基于深度神经网络的火焰振子圆形阵列的降维与动态模式识别
机器学习
2026-02-26 v2 流体动力学
摘要
航空发动机和现代燃气轮机中的振荡燃烧通常对其运行有显著不利影响，而准确识别各种振荡模式是理解并控制燃烧不稳定性的前提。然而，复杂燃烧系统的高维时空数据通常对动态模式识别带来相当大的挑战。基于一个两层双向长短期记忆变分自编码器（Bi-LSTM-VAE）降维模型和一个基于二维Wasserstein距离的分类器（WDC），本研究提出了一种有前景的方法（Bi-LSTM-VAE-WDC）用于识别振荡燃烧系统中的动态模式。具体而言，引入Bi-LSTM-VAE降维模型将燃烧系统的高维时空数据降维至低维相空间；基于相空间点在网格上的分布计算高斯核密度估计（GKDE）；从GKDE图中计算二维WD值以识别振荡模式。本研究使用的时间序列数据来自层流火焰振子圆环阵列的数值模拟。结果表明，新颖的Bi-LSTM-VAE方法能产生相点的非重叠分布，表明有效的无监督模式识别与分类。此外，该方法在区分复杂火焰系统的动态模式方面表现出优于VAE和PCA（主成分分析）的性能，暗示其在湍流燃烧研究中的潜力。
引用
@article{arxiv.2312.02462,
title = {Dimensionality Reduction and Dynamical Mode Recognition of Circular Arrays of Flame Oscillators Using Deep Neural Network},
author = {Weiming Xu and Tao Yang and Peng Zhang},
journal= {arXiv preprint arXiv:2312.02462},
year = {2026}
}
备注
research paper (18 pages, 1 table 10 figures) with supplementary material (8 pages, 1 table, 5 figures)