近日，上海交通大学中英国际低碳学院董雪副教授团队在燃烧领域著名期刊《Combustion and Flame》上发表了题为 “Reconstructing temperature fields from OH distribution and soot volume fraction in turbulent flames using an artificial neural network” 研究论文(https://doi.org/10.1016/j.combustflame.2023.113182)。论文的第一作者为上海交通大学中英国际低碳学院2020级硕士生聂翔宇，董雪副教授与阿德莱德大学孙志伟老师担任共同通讯。该工作验证了基于湍流火焰中OH自由基及碳烟体积分数的二维分布来重建对应平面瞬态温度场的可行性，并有望在未来辅助激光诊断技术在湍流火焰中对难以测量的参数进行高速成像。

【文章摘要】

激光诊断技术在火焰组分浓度、温度、流场等重要参数的可视化和定量测量方面具有重要应用，为燃烧机理的研究提供了大量宝贵数据。然而激光诊断技术在高度动态的湍流火焰中以及复杂的测量环境下，往往难以做到高速并且准确。作为燃烧诊断中不可缺失的重要一环，火焰温度场的高速测量极具挑战，一方面因为温度场成像常常受到火焰中碳烟等其他组分的辐射干扰，另一方面由于大多数高速成像设备的信噪比较低，随着激光成像技术扩展到超高速成像领域，这一挑战将变得更大。因此，亟需开发新型的面向湍流碳烟火焰的高速温度场测量技术。

团队此前的多参数激光诊断实验结果表明，沿湍流火焰局部前锋面的法线方向， OH自由基、碳烟体积分数、温度及碳烟初生粒径的分布具有显著的统计学相关性（类似层流火焰中各参数在径向分布的相关性）。该发现为本工作中温度场的重建提供了重要的理论依据。本研究从火焰中这些参数的关联性出发，选取实验中较易测量的两个参数——OH自由基与碳烟体积分数的平面成像作为输入，利用卷积神经网络构建以上两项输入与温度场之间的映射关系，以实现对同一时刻同一平面下温度场的快速反演。

图1. 基于二维OH自由基和碳烟体积分数重建二维温度场的卷积神经网络结构，该网络以OH-PLIF和PLII实验数据作为输入，以TLAF实验测得的温度场作为真值进行监督式训练

结果表明，在与训练集相同的火焰工况下，本模型能够准确地通过二维 OH自由基及碳烟体积分数反演出对应温度场，与实验测量结果相比，重建的瞬态温度场的标准差在60K以内。随后本文进一步研究了模型在不同于训练集工况下的表现，发现模型在未训练过的火焰工况下仍旧表现出一定的重建性能，瞬态温度场的标准差在150K以内，且误差较大的区域主要存在于温度场边缘，即OH自由基或碳烟信号缺失的区域。

图2. OH自由基、碳烟体积分数及火焰温度在雷诺数Re=10,000和甲苯质量分数YF =0.25 时不同火焰高度(Case A, B 及 C)下同时成像的代表性结果，以及重建的温度场T(CNN)与测量温度场T(exp.)之间的误差成像

本文还研究了在训练集中扩展火焰工况时模型的表现，结果表明针对于不同的火焰工况，训练集所涵盖的工况范围对模型表现影响显著。最后，从多参数联合概率密度分布图可见，即使对于训练集中未出现的火焰工况，模型也较好地捕捉了OH自由基、碳烟体积分数及温度之间在统计学相关性。

图3. OH自由基与实验测量温度的联合概率密度分布，及OH自由基与重建温度的联合概率密度分布（雷诺数Re=10,000，甲苯质量分数YF =0.25）

图4. 碳烟体积分数与实验测量温度的联合概率密度分布，及碳烟体积分数与重建温度的联合概率密度分布（雷诺数Re=10,000，甲苯质量分数YF =0.25）

本研究所提出的方法为湍流燃烧中物理场的测量提供了新思路，即利用火焰中各参数之间的隐藏关系，结合其中易于实验测量的物理量及神经网络建模，对感兴趣的待测物理量进行计算成像。此外，因为模型的训练数据可以来自低速实验，而模型训练后可应用于高速场景，因此本方法也有望成为辅助激光诊断技术在湍流火焰中进行高速成像的有效手段。

【作者介绍】

聂翔宇，上海交通大学中英国际低碳学院2020级硕士研究生，现博士就读于北京大学流体力学系。研究方向：激光诊断、高时空分辨率流场重建

董雪，现任上海交通大学中英国际低碳学院副教授，博士生导师。于2016年获得澳大利亚阿德莱德大学博士学位，研究方向包括：湍流流动燃烧诊断、激光成像及图像处理、传感器融合等。主持国家自然科学基金面上及青年项目、上海市扬帆计划及产学研合作项目等。

孙志伟，澳大利亚阿德莱德电气与机械工程学院，高级讲师；澳洲重工业低碳协同科研中心研究员；获瑞典隆德大学博士学位。研究方向：光学诊断技术在燃烧、两相流和传热等能源相关领域的开发与应用。