基于机器学习对火焰温度场和CO2浓度场的同步重建 下载: 1304次
1 引言
对火焰温度和燃烧产物浓度进行测量是燃烧诊断的重要内容之一[1-3]。可调谐二极管激光吸收光谱法(TDLAS)具有定量测量和灵敏度高等优点,已成为原位测量火焰温度和燃烧产物浓度的重要手段。然而,TDLAS测量获得的只是沿着测量视线路径上信号的一种积分效应,并不能直接获得火焰的局部温度和燃烧产物的浓度分布,一般还需要依靠反演算法来获取火焰的标量场信息。为了获取火焰温度和燃烧产物浓度的分布,通常需要进行多视线、多角度的同步测量,或在单一视角上进行多频率测量,然后再通过反演算法来获取火焰的一维或者二维温度以及燃烧产物的浓度场等信息[4]。然而,由于发射器和接收器数量的限制,采样信号的空间分辨率有限,重建的温度场和浓度场的空间分辨率受到一定限制。Liu等[5]采用TDLAS沿单一视线方向进行测量,获取了水蒸气在1300~1350 nm 波段上的12条吸收谱线,然后分别采用材料线性和非线性正则化方法,实现了水蒸气在视线方向上一维温度和浓度的反演。Wang等[6]采用双色激光器和4台可旋转的探测平台对流场从不同的角度进行扫描测量,然后采用代数重建算法(ART)对NH3的二维温度和浓度分布进行了反演重建。以上研究表明,对这类逆问题的求解多是不适定(ill-posed)的,即求解结果依赖于初值的选取,而且对测量中的微小误差非常敏感。
中红外波段的分子基频吸收较强,适合采用直接吸收法测量该波段的光谱。Zhang等[7]基于4.2 μm 中红外TDLAS激光测量系统,对火焰的轴向和径向进行了二维扫描式测量,讨论了采用不同Abel反演算法重建轴对称层流火焰温度场和CO2浓度场的可行性。Liu等[8]基于同样的测量系统,采用Abel反演算法和Tikhonov正则化对乙烯空气层流扩散火焰的温度场和CO2浓度场进行了反演重建;结果表明,CO2分子在4.2 μm波段的吸收谱线具有背景干扰小、对高温敏感的优点,而且光谱信息丰富。然而,采用传统的反演算法并不能有效地挖掘高光谱分辨率测量中蕴藏的丰富信息。如果有更好的反演重建算法,就不需要通过对火焰进行轴向和径向的二维扫描式测量来获取火焰二维温度场和燃烧产物二维浓度场的分布,而只要采用轴向的高光谱分辨率测量就能够同步重建二维温度场和浓度场的分布。
本文基于4.2 μm 带间级联中红外激光器高光谱分辨率测量的特点,建立了从火焰轴向进行TDLAS扫描测量,从而直接反演重建轴对称层流扩散火焰温度场和CO2浓度场的机器学习方法。甲烷空气层流扩散火焰的模拟实验证明了机器学习反演重建算法的有效性和可行性。
2 理论与方法
2.1 火焰温度场和CO2浓度场同步反演重建的原理
图 1. 轴对称火焰温度场和CO2浓度场的测量原理
Fig. 1. Schematic of temperature and CO2 concentration fields measurements for axisymmetric flames
一束激光穿过燃烧火焰气体介质时被介质吸收,能量衰减。探测器探测到的沿任一视线(line-of-sight)方向的光谱辐射强度为
式中:Iη(0)是入射的激光光谱强度;κη是气体介质的光谱吸收系数,它是与气体温度T、浓度x相关的函数。气体介质沿着视线方向的光学厚度
由(2)式可见,气体介质沿视线方向的光学厚度与其温度、浓度分布直接相关。据此可以实现对气体介质温度和浓度的反演求解。基于TDLAS对轴对称火焰温度和燃烧产物浓度的反演多采用正则化Abel Onion-Peeling方法,该方法的核心思想是假设温度和气体介质浓度的分布分别为T(r)和x(r),并将火焰中的气体介质沿着径向均匀离散为N段,每段温度和浓度均匀分布。然后进行如
如果对测量的空间分辨率有一定要求,就需要径向扫描测量的次数足够多,否则建立的离散方程组将是典型的秩亏方程组,无法直接求解出温度和浓度的分布。Zhang等[7]和Liu等[8]采用的针对CO2分子的4.2 μm 带间级联中红外激光器能够对CO2在中红外波段的吸收谱线进行高分辨率测量,也就是说,所测得的光谱光学厚度具有一定的光谱分辨率。如果同步测量并反演温度和CO2浓度的分布,那么需要反演的未知数的个数为2N。如果测量的有效光谱数据的数量M足够多
那么温度和浓度分布[Tj,xj]就有可能从光谱光学厚度[τi]的测量中被反演重建出来(i为光谱节点,j为空间节点)。这样就不需要再进行径向的扫描式测量,只需要沿着火焰中心测量其光谱光学厚度,温度和CO2浓度的分布就可以被反演求解出来。
图 2. 传统测量方法示意图。(a)基于轴向和径向空间扫描式激光吸收光谱测量反演重建火焰温度场和CO2浓度场;(b)基于轴向扫描式激光吸收光谱测量反演重建火焰温度场和CO2浓度场
