潘 瑋，金 武，湯朝偉，李夏飛，李建中，袁 麗

基于深度卷積神經(jīng)網(wǎng)絡對CH自由基分布預測

潘 瑋1，金 武1，湯朝偉1，李夏飛1，李建中1，袁 麗2

(1. 南京航空航天大學能源與動力學院，南京 210016；2. 陸軍工程大學國防工程學院，南京 210007)

針對低當量比條件下CH自由基濃度較低、存活時間短、測量得到的PLIF信號信噪比較低的問題，采用深度卷積神經(jīng)網(wǎng)絡，通過OH-PLIF測量結果對CH自由基分布進行預測. 研究過程中，首先采用高當量比條件下獲得的OH-CH-PLIF同步測量圖片作為訓練數(shù)據(jù)對神經(jīng)網(wǎng)絡進行訓練，并驗證優(yōu)化得到的神經(jīng)網(wǎng)絡預測結果，之后將模型推廣到低當量比CH自由基分布的預測中，實現(xiàn)了基于OH-PLIF對CH自由基分布的智能診斷. 對比低當量比CH-PLIF數(shù)據(jù)和預測結果，在CH-PLIF數(shù)據(jù)較為模糊的情況下，預測結果依然能夠十分清晰. 由此可以認為，使用深度學習的方法能夠彌補現(xiàn)有實驗設備的不足，為燃燒診斷提供數(shù)據(jù)支持.

卷積神經(jīng)網(wǎng)絡；燃燒診斷；預混火焰；火焰結構；PLIF

平面激光誘導熒光技術(PLIF)是一種廣泛應用于燃燒診斷領域的非接觸式測量技術，使用PLIF技術能夠測量燃燒過程中不同自由基的空間分布情況，如CH、OH、CH2O等，從而根據(jù)不同自由基的特性對觀測區(qū)域的火焰結構進行研究．在碳氫燃料火焰中，由于OH在火焰高溫產(chǎn)物中的濃度較高，因此OH濃度分布常被用來提取已燃區(qū)和未燃區(qū)之間的邊界；CH自由基的濃度通常較低，存活時間相對較短，主要集中在進行化學反應的區(qū)域，是表征火焰反應區(qū)的重要自由基[1-4]．

在低雷諾數(shù)下，從OH-PLIF圖像中能夠清晰地辨別出火焰前鋒面的存在．李麥亮等[5]通過OH-PLIF技術對不同種類的火焰進行了拍攝，所得結果能夠清晰分辨出燃燒區(qū)與未燃區(qū)．Jin等[6]通過低湍流強度下預混火焰的OH-PLIF測量結果提取火焰前鋒面，計算了湍流火焰速度和湍流火焰面密度等特征參數(shù)．但在高雷諾數(shù)條件下，火焰面會在湍流的作用下發(fā)生破碎，火焰前鋒面變得極度扭曲，OH自由基在此工況下不能清晰表現(xiàn)出火焰前鋒面的具體細節(jié).而CH自由基存活時間短，主要存在于化學反應放熱區(qū)，因此更適合作為火焰前鋒面的指示物．Johchi 等[7]對甲烷-空氣湍流射流預混火焰進行了研究，在距燃燒器出口不同位置測量了10m/s、15m/s和20m/s 3種速度下的CH和OH的空間分布．研究中發(fā)現(xiàn)隨著流速的增加，火焰面褶皺程度增加，部分“孤島”反應區(qū)無法被OH捕捉，而只能依靠CH自由基分布獲得．Tanahashi等[8]開展了高雷諾數(shù)下甲烷-空氣射流火焰場中的CH-OH-PLIF-PIV同步測量．其基于CH自由基提取火焰前鋒面，并對比前鋒面前后位置變化和速度場提取火焰局部傳播速度．結果表明，最大局部火焰速度達到層流火焰速度的10倍，而最小值則為負(向已燃區(qū)傳播為負)，意味著層流火焰面假設在此情況下可能不成立．Zhou等[9]通過對高速射流稀燃預混火焰的CH/OH/CH2O-PLIF測量結果進行了現(xiàn)象性分析，報導了在＞100、＜1時，小尺度強湍流增加反應區(qū)厚度的現(xiàn)象．梁劍寒等[10]拍攝了當量比為0.9下的甲烷-空氣協(xié)流火焰場中的CH-PLIF圖像，研究發(fā)現(xiàn)，雷諾數(shù)較低時CH結構平滑，高雷諾數(shù)時CH結構高度碎片化，火焰面褶皺加強但火焰前鋒面依然清晰可見．Skiba等[11]最近對高湍流強度下的本生燈火焰進行了OH-CH-PLIF的測量并定量提取了反應區(qū)的厚度，發(fā)現(xiàn)其部分火焰即使在＞100時反應區(qū)厚度仍保持不變，但火焰鋒面仍出現(xiàn)大量破碎現(xiàn)象．Jin等[12-13]開展了不均勻剪切射流火焰的高頻CH-OH-PLIF同步測量研究．研究發(fā)現(xiàn)隨著剪切強度增大，火焰面出現(xiàn)破碎現(xiàn)象，采用OH自由基邊界會高估反應區(qū)分布，并對比CH自由基與OH自由基獲取的反應區(qū)長度比值變化，分析了局部淬熄現(xiàn)象的出現(xiàn)．以上研究表明，對于高湍流強度下的湍流火焰，傳統(tǒng)的層流火焰面假設無法成立，反應區(qū)易出現(xiàn)破碎、增厚等現(xiàn)象．此時單純地依靠OH-PLIF測量無法獲取準確的火焰結構特征，獲取CH自由基分布至關重要．而隨著稀薄燃燒技術的應用，燃燒在越來越低的當量比下進行，湍流尺度小于火焰厚度，火焰面更易出現(xiàn)破碎現(xiàn)象．但CH自由基濃度低，生存時間短，熒光信號弱．這種現(xiàn)象在低當量比工況下會更加明顯，獲取的CH-PLIF圖像通常信噪比較低．目前大部分文獻以及課題組之前所做工作均主要是集中在高當量比工況下，鮮有關于低當量比、高雷諾數(shù)下CH自由基分布的實驗結果．尤其是針對高頻測量，由于單脈沖激光能量更低，如何獲取低當量比下CH自由基分布仍是一大難點[14]．

