圆柱形大气压表面介质阻挡放电的机器学习辅助光学诊断
等离子体物理
2024-04-23 v2 数据分析、统计与概率
摘要
本研究探索将机器学习 (ML) 算法与标准光学诊断（如时间积分发射光谱和成像）相结合，以准确预测运行条件并评估圆柱形表面介质阻挡放电 (SDBD) 的发射均匀性。结果表明，ML 可以与这些光学诊断形成互补，并识别在不同高压波形（交流与脉冲）和幅值下与放电发射模式相关的特性。通过采用无监督（主成分分析 (PCA)）和监督（多层感知机 (MLP) 神经网络）算法，基于大量对应数据中识别出的相关性/差异，对施加的电压波形和幅值进行分类和预测。PCA 通过将光谱/成像数据转换为主成分 (PCs) 并将其投影到二维 PC 空间，使我们能够有效地对施加于 SDBD 的电压波形和幅值进行分类。此外，使用以 PCA 预处理数据训练的 MLP 实现了对电压幅值的准确预测。该概念中一个特别有趣的方面涉及检查放电发射模式的均匀性。这是通过使用两种基于 ML 的技术分析在 SDBD 表面周围四个不同区域记录的光谱数据来实现的。这些发现对于增强等离子体诱导过程具有重要意义。它们为诸如当前 SDBD 的流动控制等不同领域中基于等离子体的应用的实时控制、监测和优化开辟了新途径。
引用
@article{arxiv.2404.06817,
title = {Machine learning assisted optical diagnostics on a cylindrical atmospheric pressure surface dielectric barrier discharge},
author = {Dimitrios Stefas and Konstantinos Giotis and Laurent Invernizzi and Hans Höft and Khaled Hassouni and Swaminathan Prasanna and Panagiotis Svarnas and Guillaume Lombardi and Kristaq Gazeli},
journal= {arXiv preprint arXiv:2404.06817},
year = {2024}
}