于火焰外部，CH 層將OH 和CH2O 層分開(kāi)；Zhou 等[2]將PLIF 應(yīng)用于一系列預(yù)混湍流甲烷/空氣噴射火焰，選擇不同的3 種標(biāo)量進(jìn)行了研究，CH2O 提供對(duì)預(yù)熱區(qū)的測(cè)量，CH/HCO 是對(duì)反應(yīng)區(qū)內(nèi)層的測(cè)量，OH 是對(duì)氧化區(qū)的測(cè)量.賴安卿等[3]應(yīng)用圖像FFT 方法，捕捉了振蕩燃燒環(huán)境下火焰的主要脈動(dòng)特征.這種將火焰成像的方法只能測(cè)量少數(shù)組分，在測(cè)量時(shí)還會(huì)受其他組分或者環(huán)境因素的影響，因此在實(shí)際使用中不確定性較大.

另一種是以數(shù)值模擬得到的數(shù)據(jù)為依據(jù)，人為制定識(shí)別燃燒區(qū)域準(zhǔn)則的方法.如Kerkemeier[4]對(duì)湍流非預(yù)混火焰進(jìn)行直接數(shù)值模擬時(shí)，認(rèn)為預(yù)混燃燒的火焰面出現(xiàn)在OH 的質(zhì)量分?jǐn)?shù)大于10-4的區(qū)域；Hasret等[5]在計(jì)算湍流分層火焰時(shí)，認(rèn)為火焰面出現(xiàn)在溫度擾動(dòng)的極大值處.這種人為制定識(shí)別準(zhǔn)則的方法，帶有較大的主觀性，且選擇的組分單一，難以客觀、準(zhǔn)確地識(shí)別燃燒區(qū)域.

除此之外，Hartl 等[6]利用一維Raman/Rayleigh對(duì)多模式燃燒器的甲烷-空氣湍流火焰的溫度和主要組分濃度進(jìn)行了測(cè)量，并基于當(dāng)?shù)仡A(yù)混和非預(yù)混反應(yīng)區(qū)相關(guān)的局部熱釋放率峰值的比率，來(lái)定義不同的燃燒狀態(tài).值得注意的是，Wan 等[7]利用卷積神經(jīng)網(wǎng)絡(luò)(CNN)對(duì)Hartl 等[6]的實(shí)驗(yàn)數(shù)據(jù)(H2，O2，CO，CO2，CH4，H2O，N2的質(zhì)量分?jǐn)?shù)和溫度共7 維特征)進(jìn)行訓(xùn)練，來(lái)預(yù)測(cè)該工況中的燃燒狀態(tài)，其準(zhǔn)確率在85%左右.陳培豪等[8]采用Adaboost 算法對(duì)運(yùn)動(dòng)圖像進(jìn)行疑似火災(zāi)區(qū)域提取，采用神經(jīng)網(wǎng)絡(luò)MobileNetv3 進(jìn)行火災(zāi)識(shí)別，平均準(zhǔn)確率可達(dá)98.1%.可見(jiàn)，引入神經(jīng)網(wǎng)絡(luò)，收集特征進(jìn)行訓(xùn)練的方法是有效的，這也為燃燒區(qū)域識(shí)別這一問(wèn)題提供了新的思路.

本研究將以在熱伴流射流(jet-in-hot-coflow，JHC)條件下的湍流 MILD 燃燒典型工況HM1[9]為對(duì)象，在對(duì)其進(jìn)行數(shù)值模擬的基礎(chǔ)上，使用K-means聚類算法對(duì)燃燒場(chǎng)的區(qū)域進(jìn)行劃分，并將分類結(jié)果作為標(biāo)簽提供給人工神經(jīng)網(wǎng)絡(luò)，然后選擇不同的特征進(jìn)行訓(xùn)練，以此來(lái)預(yù)測(cè)燃燒區(qū)域.與Wan 等人的工作相比，本研究的數(shù)據(jù)源于數(shù)值模擬，因此可以得到全流場(chǎng)的數(shù)據(jù)，避免了他們的實(shí)驗(yàn)中只能測(cè)量特定位置數(shù)據(jù)的不足；而且與他們選定了7 維特征相比，本研究討論了選擇不同種類和維數(shù)的特征對(duì)結(jié)果的影響，在將燃燒區(qū)域識(shí)別準(zhǔn)確率提高到97%以上的同時(shí)，減少了選用特征的維數(shù)，這對(duì)于實(shí)際應(yīng)用更具參考意義.

