基于机器学习的固体燃料颗粒精确着火检测
机器学习
2024-12-06 v1 应用物理
摘要
本工作聚焦于利用高速光学诊断结合机器学习方法精确判定单颗粒着火。在层流流动反应器中，通过同步10 kHz OH-LIF和DBI测量对单个颗粒的着火进行可视化。在常规空气和富氧燃料条件下，以递增的氧浓度研究了90-125μm和160-200μm两种煤颗粒粒径。首先采用阈值法评估着火延迟时间，揭示出与肉眼检测的地面真值相比存在明显偏差。随后，在地面真值上训练残差网络（ResNet）和特征金字塔网络（FPN）并用于预测着火时间。两种网络均能以显著更高的准确率和精度检测着火。此外，考察了输入数据和网络深度对训练模型预测性能的影响。当前研究表明，卷积网络的层次化特征提取明显便利了高速光学测量的数据评估，并可迁移至具有相似边界条件的其他固体燃料实验。
引用
@article{arxiv.2305.00004,
title = {Accurate ignition detection of solid fuel particles using machine learning},
author = {Tao Li and Zhangke Liang and Andreas Dreizler and Benjamin Böhm},
journal= {arXiv preprint arXiv:2305.00004},
year = {2024}
}
备注
9 pages, 6 figures, Mediterranean Combustion Symposium 2023