基于人工神經(jīng)網(wǎng)絡(luò)的MILD 燃燒區(qū)域識別

謝 凡，魯 昊，馬天順

(華中科技大學(xué)能源與動力工程學(xué)院，武漢 430074)

準(zhǔn)確地進(jìn)行燃燒區(qū)域識別或劃分對于研究湍流燃燒的燃燒特性、傳熱傳質(zhì)，以及湍流與燃燒的相互作用等問題來說具有重要意義.然而，這很難在瞬態(tài)湍流燃燒場中進(jìn)行.現(xiàn)有的燃燒區(qū)域識別方法可大致分為兩類：一種是以平面激光誘導(dǎo)熒光(planar laser induced fluorescence，PLIF)技術(shù)為代表的，將燃燒產(chǎn)物的分布成像，以此得到火焰結(jié)構(gòu)的方法.如Li等[1]將PLIF 應(yīng)用于研究湍流預(yù)混甲烷/空氣噴射火焰的局部火焰前端結(jié)構(gòu)，同時記錄了CH、CH2O 以及OH 的PLIF 圖像，發(fā)現(xiàn)CH 自由基只存在于一個薄層中，CH2O 存在于火焰內(nèi)部，OH 自由基存在于火焰外部，CH 層將OH 和CH2O 層分開；Zhou 等[2]將PLIF 應(yīng)用于一系列預(yù)混湍流甲烷/空氣噴射火焰，選擇不同的3 種標(biāo)量進(jìn)行了研究，CH2O 提供對預(yù)熱區(qū)的測量，CH/HCO 是對反應(yīng)區(qū)內(nèi)層的測量，OH 是對氧化區(qū)的測量.賴安卿等[3]應(yīng)用圖像FFT 方法，捕捉了振蕩燃燒環(huán)境下火焰的主要脈動特征.這種將火焰成像的方法只能測量少數(shù)組分，在測量時還會受其他組分或者環(huán)境因素的影響，因此在實(shí)際使用中不確定性較大.

另一種是以數(shù)值模擬得到的數(shù)據(jù)為依據(jù)，人為制定識別燃燒區(qū)域準(zhǔn)則的方法.如Kerkemeier[4]對湍流非預(yù)混火焰進(jìn)行直接數(shù)值模擬時，認(rèn)為預(yù)混燃燒的火焰面出現(xiàn)在OH 的質(zhì)量分?jǐn)?shù)大于10-4的區(qū)域；Hasret等[5]在計(jì)算湍流分層火焰時，認(rèn)為火焰面出現(xiàn)在溫度擾動的極大值處.這種人為制定識別準(zhǔn)則的方法，帶有較大的主觀性，且選擇的組分單一，難以客觀、準(zhǔn)確地識別燃燒區(qū)域.

除此之外，Hartl 等[6]利用一維Raman/Rayleigh對多模式燃燒器的甲烷-空氣湍流火焰的溫度和主要組分濃度進(jìn)行了測量，并基于當(dāng)?shù)仡A(yù)混和非預(yù)混反應(yīng)區(qū)相關(guān)的局部熱釋放率峰值的比率，來定義不同的燃燒狀態(tài).值得注意的是，Wan 等[7]利用卷積神經(jīng)網(wǎng)絡(luò)(CNN)對Hartl 等[6]的實(shí)驗(yàn)數(shù)據(jù)(H2，O2，CO，CO2，CH4，H2O，N2的質(zhì)量分?jǐn)?shù)和溫度共7 維特征)進(jìn)行訓(xùn)練，來預(yù)測該工況中的燃燒狀態(tài)，其準(zhǔn)確率在85%左右.陳培豪等[8]采用Adaboost 算法對運(yùn)動圖像進(jìn)行疑似火災(zāi)區(qū)域提取，采用神經(jīng)網(wǎng)絡(luò)MobileNetv3 進(jìn)行火災(zāi)識別，平均準(zhǔn)確率可達(dá)98.1%.可見，引入神經(jīng)網(wǎng)絡(luò)，收集特征進(jìn)行訓(xùn)練的方法是有效的，這也為燃燒區(qū)域識別這一問題提供了新的思路.

本研究將以在熱伴流射流(jet-in-hot-coflow，JHC)條件下的湍流 MILD 燃燒典型工況HM1[9]為對象，在對其進(jìn)行數(shù)值模擬的基礎(chǔ)上，使用K-means聚類算法對燃燒場的區(qū)域進(jìn)行劃分，并將分類結(jié)果作為標(biāo)簽提供給人工神經(jīng)網(wǎng)絡(luò)，然后選擇不同的特征進(jìn)行訓(xùn)練，以此來預(yù)測燃燒區(qū)域.與Wan 等人的工作相比，本研究的數(shù)據(jù)源于數(shù)值模擬，因此可以得到全流場的數(shù)據(jù)，避免了他們的實(shí)驗(yàn)中只能測量特定位置數(shù)據(jù)的不足；而且與他們選定了7 維特征相比，本研究討論了選擇不同種類和維數(shù)的特征對結(jié)果的影響，在將燃燒區(qū)域識別準(zhǔn)確率提高到97%以上的同時，減少了選用特征的維數(shù)，這對于實(shí)際應(yīng)用更具參考意義.