Fig. 2. Schematics of traditional measurement method. (a) Reconstruction of temperature and CO2 concentration fields based on axial and radial laser spectral absorption measurements; (b) reconstruction of temperature and CO2 concentration fields based on axial laser spectral absorption measurement
尽管(3)式从光谱维度上为温度和浓度的反演重建提供了额外信息,但是直接求解(3)式进而从火焰的光谱光学厚度中反演温度和浓度分布的问题是非线性的,而且是不适定的。基于传统的优化算法难以准确、同步地求解温度和浓度的分布,通常还需要提供其他额外的约束条件来得到物理上合理的解[9]。此外,在求解过程中,传统反演算法的每一步迭代求解都需要引入辐射正计算,这会影响到反演计算的效率。所以,为了实现温度和气体浓度场的快速同步反演,必须探索全新的反演算法。而对于这样的反演计算问题,一种全新的解决方案就是利用机器学习的方法。
2.2 机器学习反演重建模型
机器学习通过优化和统计学原理,自动地从数据中提取信息,使计算机能够从经验中学习,无需知晓支配变量和自变量关系的物理和化学规律。即使变量与自变量之间的关系并不明确,机器学习也可以为非线性反问题提供全局模型解决方案[10]。机器学习已在众多领域表现出色[11-14]。与传统的迭代重建方法相比,机器学习方法在多参数同步重建速度和性能方面具有显著优势。传统的反演算法通过构建关于未知量的矩阵方程组,进而求解大型矩阵或采用迭代算法实现对温度场和浓度场的反演重建。其特点是反演速度慢、空间分辨率低,而且很难实现对火焰温度场和多种气体浓度场的多参数高维耦合同步重建。然而,基于机器学习的反演重建算法,通过线下“训练和学习”,能够获得全局反演模型,避免了非常耗时的辐射光谱的在线计算,从而极大地提高了反演计算的效率。由于机器学习模型能够有效地并行处理不同空间位置上的光谱信息,而且统一的全局模型也能够将温度和浓度在空间上分布的连续性信息通过隐含在光谱中的信息很好地保留下来,不再需要将类似的约束条件引入反演计算的方程当中,从而可以自动引入约束条件,实现温度场和浓度场的准确反演。
多层感知机(MLP)神经网络是比较流行的应用在机器学习领域的模型之一[15]。本文针对CO2 4.2 μm 带间级联中红外激光器测量系统,建立了用于温度和浓度同步反演重建的多层感知机人工神经网络结构,如
图 3. 基于机器学习的温度场和浓度场的同步反演重建模型
Fig. 3. Machine-learning-based reconstruction model for temperature and concentration fields retrieval
建立机器学习反演模型的一个重要步骤就是对所建立的神经网络模型进行有效训练。机器学习模型训练过程就是通过优化神经网络,调整神经元之间的权重对损失函数进行最小化。多层感知机使用的是平方误差损失函数,该函数定义为
式中:Xp是神经网络预测值;X是对应的真实值;W为权重系数;α为正则化系数。多层感知机使用参数α进行正则化(L2-regularization),通过调整α的大小来避免过拟合现象的发生。机器学习模型的训练是一个反复进行的过程,一般从一个初始随机权重开始,通过不断的更新这些权重来最小化损失函数。损失被计算出来以后,再通过反向传递将它从输出层传播到前一层,为每一个权重参数提供一个更新值,使得损失下降。为了达到较好的训练效果,通常需要使用大量的数据对模型进行训练[16-18]。
2.3 机器学习训练数据的生成
建立基于机器学习的火焰温度和CO2浓度同步反演重建模型的目的是实现对火焰温度和CO2浓度场的测量,显然,通过实验测量为机器学习模型提供训练数据的方式是不现实的。近年来,对辐射换热正问题求解算法的研究以及高温介质光谱参数数据库的持续更新,使得通过计算机模拟为机器学习提供大量有效的训练数据成为可能。如此大量的有效数据为机器学习模型的训练提供了前所未有的机会,而且使得不用直接求解反问题而是通过计算机算法就可以有效地探索这些大量数据集所隐含的关联信息。此外,利用这些有效数据可以对辐射反问题进行高效的非线性回归分析。