1 研究方法

1.1 數(shù)值燃燒模擬

本研究采用的MILD 燃燒模擬工況是Dally 等[9]開(kāi)展的JHC 條件下的HM1 實(shí)驗(yàn)工況.該實(shí)驗(yàn)裝置外形為環(huán)形柱狀，內(nèi)徑4.25 mm，外徑82 mm.由質(zhì)量分?jǐn)?shù)為80%的CH4和20%的H2組成的燃料，從中心孔以73.5 m/s 的平均速度噴射入裝置，雷諾數(shù)為9 482，初始溫度為305 K.熱伴流由質(zhì)量分?jǐn)?shù)為3%的O2、6.5%的H2O、5.5%的CO2和85%的N2組成，從孔外的環(huán)形區(qū)噴射入裝置，平均溫度為1 300 K；最外層為常溫空氣，溫度為300 K；熱伴流和常溫空氣的平均速度為3.2 m/s.

采用GRI-Mech2.11 機(jī)理，該機(jī)理包含了48 種組分.根據(jù)Lu 等[10]的高精度非線性大渦模擬方法，對(duì)該工況進(jìn)行數(shù)值模擬.

1.2 聚類分類

聚類分析是將研究對(duì)象分為相對(duì)同質(zhì)的類別的統(tǒng)計(jì)分析技術(shù).在分類的過(guò)程中，不必人為提供標(biāo)準(zhǔn)，聚類分析能根據(jù)樣本數(shù)據(jù)的特征，進(jìn)行自動(dòng)分類.其中，K-means 聚類算法容易實(shí)施、簡(jiǎn)單、高效，目前仍然是應(yīng)用最廣泛的劃分聚類算法之一[11].

本研究將利用K-means 聚類算法，對(duì)燃燒場(chǎng)區(qū)域進(jìn)行劃分，為ANN 提供訓(xùn)練的標(biāo)簽.

1.3 人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)是一個(gè)模擬人類神經(jīng)結(jié)構(gòu)的機(jī)器學(xué)習(xí)算法[12]，它既可以應(yīng)用于回歸問(wèn)題，也可以應(yīng)用于分類問(wèn)題.

在ANN 的實(shí)際應(yīng)用中，最常用的是反向傳播(back propagation，BP)算法及其變化形式，本研究也將使用該算法.BP 算法是一種有監(jiān)督式的學(xué)習(xí)算法，它的思想是，先通過(guò)鏈?zhǔn)椒▌t遞歸地計(jì)算目標(biāo)函數(shù)對(duì)每一個(gè)神經(jīng)元的輸出值的梯度，然后再次用鏈?zhǔn)椒▌t計(jì)算邊上的權(quán)重參數(shù)的梯度.具體過(guò)程包括[13]：①輸入給定的訓(xùn)練數(shù)據(jù)集，計(jì)算網(wǎng)絡(luò)的輸出值，并將其與期望值進(jìn)行比較的正向傳播過(guò)程；② 計(jì)算同一層單元的誤差，修正網(wǎng)絡(luò)參數(shù)的反向傳播過(guò)程；③正向、反向傳播反復(fù)進(jìn)行的網(wǎng)絡(luò)訓(xùn)練過(guò)程；④ 網(wǎng)絡(luò)的總體誤差趨向極小值的收斂過(guò)程.

本研究借助開(kāi)源機(jī)器學(xué)習(xí)平臺(tái)TensorFlow 來(lái)開(kāi)發(fā)和訓(xùn)練模型.

2 研究過(guò)程

2.1 聚類分類

根據(jù)馬天順等[11]的研究，截取HM1 工況0～140 mm 高度，主要為MILD 燃燒區(qū)域的數(shù)據(jù).應(yīng)用K-means 聚類算法，選取所有組分的質(zhì)量分?jǐn)?shù)和溫度共49 維特征，對(duì)燃燒區(qū)域進(jìn)行分類.

導(dǎo)出兩個(gè)時(shí)刻下的數(shù)據(jù)集X 和Y，圖1 為對(duì)數(shù)據(jù)集X、數(shù)據(jù)集Y 分別進(jìn)行聚類分類，分類數(shù)設(shè)置為5，得到的同一橫截面(高度為140 mm)和同一中心縱截面的結(jié)果.

圖1 聚類分類結(jié)果Fig.1 Clustering classification results

由外向內(nèi)，從第0 至第4 類，共被分為5 類，即5個(gè)燃燒區(qū)域，依次是不參與反應(yīng)的常溫空氣區(qū)、熱伴流區(qū)、燃燒主要發(fā)生的火焰面、預(yù)熱區(qū)和中心燃料區(qū).

2.2 初步ANN識(shí)別

依據(jù)BP 算法搭建ANN.

