JFM Rapids: 深度学习预测真实火焰三维演化过程


?

14: 51: 53 Universe V Technology

4ee95927a66b229a6ffc47dba692637a.jpeg

最近,上海交通大学机械与动力工程学院研究组蔡伟伟在流体力学期刊上以Rapids的形式发表了一篇论文,介绍了三维演化过程在线预测的最新进展。火焰

在一篇题为“通过深度学习从其历史2D投影进行3D火焰演化的在线原位预测”的论文中,作者使用卷积神经网络(CNN)和长期和短期记忆网络(LSTM)建立了数据驱动的预测模型。 )这是第一次,快速预测真实火焰三维结构的演变。

燃烧是自然界中最复杂的现象之一,耦合过程如化学反应,流动和传热。因此,如何准确预测火焰的三维演化,尤其是高速动态湍流火焰,是一项极其艰巨的任务。近年来,随着大规模计算机集群和超级计算机的发展,计算流体动力学(CFD)取得了很大进展,并已广泛应用于真实环境中各种复杂流场的仿真。然而,由于计算量巨大,最先进的CFD技术如直接数值模拟(DNS)仍然无法实现火焰演化过程的准确在线预测。为此,黄建清等人通过结合实验技术(即单相机高速三维层析成像)和深度学习算法的最新进展,提出了一种新的火焰演化预测方法。只有相机捕获的火焰的二维图像才能预测未来。瞬间火焰的三维结构。概念验证实验表明,普通的GPU服务器可以快速准确地预测层流扩散火焰和非预混漩涡火焰的典型三维演化过程,处理时间仅为毫秒量级。通过增加GPU的数量或实现并行计算,可以进一步缩短预测所需的时间,证明了实时预测火焰的三维演化过程的可行性。

如图1所示,本文首先介绍了如何通过单相机高速三维断层扫描(Volumetric Tomography,VT)获得大量的样本构建数据集。实验系统使用高速CMOS摄像头和多探头内窥镜同时在九个方向上捕捉火焰照片,例如在10秒内收集10,000张照片,并根据原理重建火焰。断层。立体结构。这导致包含10,000个样本的数据集,每个样本包含二维火焰照片和相应的三维火焰结构。采集样本集中的前8000个样本来训练CNN-LSTM预测模型(如图2所示)。该模型通过CNN提取照片中火焰的特征,并利用LSTM预测火焰特征的演化,最后将预测的火焰特征映射到火焰的三维结构,从而实现对三者的预测。 - 火焰的三维结构。

859833b4b4038f3803bd4b83f3410348.jpeg

图1:VT实验系统的示意图。

d31914cf58fbd1ccefa44bfba2043bc5.jpeg

图2:CNN-LSTM火焰预测模型的示意图。对于训练有素的模型,输入一个小的连续二维火焰投影,以便在将来的某个时刻快速准确地预测火焰的三维结构。

随后,作者进行了验证性实验,以预测典型的层流扩散火焰和预混漩涡火焰的演变。这两种火焰的演变特征包括火焰高度的变化,火焰面皱纹的迁移和整体火焰旋转。将集合中的最后2000个样本作为测试集进行采样,可以通过输入10个连续毫秒的火焰照片来预测第11个毫秒火焰的三维结构。预测效果如图3和图4所示。

b88c2b9dde546eb0e792d985e6ccbf91.jpeg

图3:层流扩散火焰预测效果的比较。 (a) - (c)是参考值,(d) - (f)是预测结果,(g) - (1)分别是(a) - (f)的中间切片。

03db7ea5ec4fb831e50d3cc1cb7ea95e.jpeg

图4:预混漩涡火焰预测效果的比较。 (a) - (c)是参考值,(d) - (f)是预测结果,(g) - (1)分别是(a) - (f)的中间切片。

为了评估模型的预测能力,作者定义了预测范围,即预测时间点和最近历史时间点之间的间隔Δt。例如,使用在前10毫秒内拍摄的火焰的二维图像来预测40毫秒内的火焰的三维结构,预测范围Δt是30毫秒。本文研究了CNN-LSTM模型在不同预测范围(Δt=1~30 ms)下的预测效果。为了量化预测精度,在每组实验中计算相关系数(R)和预测值与参考值之间的均方根误差(RMSE),相应的结果用黑色和蓝色表示。图5中分别用虚线表示。另外,为了验证模型的有效性,采用相同时间间隔的两个火焰三维结构参考值,计算它们之间的R和RMSE,结果用红色和紫色表示。图中的虚线。显然,CNN-LSTM模型准确地预测了未来两种火焰的三维结构,每次预测只需要大约2毫秒,这在计算上非常有效。最后,本文还研究了噪声对预测模型的影响。结果表明,该模型具有良好的抗噪能力,适用于实际测试环境。

5e5290da3affac5904a9b821f5e1476c.jpeg

图5:不同预测范围下模型预测精度的比较

该技术具有广阔的应用前景:例如,通过结合控制技术,可以实现燃气轮机和电站锅炉等发电厂的实时优化和运行;与此同时,随着公共安全的广泛关注,该技术还可用于火灾等灾害预测。报警。

本文的第一作者是上海交通大学第一个致远荣誉课程的博士生黄建清。合着者是上海交通大学涡轮机械研究所博士生刘和聪。记者是蔡伟伟特约研究员。这项工作得到了国家自然科学基金(第号)的支持。

蔡伟伟的研究小组欢迎该学科或其他学科的专家来信合作。联系人:蔡伟伟;电子邮件地址:

