一种用于在时域构建火焰非线性热声响应的双路径神经网络模型

传统的数值模拟方法需要大量的计算资源来准确确定火焰对各种扰动频率和振幅的完整非线性热声响应。在本文中，我们开发了深度学习算法，能够从有限的数值模拟数据中构建全面的火焰非线性响应。为此，我们提出使用扫频数据类型作为训练数据集，该类型在有限的数据集中包含了丰富的可学习信息。为了提高从训练数据中学习火焰非线性响应模式的精度，我们引入了一种双路径神经网络。该网络由一个时序特征路径和一个时序细节特征路径组成。双路径网络专门设计用于高度关注速度扰动序列的时间特性，从而产生更准确的火焰响应模式和更强的泛化能力。验证结果证实，我们的方法即使在显著非线性的条件下也能准确模拟火焰非线性响应，并在各种测试场景中表现出稳健的泛化能力。