網(wǎng)絡(luò)結(jié)構(gòu)為全連接神經(jīng)網(wǎng)絡(luò)Dense 層，激活函數(shù)選用Softmax 函數(shù)，使多分類的輸出數(shù)值轉(zhuǎn)化為相對(duì)概率：

其中，yi為第i 個(gè)節(jié)點(diǎn)的輸出值，C 為輸出節(jié)點(diǎn)的個(gè)數(shù).

訓(xùn)練時(shí)，優(yōu)化器選用Adam，評(píng)測(cè)指標(biāo)為準(zhǔn)確率，損失函數(shù)選用交叉熵?fù)p失函數(shù)：

其中，y 表示準(zhǔn)確的概率分布，y*表示預(yù)測(cè)結(jié)果的概率分布.

以數(shù)據(jù)集X 為訓(xùn)練集，數(shù)據(jù)集Y 為測(cè)試和預(yù)測(cè)集.利用搭建完成的ANN，學(xué)習(xí)訓(xùn)練集X 的聚類分類結(jié)果，并預(yù)測(cè)測(cè)試和預(yù)測(cè)集Y 的燃燒區(qū)域.

將聚類分類結(jié)果的5 類作為標(biāo)簽，根據(jù)特征的分布云圖，初步選取易通過(guò)儀器測(cè)量的重要組分——CH4、CH2O、CO、OH 的質(zhì)量分?jǐn)?shù)和溫度共5 維特征進(jìn)行識(shí)別.訓(xùn)練、預(yù)測(cè)的準(zhǔn)確率及損失函數(shù)如圖2 所示，其中預(yù)測(cè)準(zhǔn)確率為98.72%，預(yù)測(cè)結(jié)果如圖3 所示.

圖2 準(zhǔn)確率及損失函數(shù)Fig.2 Accuracy and loss function

圖3 5維特征預(yù)測(cè)結(jié)果Fig.3 5-D feature prediction results

結(jié)果顯示：以CH4、CH2O、CO、OH 和T 為特征時(shí)，燃燒區(qū)域預(yù)測(cè)的準(zhǔn)確率達(dá)98.72%.可見(jiàn)，這5 維特征可以在很大程度上代表燃燒區(qū)域.

為了進(jìn)一步探尋能用來(lái)識(shí)別燃燒區(qū)域的最基本特征，下面將減少特征維數(shù)進(jìn)行研究.

2.3 最少特征識(shí)別

2.3.1 4 維特征

減少1 維特征，依次以缺少CH4、缺少CH2O、缺少CO、缺少OH 或缺少T 的4 維特征進(jìn)行識(shí)別，以此來(lái)分辨特征的必需性，預(yù)測(cè)準(zhǔn)確率見(jiàn)圖4，預(yù)測(cè)結(jié)果見(jiàn)圖5 所示.

圖4 4維特征預(yù)測(cè)準(zhǔn)確率Fig.4 4-D feature prediction accuracy

圖5 4維特征預(yù)測(cè)結(jié)果Fig.5 4-D feature prediction results

結(jié)果顯示：當(dāng)缺少CH4時(shí)，燃燒區(qū)域預(yù)測(cè)的準(zhǔn)確率為95.98%，發(fā)生明顯下降，且可以注意到，此時(shí)的中心燃料區(qū)內(nèi)有一部分被誤識(shí)別為其他區(qū)域.

當(dāng)缺少CH2O、CO 或OH 時(shí)，燃燒區(qū)域預(yù)測(cè)的準(zhǔn)確率均在97.50%以上，仍保持較高水平，區(qū)域劃分及火焰形態(tài)存在細(xì)微不同，但都比較準(zhǔn)確.

當(dāng)缺少T 時(shí)，燃燒區(qū)域預(yù)測(cè)的準(zhǔn)確率驟降至80.27%，此時(shí)難以區(qū)分常溫空氣區(qū)與熱伴流區(qū)，但不影響對(duì)火焰面、預(yù)熱區(qū)和中心燃料區(qū)的預(yù)測(cè).

可見(jiàn)，以CH4為特征，可以識(shí)別中心燃料區(qū)；以T 為特征，可以識(shí)別常溫空氣區(qū)與熱伴流區(qū)的分界面，這兩者在燃燒區(qū)域預(yù)測(cè)上是必需的.

2.3.2 3 維特征

繼續(xù)減少1 維特征，CH4和T 為必需特征，依次以加入CH2O、CO 或OH 的3 維特征進(jìn)行識(shí)別，預(yù)測(cè)準(zhǔn)確率如圖6 所示，預(yù)測(cè)結(jié)果如圖7 所示.