人工神經(jīng)網(wǎng)絡通過模擬人類大腦中神經(jīng)組織工作方式來實現(xiàn)解決復雜非線性問題．有學者通過神經(jīng)網(wǎng)絡來輔助分析實驗所得數(shù)據(jù)并取得了一系列成果．Tanahashi等[15]采用PLIF技術同步測量了火焰中CH、OH自由基和速度分布圖來分析湍流預混火焰中的局部火焰結構．在眾多的研究中，發(fā)現(xiàn)火焰中測量得到的不同自由基空間濃度分布信息之間存在著千絲萬縷的聯(lián)系，而這些相關性的存在也就說明，在獲得一種自由基的空間濃度分布的測量數(shù)據(jù)時存在著冗余，更多重疊的信息隱含其中．Barwey等[16]發(fā)現(xiàn)在拍攝的OH-PLIF數(shù)據(jù)中隱含著空間粒子速度信息，通過將OH-PLIF數(shù)據(jù)和PIV數(shù)據(jù)輸入到神經(jīng)網(wǎng)絡中學習，訓練好的網(wǎng)絡能夠?qū)H-PLIF數(shù)據(jù)中的速度信息提取出來，通過最小化冗余信息的手段實現(xiàn)了使用相同實驗資源捕獲更多試驗信息的目的.

神經(jīng)網(wǎng)絡具有強大的非線性擬合學習能力，能夠?qū)?shù)據(jù)中深層信息提取并整合起來．由于低當量比高雷諾數(shù)工況下OH自由基高度扭曲，通過直接提取OH自由基邊界的方法來判定火焰前鋒面不再適用，在這種情況下可以使用神經(jīng)網(wǎng)絡將OH-PLIF中的CH自由基信息提取出來．并且當前對于燃燒中間產(chǎn)物OH-CH-PLIF的同步測量通常需要兩臺激光器和兩臺帶增強器的相機進行，設備價格昂貴，測量過程復雜，特別是在進行高頻拍攝時，單位脈沖激光能量低，這就使原本信號強度就低的CH自由基更加難以辨別．若通過神經(jīng)網(wǎng)絡將CH-PLIF信息從OH-PLIF信息中提取出來加以預測，那么既能解決低當量比CH-PLIF的拍攝問題又能降低實驗成本．

