基于深度学习的高圧燃烧环境下快时间分辨火焰发射光谱去噪方法
机器学习
2023-01-02 v3 信号处理
流体动力学
摘要
本文提出了一种基于深度学习的方法，利用火焰发射光谱（FES）实现快速准确的气体参数测量。特别是，短门控快速 FES 对于解析快速演化的燃烧行为至关重要。然而，随着捕获火焰发射光谱的曝光时间变短，信噪比（SNR）下降，指示气体特性的特征光谱相对变弱。因此，基于短门控光谱的参数估计变得困难且不精确。去噪卷积神经网络（CNN）可增强短门控光谱的 SNR。本文提出了一种包含可逆下采样与上采样（DU）算子以及基于本征正交分解（POD）系数的损失函数的新型 CNN 架构。为训练和测试该 CNN，使用便携式光谱仪（光谱范围：250–850 nm，分辨率：0.5 nm）从稳定的甲烷-空气平焰中采集了不同当量比（0.8–1.2）、压力（1–10 bar）和曝光时间（0.05、0.2、0.4 和 2 s）下的火焰化学发光光谱。训练去噪 CNN 时，以长曝光（2 s）光谱作为真值。利用长门控光谱训练带 POD 的克里金模型进行标定，随后以去噪后的短门控光谱为输入预测气体参数：尽管曝光缩短导致 SNR 降低，压力和当量比的参数预测误差均显著降低。
引用
@article{arxiv.2208.12544,
title = {Deep learning-based denoising for fast time-resolved flame emission spectroscopy in high-pressure combustion environment},
author = {Taekeun Yoon and Seon Woong Kim and Hosung Byun and Younsik Kim and Campbell D. Carter and Hyungrok Do},
journal= {arXiv preprint arXiv:2208.12544},
year = {2023}
}
备注
25 pages, 12 figures, accepted to Combustion and Flame