圖6 3維特征預(yù)測(cè)準(zhǔn)確率Fig.6 3-D feature prediction accuracy

圖7 3維特征預(yù)測(cè)結(jié)果Fig.7 3-D feature prediction results

結(jié)果顯示，以3 維特征進(jìn)行識(shí)別，燃燒區(qū)域預(yù)測(cè)仍較準(zhǔn)確，選擇CO 時(shí)，準(zhǔn)確率較高，為98.45%；選擇CH2O 或OH 時(shí)，準(zhǔn)確率有所下降，分別為97.30%和97.55%.

2.3.3 2 維特征

繼續(xù)減少1 維特征，以CH4和T 這2 維必需特征進(jìn)行識(shí)別，預(yù)測(cè)準(zhǔn)確率為97.29%，預(yù)測(cè)結(jié)果如圖8所示.

圖8 2維特征預(yù)測(cè)結(jié)果Fig.8 2-D feature prediction results

結(jié)果顯示，以CH4和T 為特征進(jìn)行識(shí)別時(shí)，燃燒區(qū)域預(yù)測(cè)的準(zhǔn)確率為97.29%，與以CH4、T、CH2O 這3 維特征識(shí)別的準(zhǔn)確率97.30%非常接近，整體上保持了較高的準(zhǔn)確率.此時(shí)，誤識(shí)別主要發(fā)生在火焰面上的幾塊小區(qū)域.

可見(jiàn)，憑借CH4和T 這2 維特征，便可以完成較為準(zhǔn)確的燃燒區(qū)域識(shí)別，CO 和OH 可以提高在火焰面上的識(shí)別準(zhǔn)確率，而CH2O 對(duì)燃燒區(qū)域識(shí)別的準(zhǔn)確率幾乎沒(méi)有影響.

2.3.4 1 維特征

繼續(xù)減少1 維特征，依次以CH4、CH2O、CO、OH 或T 僅1 維特征進(jìn)行識(shí)別，預(yù)測(cè)準(zhǔn)確率如圖9 所示，預(yù)測(cè)結(jié)果如圖10 所示.其中，以CH2O 為特征時(shí)，所有區(qū)域被識(shí)別為第0 類，無(wú)法進(jìn)行預(yù)測(cè).

圖9 1維特征預(yù)測(cè)準(zhǔn)確率Fig.9 1-D feature prediction accuracy

圖10 1維特征預(yù)測(cè)結(jié)果Fig.10 1-D feature prediction results

結(jié)果顯示，以CH4為特征，可以識(shí)別中心燃料區(qū)與預(yù)熱區(qū)的分界面，以及預(yù)熱區(qū)與火焰面內(nèi)側(cè)的分界面；以CO 為特征，可以識(shí)別火焰面外側(cè)與熱伴流的分界面；以T 為特征，可以識(shí)別常溫空氣區(qū)與熱伴流區(qū)的分界面；以O(shè)H 為特征，雖然無(wú)法正確劃分各區(qū)域，但識(shí)別出了某些分界面的位置和形狀；以CH2O為特征，對(duì)燃燒區(qū)域識(shí)別沒(méi)有效果.

3 結(jié)果分析

在上一節(jié)中，搭建了ANN，應(yīng)用BP 算法對(duì)燃燒區(qū)域聚類分類的結(jié)果進(jìn)行學(xué)習(xí).通過(guò)調(diào)整特征種類并逐步減少維數(shù)，在保證高準(zhǔn)確率的前提下，將維數(shù)減少至2 維.

當(dāng)以較少維數(shù)的特征進(jìn)行識(shí)別時(shí)，雖然準(zhǔn)確率高，但其誤識(shí)別發(fā)生在了最值得關(guān)注的火焰面上.為了研究火焰面識(shí)別結(jié)果是否可靠，下面將對(duì)比以49維聚類的火焰面，基于ANN 以2 維、3 維、4 維、5 維以及49 維特征識(shí)別出的火焰面，并比較相關(guān)系數(shù).

利用相關(guān)系數(shù)來(lái)判斷結(jié)果的相關(guān)性，相關(guān)系數(shù)計(jì)算方法如下：

ANN 不同特征維數(shù)識(shí)別與聚類識(shí)別結(jié)果的相關(guān)系數(shù)如圖11 所示，火焰面識(shí)別結(jié)果對(duì)比如圖12所示.