為解決上述問題，本工作在之前高當量比(＝0.85，＝1.05)工況研究[12]的基礎上，開展低當量比(＝0.65)下甲烷/空氣火焰OH-CH同步測量研究．使用深度學習的方法，對OH-PLIF數(shù)據(jù)中的冗余信息(CH自由基空間分布)進行提取，實現(xiàn)對低當量比工況下CH自由基分布的預測．研究過程中，通過將CH-PLIF和OH-PLIF的數(shù)據(jù)輸入到卷積神經(jīng)網(wǎng)絡中訓練，使用訓練好的網(wǎng)絡對OH-PLIF數(shù)據(jù)中的冗余數(shù)據(jù)(CH-PLIF數(shù)據(jù))進行提取，實現(xiàn)了在低當量比，CH-PLIF信號難以捕捉的情況下，對火焰場中CH自由基空間濃度分布的預測，達到輔助分析低當量比條件下火焰前鋒面結構特征的目的．

1 實驗裝置及方法

1.1 CH-OH-PLIF同步測量

實驗主要是在悉尼大學清潔燃燒實驗室完成，使用高速CH-OH-PLIF同步測量系統(tǒng)拍攝不同工況條件下天然氣空氣預混火焰的OH、CH分布[12]．如圖1所示，高速CH-OH-PLIF同步測量系統(tǒng)的主要組成部分有泵浦激光器(Pump Laser)、染料激光(Dye Laser)、配套光學元件、拍攝組件和相關計算機及軟件等部分．整個光路可以分為OH系統(tǒng)和CH系統(tǒng)：OH系統(tǒng)中采用30W的EdgewaveInnoSlab激光器作為泵浦激光產(chǎn)生532nm激光，通過染料激光和相關光路系統(tǒng)后得到283nm的激光束來激發(fā)OH自由基；CH系統(tǒng)中120W的EdgewaveInnoSlab激光器發(fā)出532nm的泵浦激光，通過光路系統(tǒng)后得到314nm的激光束來激發(fā)CH自由基，OH和CH檢測系統(tǒng)的視窗(FOV)大小均為24mm×28mm，分辨率為33μm/像素．

圖1 高速CH-OH-PLIF系統(tǒng)原理圖[12]

圖2展示了雙層結構燃燒器示意圖，整個燃燒器由內(nèi)到外分別為：射流管、環(huán)形管和外部方形風洞．射流管內(nèi)徑2.5mm，與之同心的環(huán)形管內(nèi)徑7.5mm，二者放置在尺寸為15cm×15cm的風洞中心，風洞提供15m/s的協(xié)流，可以起到對整個燃燒器進行冷卻和防護的作用．射流管和環(huán)形管道之間相對高度可以在與出口平齊(＝0mm)以及出口上游300mm(＝300mm)之間進行調(diào)節(jié)．

圖2 雙層結構燃燒器[12](單位：mm)

通過這種設計結構可以實現(xiàn)對火焰預混程度以及氣流剪切強度的調(diào)控．通過調(diào)整的高度來調(diào)節(jié)來流混合程度，通過調(diào)整中心射流管和環(huán)形管中的體積流量來獲得兩股不同速度的氣流，由此控制來流內(nèi)部剪切強度．

表1列出了實驗工況，通過改變當量比、體積流速(為體積流量與出口面積的比值)，導流分數(shù)(為中心射流體積流量與總體積流量的比值)、射流管的凹陷距離和拍攝點與燃燒器出口距離來拍攝不同工況下的CH和OH分布．其中，工況Φ85_V80_Q00_L300表示＝0.85，＝80m/s，＝0，＝300mm．實驗過程中每個工況同步拍攝OH-PLIF和CH-PLIF數(shù)據(jù)各1000張，其中每隔10mm拍攝一組．

表1 實驗工況

Tab.1 Summary of experimental conditions

1.2 OH-CH-PLIF測量結果

圖3給出了在較高當量比(＝0.85)，體積流速為80m/s，＝300mm，＝0mm下噴射氣流為完全混合氣體工況下拍攝的某一時刻的OH-CH-PLIF同步測量結果．可以看到，OH和CH信號均能較好地捕獲，但是OH-PLIF的信噪比強于CH-PLIF信號．