1 研究方法

1.1 數(shù)值燃燒模擬

本研究采用的MILD 燃燒模擬工況是Dally 等[9]開展的JHC 條件下的HM1 實(shí)驗(yàn)工況.該實(shí)驗(yàn)裝置外形為環(huán)形柱狀，內(nèi)徑4.25 mm，外徑82 mm.由質(zhì)量分?jǐn)?shù)為80%的CH4和20%的H2組成的燃料，從中心孔以73.5 m/s 的平均速度噴射入裝置，雷諾數(shù)為9 482，初始溫度為305 K.熱伴流由質(zhì)量分?jǐn)?shù)為3%的O2、6.5%的H2O、5.5%的CO2和85%的N2組成，從孔外的環(huán)形區(qū)噴射入裝置，平均溫度為1 300 K；最外層為常溫空氣，溫度為300 K；熱伴流和常溫空氣的平均速度為3.2 m/s.

采用GRI-Mech2.11 機(jī)理，該機(jī)理包含了48 種組分.根據(jù)Lu 等[10]的高精度非線性大渦模擬方法，對該工況進(jìn)行數(shù)值模擬.

1.2 聚類分類

聚類分析是將研究對象分為相對同質(zhì)的類別的統(tǒng)計(jì)分析技術(shù).在分類的過程中，不必人為提供標(biāo)準(zhǔn)，聚類分析能根據(jù)樣本數(shù)據(jù)的特征，進(jìn)行自動分類.其中，K-means 聚類算法容易實(shí)施、簡單、高效，目前仍然是應(yīng)用最廣泛的劃分聚類算法之一[11].

本研究將利用K-means 聚類算法，對燃燒場區(qū)域進(jìn)行劃分，為ANN 提供訓(xùn)練的標(biāo)簽.

1.3 人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)是一個模擬人類神經(jīng)結(jié)構(gòu)的機(jī)器學(xué)習(xí)算法[12]，它既可以應(yīng)用于回歸問題，也可以應(yīng)用于分類問題.

在ANN 的實(shí)際應(yīng)用中，最常用的是反向傳播(back propagation，BP)算法及其變化形式，本研究也將使用該算法.BP 算法是一種有監(jiān)督式的學(xué)習(xí)算法，它的思想是，先通過鏈?zhǔn)椒▌t遞歸地計(jì)算目標(biāo)函數(shù)對每一個神經(jīng)元的輸出值的梯度，然后再次用鏈?zhǔn)椒▌t計(jì)算邊上的權(quán)重參數(shù)的梯度.具體過程包括[13]：①輸入給定的訓(xùn)練數(shù)據(jù)集，計(jì)算網(wǎng)絡(luò)的輸出值，并將其與期望值進(jìn)行比較的正向傳播過程；② 計(jì)算同一層單元的誤差，修正網(wǎng)絡(luò)參數(shù)的反向傳播過程；③正向、反向傳播反復(fù)進(jìn)行的網(wǎng)絡(luò)訓(xùn)練過程；④ 網(wǎng)絡(luò)的總體誤差趨向極小值的收斂過程.

本研究借助開源機(jī)器學(xué)習(xí)平臺TensorFlow 來開發(fā)和訓(xùn)練模型.

2 研究過程

2.1 聚類分類

根據(jù)馬天順等[11]的研究，截取HM1 工況0～140 mm 高度，主要為MILD 燃燒區(qū)域的數(shù)據(jù).應(yīng)用K-means 聚類算法，選取所有組分的質(zhì)量分?jǐn)?shù)和溫度共49 維特征，對燃燒區(qū)域進(jìn)行分類.

導(dǎo)出兩個時刻下的數(shù)據(jù)集X 和Y，圖1 為對數(shù)據(jù)集X、數(shù)據(jù)集Y 分別進(jìn)行聚類分類，分類數(shù)設(shè)置為5，得到的同一橫截面(高度為140 mm)和同一中心縱截面的結(jié)果.

圖1 聚類分類結(jié)果Fig.1 Clustering classification results

由外向內(nèi)，從第0 至第4 類，共被分為5 類，即5個燃燒區(qū)域，依次是不參與反應(yīng)的常溫空氣區(qū)、熱伴流區(qū)、燃燒主要發(fā)生的火焰面、預(yù)熱區(qū)和中心燃料區(qū).

2.2 初步ANN識別

依據(jù)BP 算法搭建ANN.

網(wǎng)絡(luò)結(jié)構(gòu)為全連接神經(jīng)網(wǎng)絡(luò)Dense 層，激活函數(shù)選用Softmax 函數(shù)，使多分類的輸出數(shù)值轉(zhuǎn)化為相對概率：

其中，yi為第i 個節(jié)點(diǎn)的輸出值，C 為輸出節(jié)點(diǎn)的個數(shù).

訓(xùn)練時，優(yōu)化器選用Adam，評測指標(biāo)為準(zhǔn)確率，損失函數(shù)選用交叉熵?fù)p失函數(shù)：

其中，y 表示準(zhǔn)確的概率分布，y*表示預(yù)測結(jié)果的概率分布.