本文首先采用简单的火焰燃烧数值模拟来生成火焰温度场和CO2浓度场,在火焰的数值模拟过程中不需要采用复杂的燃烧、化学反应和换热模型,只需要采用最基本、最简单的模型生成火焰温度和CO2浓度分布的典型特征即可。然后再通过正向求解(2)式来生成火焰中心不同高度处的光学厚度。本文对数值模拟所得的火焰温度场和CO2浓度场的大小进行一定幅度的调整,便可源源不断地产生不同的火焰温度场和CO2浓度场分布。然后再针对4.2 μm 带间级联中红外激光器的光谱测量范围,对每组温度和浓度分布所对应的光学厚度进行计算,就可以获得大量的CO2光学厚度数据。在数值计算中,CO2的光谱参数可以通过HITEMP2010数据库[19]获得。
3 模型验证与分析
本文针对轴对称层流扩散火焰,基于4.2 μm 带间级联中红外激光器测量系统,建立了火焰温度场和CO2浓度场同步反演的机器学习模型。本文采用模拟实验的方法对所建立的机器学习模型的有效性和鲁棒性进行验证。首先采用LaminarSmoke对甲烷和空气混合气体的同轴扩散火焰进行模拟,得到了火焰温度和CO2浓度分布;然后基于HITEMP2010光谱数据库生成了对应火焰不同位置的光谱光学厚度。这些数据之后被用来训练和测试基于机器学习的温度场和CO2浓度场同步反演重建模型。
3.1 甲烷和空气混合气体层流同轴扩散火焰的模拟
本文采用LaminarSmoke对文献[
7,20]中的甲烷和空气混合气体层流同轴扩散火焰进行了模拟。LaminarSmoke是基于OpenFOAM框架建立的适用于层流火焰模拟的开源CFD求解器[21-23]。如
图 4. 甲烷和空气混合气体层流同轴扩散火焰的模拟。(a)火焰模拟的计算网格和边界条件;(b)温度分布;(c) CO2浓度分布
Fig. 4. Numerical simulation of CH4-air laminar coaxial diffusion flame. (a) Computation grid and boundary conditions for simulating flame; (b) temperature field; (c) CO2 concentration field
3.2 训练数据和测试数据的生成
机器学习训练数据应该包括火焰不同位置处的温度和CO2浓度分布,以及火焰对应的光谱光学厚度。火焰温度和CO2浓度的分布分别从
当机器学习模型训练结束之后,输入“测量”的火焰的光谱光学厚度,其对应的温度和CO2浓度分布即可被反演出来。本文采用模拟实验数据对所建立的机器学习模型进行验证。火焰的光谱光学厚度是根据
3.3 机器学习模型训练以及温度和浓度的反演
本文通过scikit-learn的Python库[24]来建立机器学习反演模型,模型训练中使用的是Kingma等[25]提出的基于随机梯度的优化器(Adam)。对多层感知机的神经网络结构和参数进行多次训练和调整之后,最终得到的优化的神经网络结构一共有4个中间层,每层节点数分别为200、400、400和200,正则化参数α= 0.01。
为了验证机器学习模型反演温度和CO2浓度分布的可行性和鲁棒性,本文在模拟生成的火焰光谱光学厚度中分别加入2%、5%和10%三组不同的高斯随机噪声,然后将其输入到训练好的机器学习模型中,测试模型反演火焰温度和CO2浓度分布的效果。
图 5. 火焰温度场和CO2浓度场的真实分布以及加入2%、5%和10%高斯随机噪声后机器学习模型的预测结果。(a)温度场; (b) CO2浓度场
Fig. 5. True flame temperature and CO2 concentration fields, as well as machine-learning-based model predicted fields with 2%, 5% and 10% Gaussian random noises. (a) Temperature fields; (b) CO2 concentration fields
图 6. 真实的火焰温度场和CO2浓度场以及不同随机噪声下机器学习模型得到的预测结果的对比。(a) 2% 随机噪声;(b) 5% 随机噪声;(c) 10% 随机噪声
Fig. 6. Comparisons of true temperature and CO2 concentration fields (ideal) with machine-learning-based model predicted ones (MLP) with different random noises. (a) 2% random noise; (b) 5% random noise; (c) 10% random noise
图 7. 火焰高度为40 mm处真实温度和CO2浓度的径向分布与机器学习模型得到的预测值之间的对比。(a) 2% 随机噪声;(b) 5% 随机噪声;(c) 10% 随机噪声