而在當量比進一步降低至＝0.65時，如圖4所示，拍攝距離燃燒器出口120mm工況下拍攝的同一時刻的OH-PLIF和CH-PLIF數(shù)據(jù)，可以發(fā)現(xiàn)由于距離噴口較遠，此時火焰面已經(jīng)完全破碎，圖4(a)中OH自由基信號強度雖然有所減弱但是依然可以比較清晰地觀測到空間分布輪廓，但是圖4(b)中的CH自由基信號在此工況下幾乎捕捉不到，一方面是由于本身當量比較低，又因為距離燃燒器的距離較遠導致CH自由基濃度太低．相較于OH自由基在火焰場中大量存在且濃度較高，即便是激光激發(fā)能量較小的情況下依然能夠得到較好的信號強度，CH自由基僅存在于火焰反應區(qū)，并且濃度低空間寬度小，不易測量，特別是在高頻測量(10kHz)條件下，單次脈沖的激光能量小，使得對CH自由基的測量難度進一步 提升．

圖3 Φ85_V80_Q00_L300，Z＝0mm時的測量結果

圖4 Φ65_V80_Q00_L300，Z＝120mm時的測量結果

1.3 U-net神經(jīng)網(wǎng)絡構建過程

神經(jīng)網(wǎng)絡通過模擬神經(jīng)組織來實現(xiàn)處理復雜非線性問題，相較于傳統(tǒng)算法具有高度并行性、強大的學習能力和廣泛的使用性．卷積神經(jīng)網(wǎng)絡是神經(jīng)網(wǎng)絡中重要的一個分支，對于處理圖像、視頻信息具有天然的優(yōu)勢，相較于傳統(tǒng)的全連接神經(jīng)網(wǎng)絡，卷積神經(jīng)網(wǎng)絡能夠更好地提取圖像中的特征信息．

本文采用的是卷積神經(jīng)網(wǎng)絡中的U-net網(wǎng)絡[17]，U-net網(wǎng)絡由輸入層、隱含層和輸出層構成，結構如圖5所示，圖中左上角為輸入層，右上角為輸出層，中間部分為隱含層．隱含層大體可以將其劃分為3個部分，左側為下采樣部分，這部分是一個收縮網(wǎng)絡，總共有5層，每層接收上層的輸出作為本層的輸入，并通過連續(xù)的兩次卷積提取圖片中的淺層信息，層與層之間通過下采樣層進行連接，使圖片尺寸減半后輸出；右側為上采樣部分，與下采樣部分類似，也是5層結構(上采樣部分第一層與下采樣部分最后一層是同一層)，只不過將下采樣部分中的下采樣換成了上采樣，使圖片尺寸擴大，并通過連續(xù)的兩次卷積提取圖片中的深層信息；中間部分為拼接部分，將下采樣部分捕獲的淺層信息與上采樣部分提取的深層信息融合起來．不論下采樣部分還是上采樣部分采集信息都是使用連續(xù)的兩次卷積，這種方法可以有效減少參數(shù)的同時實現(xiàn)較大的信息采集視野[18]．

U-net神經(jīng)網(wǎng)絡本質(zhì)上還是一種卷積神經(jīng)網(wǎng)絡，網(wǎng)絡的訓練過程依然可以大致分為兩部分，第一個部分是前向傳播過程，將訓練集的OH分布輸入到網(wǎng)絡后前向傳播，每個卷積層中的卷積核“掃描”輸入的數(shù)據(jù)，提取圖片中的特征信息，淺層卷積層提取低級特征，深層卷積層提取高級特征．第二個部分是后向傳播過程，訓練集的OH分布經(jīng)過前向傳播后經(jīng)輸出層輸出，與目標值進行對比，將二者之間的誤差反向傳播回網(wǎng)絡，通過誤差來指導每層卷積核、權值等參數(shù)的更新，由此來達到訓練的目的．U-net神經(jīng)網(wǎng)絡將輸入的圖片數(shù)據(jù)中的每一個像素點的類別進行分類，有視野域大、深淺層職權分明等優(yōu)點，彌補了反卷積神經(jīng)網(wǎng)絡反卷積過程中信息丟失的缺陷．

本工作在U-net網(wǎng)絡的基礎上將原本下采樣部分的最大池化(Maxpooling)[19]替換為卷積，以此來改善Maxpooling對數(shù)據(jù)信息丟失的缺陷[20]．隱含層中使用Relu[21]激活函數(shù)(式)，輸出層采用Sigmoid[22]激活函數(shù)(式(2))，損失函數(shù)選取BCELoss(式(3))，優(yōu)化權重算法采用Adam算法[23]．