圖11 ANN 不同特征維數(shù)識(shí)別與聚類識(shí)別結(jié)果的相關(guān)系數(shù)Fig.11 Correlation coefficients between ANN recognition of different feature dimensions and clustering results

圖12 火焰面識(shí)別結(jié)果對(duì)比Fig.12 Comparison of flame surface recognition results

可見(jiàn)，通過(guò)ANN 識(shí)別出的火焰面與聚類算法得到的火焰面，在整體形態(tài)上非常相似.即使以2 維特征進(jìn)行識(shí)別時(shí)，ANN 與聚類結(jié)果的火焰面相關(guān)系數(shù)也在0.7 以上，可以認(rèn)為二者高度相關(guān).在逐漸增加特征維數(shù)時(shí)，可以進(jìn)一步提高火焰面的相關(guān)系數(shù)，火焰面的細(xì)節(jié)得到優(yōu)化，形態(tài)也越來(lái)越接近.

通過(guò)上述研究，可以發(fā)現(xiàn)：①憑借CH4和T 這2維特征，便可以完成較高準(zhǔn)確率的燃燒區(qū)域識(shí)別，但在火焰面上的識(shí)別存在細(xì)小問(wèn)題；②當(dāng)以CO、OH 為特征時(shí)，對(duì)燃燒區(qū)域識(shí)別準(zhǔn)確率有了一定程度的提高，這主要體現(xiàn)在火焰面上，而以CH2O 為特征時(shí)，對(duì)準(zhǔn)確率的提高沒(méi)有幫助；③火焰面的準(zhǔn)確識(shí)別，相比于其他區(qū)域來(lái)說(shuō)，需要提供更多維數(shù)的特征.

4 結(jié)論及展望

本研究對(duì)MILD 燃燒的HM1 工況大渦模擬數(shù)據(jù)進(jìn)行了基于ANN 的燃燒區(qū)域識(shí)別，得到以下結(jié)論：

(1) 將ANN 應(yīng)用于燃燒區(qū)域識(shí)別是可行的，且在不同維數(shù)的特征下都可以進(jìn)行識(shí)別，只需燃燒空間某點(diǎn)的極少數(shù)特征，如某些組分質(zhì)量分?jǐn)?shù)、溫度等，即可識(shí)別出該點(diǎn)屬于燃燒的哪一區(qū)域.

(2) 在HM1 中，憑借CH4和T 這2 維特征，便可以完成較高準(zhǔn)確率的燃燒區(qū)域識(shí)別，但在火焰面上的識(shí)別存在細(xì)小問(wèn)題，加入更多維數(shù)的特征，能夠使火焰面的識(shí)別變得更加精細(xì).

(3) 與以往學(xué)者如Wan 等人的工作相比，基于ANN 的燃燒區(qū)域識(shí)別所需的特征數(shù)更少，可根據(jù)具體工況靈活選擇維數(shù)，而不必完整收集7 維數(shù)據(jù).在減小數(shù)據(jù)收集難度的同時(shí)，提高了識(shí)別準(zhǔn)確率，因此該方法更適合在實(shí)際生活、實(shí)際工業(yè)中使用.舉例如下：在易燃區(qū)域加裝某些實(shí)時(shí)測(cè)量重要特征(CO、OH、T 等)的儀器，進(jìn)行燃燒實(shí)驗(yàn)測(cè)量，提取數(shù)據(jù)給識(shí)別系統(tǒng)，用于訓(xùn)練學(xué)習(xí)，一旦著火，識(shí)別系統(tǒng)可以立刻發(fā)現(xiàn)火情，判斷燃燒的范圍和程度，并發(fā)出警報(bào)；在應(yīng)用中，尤其是如MILD 燃燒這類分布式燃燒，僅憑借肉眼和普通裝置難以尋找火焰結(jié)構(gòu)，可使用識(shí)別系統(tǒng)，準(zhǔn)確區(qū)分火焰面、預(yù)熱區(qū)、燃料區(qū)等火焰形態(tài)特征，這將有助于分析火焰的變化規(guī)律.

本研究還有一些工作尚未深入，如僅以單一燃燒工況作為研究對(duì)象，未來(lái)會(huì)將此方法推廣至其他工況；僅對(duì)固定時(shí)刻的瞬態(tài)燃燒場(chǎng)進(jìn)行了識(shí)別，未來(lái)將進(jìn)行持續(xù)一段時(shí)間的燃燒區(qū)域識(shí)別，以此分析不同區(qū)域的動(dòng)態(tài)變化；使用的淺層ANN 依賴于監(jiān)督信息的支撐，未來(lái)可以增加神經(jīng)網(wǎng)絡(luò)層數(shù)，通過(guò)深度學(xué)習(xí)來(lái)進(jìn)行無(wú)標(biāo)簽燃燒場(chǎng)的區(qū)域識(shí)別，這將進(jìn)一步減少工作量.