Fig. 7. Comparisons of true temperature and CO2 concentration distributions (ideal) at the height above burner of 40 mm with machine-learning-based model predicted ones (MLP). (a) 2% random noise; (b) 5% random noise; (c) 10% random noise
4 结论
本文基于4.2 μm 带间级联中红外激光器TDLAS测量系统,建立了用于轴对称层流火焰温度场和CO2浓度场同步反演重建的机器学习模型。首先从理论上阐述了基于火焰中心沿轴向的扫描式测量重建火焰温度场和CO2浓度场的可行性,之后介绍了采用多层感知机神经网络重建火焰温度和CO2浓度的机器学习模型的结构和原理,然后介绍了采用数值模拟和辐射计算的方式为机器学习模型提供训练数据的可行性,最后采用模拟数据添加不同噪声的方式对机器学习模型反演重建温度场和浓度场的有效性和鲁棒性进行了验证。结果表明,机器学习模型能够很好地解决这类非线性逆问题,可以高效地实现温度场和浓度场的耦合反演重建。机器学习模型需要更少的实验测量数据,且对噪声不敏感,比传统反演重建算法具有更显著的优势。
[1] 陈祥, 阚瑞峰, 杨晨光, 等. 基于频分复用波长调制光谱的NO2及NH3浓度测量[J]. 光学学报, 2018, 38(5): 0512004.
[2] 屈东胜, 樊宏杰, 刘连伟, 等. 基于近红外光谱的超声速燃烧场气体参数测量研究[J]. 光学学报, 2020, 40(3): 0330001.
[3] 张福才, 孙博君, 孙晓刚. 基于多目标极值优化法的多光谱真温反演[J]. 光学学报, 2019, 39(2): 0212008.
[4] 黄燕, 张国勇, 刘训臣, 等. 中红外激光测量扩散火焰温度场[J]. 工程热物理学报, 2017, 38(7): 1447-1453.
Huang Y, Zhang G Y, Liu X C, et al. Temperature distribution of axisymmetric diffusion flame measured by mid-infrared laser[J]. Journal of Engineering Thermophysics, 2017, 38(7): 1447-1453.
[5] Liu C, Xu L J, Cao Z. Measurement of nonuniform temperature and concentration distributions by combining line-of-sight tunable diode laser absorption spectroscopy with regularization methods[J]. Applied Optics, 2013, 52(20): 4827-4842.
[6] Wang F, Cen K, Li N, et al. Two-dimensional tomography for gas concentration and temperature distributions based on tunable diode laser absorption spectroscopy[J]. Measurement Science and Technology, 2010, 21(4): 045301.
[7] Zhang G Y, Wang G Q, Huang Y, et al. Reconstruction and simulation of temperature and CO2 concentration in an axisymmetric flame based on TDLAS[J]. Optik, 2018, 170: 166-177.
[8] Liu X C, Zhang G Y, Huang Y, et al. Two-dimensional temperature and carbon dioxide concentration profiles in atmospheric laminar diffusion flames measured by mid-infrared direct absorption spectroscopy at 4.2 μm[J]. Applied Physics B, 2018, 124(4): 1-10.