(2)

式中：為本層輸入；x為第個輸出；y為與第個輸出相對應的真實值．

圖5 網(wǎng)絡結構

使用1.2節(jié)中的CH-PLIF數(shù)和OH-PLIF數(shù)據(jù)制作訓練集、測試集和預測集．使用當量比＝0.85的數(shù)據(jù)制作訓練集和測試集，每個工況中隨機提取800個OH-PLIF數(shù)據(jù)和800個CH-PLIF數(shù)據(jù)放入訓練集，剩余200個OH-PLIF數(shù)據(jù)和200個CH-PLIF數(shù)據(jù)放入測試集，其中OH-PLIF數(shù)據(jù)作為神經(jīng)網(wǎng)絡輸入?yún)?shù)導入神經(jīng)網(wǎng)絡，CH-PLIF數(shù)據(jù)作為目標值與神經(jīng)網(wǎng)絡輸出進行對比．當量比＝0.85的工況共有18個，于是訓練集中共有OH-PLIF數(shù)據(jù)和CH-PLIF數(shù)據(jù)各14400張，測試集共有OH-PLIF數(shù)據(jù)和CH-PLIF數(shù)據(jù)各3600張．取當量比＝0.65的數(shù)據(jù)制作預測集，共有28個工況，每個工況隨機取200個OH-PLIF數(shù)據(jù)，于是預測集共有5600張OH-PLIF圖片．表2～表4列出了各數(shù)據(jù)集數(shù)據(jù)來源以及 數(shù)量.

表2 訓練集數(shù)據(jù)

Tab.2 Training set data

表3 測試集數(shù)據(jù)

Tab.3 Test set data

表4 預測集數(shù)據(jù)

Tab.4 Forecast set data

2 結果與討論

2.1 訓練與測試

將訓練集數(shù)據(jù)中的OH-PLIF數(shù)據(jù)輸入到神經(jīng)網(wǎng)絡中，輸出的結果與訓練集中對應的CH-PLIF數(shù)據(jù)進行對比，得到誤差，并由誤差作為指導更新網(wǎng)絡各參數(shù)，由此以達到訓練網(wǎng)絡的目的．網(wǎng)絡訓練完成后，將測試集中的OH-PLIF數(shù)據(jù)輸入到網(wǎng)絡，網(wǎng)絡輸出測試結果，并將測試結果與CH-PLIF數(shù)據(jù)對比，如圖6所示，每個工況根據(jù)射流火焰的空間位置按由低到高排列，左邊兩列為PLIF測量結果(OH和CH)，最右邊一列則為采用卷積神經(jīng)網(wǎng)絡預測得到的CH分布．觀察CH自由基的分布可以發(fā)現(xiàn)，隨著值的增大，CH片段逐漸開始扭曲并最終破碎．對比相應的PLIF測量結果可以發(fā)現(xiàn)，即便CH片段已經(jīng)極度扭曲破碎，測試結果依然與CH數(shù)據(jù)保持高度相似．并且對比CH-PLIF數(shù)據(jù)和測試預測結果可以發(fā)現(xiàn)，原本在CH-PLIF數(shù)據(jù)中大量存在的噪聲信息并沒有在測試結果中出現(xiàn)，神經(jīng)網(wǎng)絡自動識別出了CH自由基和“噪聲”并將其屏蔽．由此可以認為訓練好的神經(jīng)網(wǎng)絡能夠較好地實現(xiàn)從OH-PLIF數(shù)據(jù)中提取出相應CH自由基的空間分布信息同時還對原始數(shù)據(jù)中的“噪聲”進行了區(qū)分屏蔽．

圖6 不同高度Z火焰

如圖7所示，相較于直接提取OH邊界作為CH分布，訓練好的網(wǎng)絡能夠較好得從OH圖像中預測出CH分布，CH分布中的破碎片段也能被網(wǎng)絡很好地識別出來．

為了進一步對比神經(jīng)網(wǎng)絡輸出結果和CH-PLIF數(shù)據(jù)的相似性，使用Matlab編寫程序來測量CH-PLIF數(shù)據(jù)和相對應OH-PLIF數(shù)據(jù)輸入神經(jīng)網(wǎng)絡得到的測試結果，為了確保對比的可信性，同時對CH-PLIF數(shù)據(jù)和測試數(shù)據(jù)使用Ostu自適應閾值算法[24]進行處理，對輸入的數(shù)據(jù)自動生成最佳閾值[25]，一旦得到最佳閾值便將輸入圖片進行二值化，如此得到每張輸入圖片的CH片段的整體面積，如圖8所示．