点击深度学习/D0476A7D9832CCE8384D2271A5719F1E查看原始纸张。

4ee95927a66b229a6ffc47dba692637a.jpeg

最近,上海交通大学机械与动力工程学院研究组蔡伟伟在流体力学期刊上以Rapids的形式发表了一篇论文,介绍了三维演化过程在线预测的最新进展。火焰

在一篇题为“通过深度学习从历史2D投影进行3D火焰演化的在线原位预测”的论文中,作者使用卷积神经网络(CNN)和长期和短期记忆网络(LSTM)建立了数据驱动的预测模型。 )。这是第一次,快速预测真实火焰三维结构的演变。

燃烧是自然界中最复杂的现象之一,耦合过程如化学反应,流动和传热。因此,如何准确预测火焰的三维演化,尤其是高速动态湍流火焰,是一项极其艰巨的任务。近年来,随着大规模计算机集群和超级计算机的发展,计算流体动力学(CFD)取得了很大进展,并已广泛应用于真实环境中各种复杂流场的仿真。然而,由于计算量巨大,最先进的CFD技术如直接数值模拟(DNS)仍然无法实现火焰演化过程的准确在线预测。为此,黄建清等人通过结合实验技术(即单相机高速三维层析成像)和深度学习算法的最新进展,提出了一种新的火焰演化预测方法。只有相机捕获的火焰的二维图像才能预测未来。瞬间火焰的三维结构。概念验证实验表明,普通的GPU服务器可以快速准确地预测层流扩散火焰和非预混漩涡火焰的典型三维演化过程,处理时间仅为毫秒量级。通过增加GPU的数量或实现并行计算,可以进一步缩短预测所需的时间,证明了实时预测火焰的三维演化过程的可行性。

如图1所示,本文首先介绍了如何通过单相机高速三维断层扫描(Volumetric Tomography,VT)获得大量的样本构建数据集。实验系统使用高速CMOS摄像头和多探头内窥镜同时在九个方向上捕捉火焰照片,例如在10秒内收集10,000张照片,并根据原理重建火焰。断层。立体结构。这导致包含10,000个样本的数据集,每个样本包含二维火焰照片和相应的三维火焰结构。采集样本集中的前8000个样本来训练CNN-LSTM预测模型(如图2所示)。该模型通过CNN提取照片中火焰的特征,并利用LSTM预测火焰特征的演化,最后将预测的火焰特征映射到火焰的三维结构,从而实现对三者的预测。 - 火焰的三维结构。

859833b4b4038f3803bd4b83f3410348.jpeg

图1:VT实验系统的示意图。

d31914cf58fbd1ccefa44bfba2043bc5.jpeg

图2:CNN-LSTM火焰预测模型的示意图。对于经过训练的模型,输入一个小的连续二维火焰投影,以便在将来的某个时刻快速准确地预测火焰的三维结构。

随后,作者进行了验证性实验,以预测典型的层流扩散火焰和预混漩涡火焰的演变。这两种火焰的演变特征包括火焰高度的变化,火焰面皱纹的迁移和整体火焰旋转。将集合中的最后2000个样本作为测试集进行采样,可以通过输入10个连续毫秒的火焰照片来预测第11个毫秒火焰的三维结构。预测效果如图3和图4所示。

b88c2b9dde546eb0e792d985e6ccbf91.jpeg

图3:层流扩散火焰预测效果的比较。 (a) - (c)是参考值,(d) - (f)是预测结果,(g) - (1)分别是(a) - (f)的中间切片。

03db7ea5ec4fb831e50d3cc1cb7ea95e.jpeg

图4:预混漩涡火焰预测效果的比较。 (a) - (c)是参考值,(d) - (f)是预测结果,(g) - (1)分别是(a) - (f)的中间切片。

为了评估模型的预测能力,作者定义了预测范围,即预测时间点和最近历史时间点之间的间隔Δt。例如,使用在前10毫秒内拍摄的火焰的二维图像来预测40毫秒内的火焰的三维结构,预测范围Δt是30毫秒。本文研究了CNN-LSTM模型在不同预测范围(Δt=1~30 ms)下的预测效果。为了量化预测精度,在每组实验中计算相关系数(R)和预测值与参考值之间的均方根误差(RMSE),相应的结果用黑色和蓝色表示。图5中分别用虚线表示。另外,为了验证模型的有效性,采用相同时间间隔的两个火焰三维结构参考值,计算它们之间的R和RMSE,结果用红色和紫色表示。图中的虚线。显然,CNN-LSTM模型准确地预测了未来两种火焰的三维结构,每次预测只需要大约2毫秒,这在计算上非常有效。最后,本文还研究了噪声对预测模型的影响。结果表明,该模型具有良好的抗噪能力,适用于实际测试环境。

5e5290da3affac5904a9b821f5e1476c.jpeg

图5:不同预测范围下模型预测精度的比较

该技术具有广阔的应用前景:例如,通过结合控制技术,可以实现燃气轮机和电站锅炉等发电厂的实时优化和运行;与此同时,随着公共安全的广泛关注,该技术还可用于火灾等灾害预测。报警。

本文的第一作者是上海交通大学第一个致远荣誉课程的博士生黄建清。合着者是上海交通大学涡轮机械研究所博士生刘和聪。记者是蔡伟伟特约研究员。这项工作得到了国家自然科学基金(第号)的支持。

蔡伟伟的研究小组欢迎该学科或其他学科的专家来信合作。联系人:蔡伟伟;电子邮件地址:

点击深度学习/D0476A7D9832CCE8384D2271A5719F1E查看原始纸张。