[9] 张海丹. 基于高光谱成像系统的火焰三维温度场和烟黑浓度场重建研究[D]. 杭州: 浙江大学, 2016.
Zhang HD. Reconstruction of flame temperature field and soot concentration field based on hyperspectral imaging system[D]. Hangzhou: Zhejiang University, 2016.
[10] Michalski RS, Carbonell JG, Mitchell TM. Machine learning[M]. Berlin, Heidelberg: Springer Berlin Heidelberg, 1983.
[11] Chen N F Y, Kasim M F, Ceurvorst L, et al. Machine learning applied to proton radiography of high-energy-density plasmas[J]. Physical Review E, 2017, 95: 043305.
[12] Rodrigues É O. Pinheiro V H A, Liatsis P, et al. Machine learning in the prediction of cardiac epicardial and mediastinal fat volumes[J]. Computers in Biology and Medicine, 2017, 89: 520-529.
[13] Huang J Q, Liu H C, Cai W W. Online in situ prediction of 3-D flame evolution from its history 2-D projections via deep learning[J]. Journal of Fluid Mechanics, 2019, 875: R2.
[14] Jin Y, Zhang W Q, Song Y, et al. Three-dimensional rapid flame chemiluminescence tomography via deep learning[J]. Optics Express, 2019, 27(19): 27308-27334.
[15] Johns J M, Burkes D. Development of multilayer perceptron networks for isothermal time temperature transformation prediction of U-Mo-X alloys[J]. Journal of Nuclear Materials, 2017, 490: 155-166.
[16] Ren T, Modest M F, Fateev A, et al. Machine learning applied to retrieval of temperature and concentration distributions from infrared emission measurements[J]. Applied Energy, 2019, 252: 113448.
[17] Taglialatela ScafatiF, LavorgnaM, MancarusoE, et al.Artificial intelligence for modeling and control of nonlinear phenomena in internal combustion engines[M] ∥SpringerBriefs in Applied Sciences and Technology. Cham: Springer International Publishing, 2017: 1- 19.
[18] Nutkiewicz A, Yang Z, Jain R K. Data-driven Urban Energy Simulation (DUE-S): a framework for integrating engineering simulation and machine learning methods in a multi-scale urban energy modeling workflow[J]. Applied Energy, 2018, 225: 1176-1189.
[19] Rothman L S, Gordon I E, Barber R J, et al. HITEMP, the high-temperature molecular spectroscopic database[J]. Journal of Quantitative Spectroscopy and Radiative Transfer, 2010, 111(15): 2139-2150.
[20] Smooke M D. McEnally C S, Pfefferle L D, et al. Computational and experimental study of soot formation in a coflow, laminar diffusion flame[J]. Combustion and Flame, 1999, 117(1/2): 117-139.
[21] Cuoci A, Frassoldati A, Faravelli T, et al. Numerical modeling of laminar flames with detailed kinetics based on the operator-splitting method[J]. Energy & Fuels, 2013, 27(12): 7730-7753.
[22] Cuoci A, Frassoldati A, Faravelli T, et al. A computational tool for the detailed kinetic modeling of laminar flames: application to C2H4/CH4 coflow flames[J]. Combustion and Flame, 2013, 160(5): 870-886.
[23] Cuoci A, Frassoldati A, Faravelli T, et al. OpenSMOKE++: an object-oriented framework for the numerical modeling of reactive systems with detailed kinetic mechanisms[J]. Computer Physics Communications, 2015, 192: 237-264.
[24] KramerO. Machine learning for evolution strategies[M]. Cham: Springer International Publishing, 2016.
[25] Kingma DP, Ba J. Adam: a method for stochastic optimization[EB/OL].2014: arXiv:1412. 6980[2020-07-16]. https:∥arxiv.org/abs/1412. 6980.
Article Outline
张倚成, 韩永康, 周亚, 任涛, 刘训臣. 基于机器学习对火焰温度场和CO2浓度场的同步重建[J]. 光学学报, 2020, 40(23): 2312003. Yicheng Zhang, Yongkang Han, Ya Zhou, Tao Ren, Xunchen Liu. Machine-Learning-Based Reconstruction of Flame Temperature and CO2 Concentration Fields[J]. Acta Optica Sinica, 2020, 40(23): 2312003.