圖8 CH片段面積提取過程

總共參與對比的工況有17個，每個工況有200張CH-PLIF數(shù)據(jù)和200張測試數(shù)據(jù)，將每個工況下的CH片段面積數(shù)據(jù)取平均后繪制折線圖，如圖9所示，紅色曲線代表CH-PLIF數(shù)據(jù)CH片段面積曲線，黑色為測試結果CH片段面積曲線，可以看到二者面積基本相同．

曲線的曲率半徑能夠揭示曲線的走勢形態(tài)，對比兩條曲線曲率半徑的概率密度分布，走勢相似的曲線其曲率半徑概率密度分布也相似．為得到CH片段曲率半徑的概率密度分布，首先需提取CH片段骨架，如圖10所示，先將CH片段從原始圖像中分離出來，之后通過分水嶺算法[26]對CH片段的骨架進行提取.

在得到CH片段骨架后，通過曲率公式(4)計算CH片段骨架的曲率作為CH片段的曲率：

式中：為CH骨架橫坐標；為CH骨架縱坐標；為從原點開始的CH骨架曲線長度．

通過上述方法對測試結果圖像和CH-PLIF圖像進行處理，并分別求出測試結果和CH-PLIF圖像中所有CH片段的曲率半徑并計算其概率密度分布，結果如圖11所示，測試結果和CH-PLIF中CH片段的曲率半徑概率密度分布基本重合．

圖9 不同工況下的CH片段面積

圖10 CH骨架提取過程

圖11 CH片段曲率半徑概率密度分布

2.2 智能診斷

將2.1節(jié)使用高當量比(＝0.85)工況下數(shù)據(jù)訓練好的網(wǎng)絡用來預測低當量比(＝0.65)條件下的CH自由基空間分布，將預測集中OH-PLIF數(shù)據(jù)輸入到網(wǎng)絡中便可直接輸出CH自由基的空間分布預測．

如圖12所示，在低當量比(＝0.65)，較小的工況下所測得CH自由基比較模糊但依然能夠看出大致輪廓，與預測結果作對比能夠發(fā)現(xiàn)，預測結果能夠與測得CH數(shù)據(jù)對應起來；在低當量比(＝0.65)，較大的工況下(見圖13)，盡管測得CH自由基數(shù)據(jù)已經(jīng)完全模糊不能分辨，通過對比OH數(shù)據(jù)與預測結果，可以發(fā)現(xiàn)神經(jīng)網(wǎng)絡依然能夠較為準確地預測出CH自由基的空間分布．圖14和15中展示了Φ65_ V80_Q30_L035和Φ65_V80_Q00_L300工況下，高度由低到高排列出的OH、CH和預測結果的對比，從圖中可以發(fā)現(xiàn)，隨著高度的增加，火焰前鋒面從完整片段逐漸向扭曲破碎過渡，由于CH自由基的濃度逐漸降低，拍攝出的CH-PLIF數(shù)據(jù)慢慢變得模糊，而預測結果依然清晰可見．由此可以認為，使用高當量比(＝0.85)條件下測得的CH-PLIF數(shù)據(jù)和OH-PLIF數(shù)據(jù)訓練神經(jīng)網(wǎng)絡，將訓練好的神經(jīng)網(wǎng)絡用來預測低當量比(＝0.65)條件下的CH自由基的空間分布是可行的．

圖12 低當量比條件下火焰圖像(Z較小)

圖13 低當量比條件下火焰圖像(Z較大)

3 結 論

本文使用改進過的U-net神經(jīng)網(wǎng)絡對不同工況條件下的CH自由基的空間分布進行了預測，結果 如下：

(1)使用高當量比(＝0.85)工況下的數(shù)據(jù)作為網(wǎng)絡的訓練數(shù)據(jù)和測試數(shù)據(jù)，以OH-PLIF圖片數(shù)據(jù)作為輸入，并將輸出結果與CH-PLIF圖片數(shù)據(jù)作對比，將誤差回傳更新訓練網(wǎng)絡，訓練好的網(wǎng)絡能夠在測試集上得到較好的結果．

(2)改進過的U-net神經(jīng)網(wǎng)絡能夠很好地將OH-PLIF圖片中的CH自由基空間分布信息提取出來，即使是火焰前鋒面極度扭曲、破碎的情況下依然能夠得到較好的結果，同時將原始數(shù)據(jù)中的“噪點”進行了區(qū)分屏蔽．

(3)在低當量比(＝0.65)條件下，CH自由基的濃度會極大降低，導致PLIF難以捕捉到燃燒場中CH自由基的信號，得到的CH-PLIF圖片不夠清晰，使用高當量比(＝0.85)工況數(shù)據(jù)訓練神經(jīng)網(wǎng)絡，將訓練好的神經(jīng)網(wǎng)絡用來預測低當量比(＝0.65)工況下的CH自由基空間分布，能夠取得較為清晰準確的結果.

4 致 謝

在此感謝悉尼大學Assaad Marsi教授、Mrinal Juddoo博士和Scott Steinmetz 博士在實驗上提供的幫助與支持．

［1］ 金 武. 基于激光診斷技術的甲烷/氫氣稀燃預混火焰穩(wěn)定性研究[D]. 西安：西安交通大學，2018.

Jin Wu. Investigation on the Stability of Methane/ Hydrogen Lean Premixed Flames via Laser Diagnostics[D]. Xi’an：Xi’an Jiaotong University，2018.

［2］ 呂 良，譚建國，朱家健. 基于OH和CH2O雙組分同步PLIF技術的湍流火焰放熱率分布和火焰結構研究[C]//燃燒流場的光學診斷技術學術研討會. 西安，2016.

Lü Liang，Tan Jianguo，Zhu Jiajian. Study on the distribution of turbulent flame heat release rate and flame structure based on OH and CH2O synchronized PLIF technique[C]//. Xi’an，2016.

［3］ Steinberg A M，Boxx I，Arndt C M，et al. Experimen-tal study of flame-hole reignition mechanisms in a turbu-lent non-premixed jet flame using sustained multi-kHz PIV and crossed-plane OH PLIF[J].，2011，33(1)：1663-1672.

［4］ Coriton B，Steinberg A M，F(xiàn)rank J H. High-speed to-mographic PIV and OH PLIF measurements in turbulent reactive flows[J].，2014，55(6)：1743.

［5］ 李麥亮，周 進，耿 輝，等. 測量火焰中氫氧基分布的激光誘導熒光技術[J]. 國防科技大學學報，2003，25(3)：10-13.

Li Mailiang，Zhou Jin，Geng Hui，et al. Laser induced fluorescence technology for measurements of OH distri-bution in flames[J].，2003，25(3)：10-13(in Chinese).

［6］ Jin W，Ren C，Li J，et al. Experimental study on char-acteristics of CH4/H2oxy-fuel turbulent premixed flames[J].，2022，310：122292.

［7］ Johchi A，Naka Y，Shimura M，et al. Investigation on rapid consumption of fine scale unburned mixture islands in turbulent flame via 10 kHz simultaneous CH-OH PLIF and SPIV[J].，2015，35(3)：3663-3671.

［8］ Tanahashi M，Taka S，Hirayama T，et al. Local burn-ing velocity measurements in turbulent jet premixed flame by simultaneous CH DPPLIF/OH PLIF and stereo-scopic PIV[C]// 14. Lisbon，Portugal，2008.

［9］ Zhou B，Brackmann C，LI Q，et al. Distributed reac-tions in highly turbulent premixed methane/air flames. Part (Ⅰ)：Flame structure characterization[J].，2015，162(7)：2937-2953.

［10］ 梁劍寒，李 韻，孫明波，等. 超聲速燃燒火焰放熱區(qū)結構CH-PLIF成像技術[J]. 國防科技大學學報，2019，41(1)：27-33.

Liang Jianhan，Li Yun，Sun Mingbo，et al. CH-PLIF imaging of flame heat-release structures in supersonic combustion[J].，2019，41(1)：27-33(in Chinese).

［11］ Skiba A W，Wabel T M，Carter C D，et al. Premixed flames subjected to extreme levels of turbulence(Part I)：Flame structure and a new measured regime dia-gram[J].，2018，189：407-432.

［12］ Jin W，Steinmetz S A，Juddoo M，et al. Effects of shear inhomogeneities on the structure of turbulent pre-mixed flames[J].，2019，208：63-78.

［13］ 金 武，任超群，湯朝偉，等. 強湍流下甲烷稀燃預混火焰的穩(wěn)定性研究[J]. 燃燒科學與技術，2021，27(2)：148-154.

Jin Wu，Ren Chaoqun，Tang Chaowei，et al. Stability of lean premixed methane flame under high turbu-lence[J].，2021，27(2)：148-154(in Chinese).

［14］ Driscoll J F，Chen J H，Skiba A W，et al. Premixed flames subjected to extreme turbulence：Some questions and recent answers[J].，2020，76：100802.

［15］ Tanahashi M，Murakami S，Choi G M，et al. Simulta-neous CH-OH PLIF and stereoscopic PIV measurements of turbulent premixed flames[J].，2005，30(1)：1665-1672.

［16］ Barwey S，Raman V，Steinberg A. Extracting informa-tion overlap in simultaneous OH-PLIF and PIV fields with neural networks[J].，2020，38(4)：6241-6249.

［17］ Ronneberger O，F(xiàn)ischer P，Brox T. U-net: Convolutional networks for biomedical image segmentation[C]//2015：18.Munich，Germany，2015：234-241.

［18］ Szegedy C，Vanhoucke V，Ioffe S，et al. Rethinking the inception architecture for computer vision[C]//2016(2016). Miami，F(xiàn)lorida，2016.

［19］ Yang J，Kai Y，Gong Y，et al. Linear spatial pyramid matching using sparse coding for image classifica-tion[C]//2009(2009). Miami，F(xiàn)lorida，2009：20-25.

［20］ Boureau Y L，Ponce J，Lecun Y. A theoretical analysis of feature pooling in visual recognition[C]//27. DBLP，2010：111-118.

［21］ Glorot X，Bordes A，Bengio Y. Deep sparse rectifier neural networks[J].，2011，15：315-323.

［22］ Han J，Moraga C. The influence of the sigmoid function parameters on the speed of backpropagation learn-ing[C]//：. Springer-Verlag，1995.

［23］ Kingma D，Ba J. Adam：A method for stochastic opti-mization[C]//3. San Diego，2015.

［24］ Otsu N. A threshold selection method from gray-level histograms[J].，，1979，9(1)：62-66.

［25］ Fukunaga K.[M]. Pittsburgh：Academic Press，1990.

［26］ Vincent L，Soille P. Watersheds in digital spaces：An efficient algorithm based on immersion simulations[J].，1991，13(6)：583-598.

Prediction of CH Radical Distribution Based on Deep Convolutional Neural Network

Pan Wei1，Jin Wu1，Tang Chaowei1，Li Xiafei1，Li Jianzhong1，Yuan Li2

(1. College of Energy and Power，Nanjing University of Aeronautics and Astronautics，Nanjing 210016，China；2. College of Defense Engineering，Army Engineering University of PLA，Nanjing 210007，China)

Aiming at the problems of low concentration，short survival time and low signal-to-noise ratio of CH-PLIF signal under the condition of low equivalence ratio，deep convolutional neural network was utilized to predict the distribution of CH radicals from OH-PLIF measurement. Firstly，the OH-CH-PLIF simultaneous measurements obtained under the condition of high equivalence ratio are used to train and verify the neural network. Then，the model is extended to the prediction of CH radical distribution at low equivalence ratio，and the intelligent diagnosis of CH radical distribution based on OH-PLIF is realized. The CH-PLIF data are compared with the predicted results by CNN at low equivalence ratio，and the result shows that the predicted CH radical distribution is as good as expected. The intelligent prediction of CH from OH-PLIF through deep learning method can make up for the shortage of existing experimental equipment and provide data support for combustion diagnosis.

CNN；combustion diagnostics；premixed flame；flame structure；PLIF

TK11

A

1006-8740(2023)03-0337-10

10.11715/rskxjs.R202204014

2022-06-27．

國家自然科學基金資助項目(51906106)；江蘇省自然科學基金資助項目(BK20190423)；先進航空動力創(chuàng)新工作站資助項目(HKCX2020-02-027)；國家科技重大專項資助項目(2019-Ⅲ-0014-0058)．

潘 瑋(1996— )，男，碩士研究生，PanV827@163.com.Email：m_bigm@tju.edu.cn

金 武，男，博士，副教授，wjin83@nuaa.edu.cn.

(責任編輯：隋韶穎)