以數(shù)據(jù)集X 為訓(xùn)練集，數(shù)據(jù)集Y 為測試和預(yù)測集.利用搭建完成的ANN，學(xué)習(xí)訓(xùn)練集X 的聚類分類結(jié)果，并預(yù)測測試和預(yù)測集Y 的燃燒區(qū)域.

將聚類分類結(jié)果的5 類作為標(biāo)簽，根據(jù)特征的分布云圖，初步選取易通過儀器測量的重要組分——CH4、CH2O、CO、OH 的質(zhì)量分?jǐn)?shù)和溫度共5 維特征進(jìn)行識別.訓(xùn)練、預(yù)測的準(zhǔn)確率及損失函數(shù)如圖2 所示，其中預(yù)測準(zhǔn)確率為98.72%，預(yù)測結(jié)果如圖3 所示.

圖2 準(zhǔn)確率及損失函數(shù)Fig.2 Accuracy and loss function

圖3 5維特征預(yù)測結(jié)果Fig.3 5-D feature prediction results

結(jié)果顯示：以CH4、CH2O、CO、OH 和T 為特征時，燃燒區(qū)域預(yù)測的準(zhǔn)確率達(dá)98.72%.可見，這5 維特征可以在很大程度上代表燃燒區(qū)域.

為了進(jìn)一步探尋能用來識別燃燒區(qū)域的最基本特征，下面將減少特征維數(shù)進(jìn)行研究.

2.3 最少特征識別

2.3.1 4 維特征

減少1 維特征，依次以缺少CH4、缺少CH2O、缺少CO、缺少OH 或缺少T 的4 維特征進(jìn)行識別，以此來分辨特征的必需性，預(yù)測準(zhǔn)確率見圖4，預(yù)測結(jié)果見圖5 所示.

圖4 4維特征預(yù)測準(zhǔn)確率Fig.4 4-D feature prediction accuracy

圖5 4維特征預(yù)測結(jié)果Fig.5 4-D feature prediction results

結(jié)果顯示：當(dāng)缺少CH4時，燃燒區(qū)域預(yù)測的準(zhǔn)確率為95.98%，發(fā)生明顯下降，且可以注意到，此時的中心燃料區(qū)內(nèi)有一部分被誤識別為其他區(qū)域.

當(dāng)缺少CH2O、CO 或OH 時，燃燒區(qū)域預(yù)測的準(zhǔn)確率均在97.50%以上，仍保持較高水平，區(qū)域劃分及火焰形態(tài)存在細(xì)微不同，但都比較準(zhǔn)確.

當(dāng)缺少T 時，燃燒區(qū)域預(yù)測的準(zhǔn)確率驟降至80.27%，此時難以區(qū)分常溫空氣區(qū)與熱伴流區(qū)，但不影響對火焰面、預(yù)熱區(qū)和中心燃料區(qū)的預(yù)測.

可見，以CH4為特征，可以識別中心燃料區(qū)；以T 為特征，可以識別常溫空氣區(qū)與熱伴流區(qū)的分界面，這兩者在燃燒區(qū)域預(yù)測上是必需的.

2.3.2 3 維特征

繼續(xù)減少1 維特征，CH4和T 為必需特征，依次以加入CH2O、CO 或OH 的3 維特征進(jìn)行識別，預(yù)測準(zhǔn)確率如圖6 所示，預(yù)測結(jié)果如圖7 所示.

圖6 3維特征預(yù)測準(zhǔn)確率Fig.6 3-D feature prediction accuracy

圖7 3維特征預(yù)測結(jié)果Fig.7 3-D feature prediction results

結(jié)果顯示，以3 維特征進(jìn)行識別，燃燒區(qū)域預(yù)測仍較準(zhǔn)確，選擇CO 時，準(zhǔn)確率較高，為98.45%；選擇CH2O 或OH 時，準(zhǔn)確率有所下降，分別為97.30%和97.55%.

2.3.3 2 維特征

繼續(xù)減少1 維特征，以CH4和T 這2 維必需特征進(jìn)行識別，預(yù)測準(zhǔn)確率為97.29%，預(yù)測結(jié)果如圖8所示.

圖8 2維特征預(yù)測結(jié)果Fig.8 2-D feature prediction results

結(jié)果顯示，以CH4和T 為特征進(jìn)行識別時，燃燒區(qū)域預(yù)測的準(zhǔn)確率為97.29%，與以CH4、T、CH2O 這3 維特征識別的準(zhǔn)確率97.30%非常接近，整體上保持了較高的準(zhǔn)確率.此時，誤識別主要發(fā)生在火焰面上的幾塊小區(qū)域.

可見，憑借CH4和T 這2 維特征，便可以完成較為準(zhǔn)確的燃燒區(qū)域識別，CO 和OH 可以提高在火焰面上的識別準(zhǔn)確率，而CH2O 對燃燒區(qū)域識別的準(zhǔn)確率幾乎沒有影響.

2.3.4 1 維特征

繼續(xù)減少1 維特征，依次以CH4、CH2O、CO、OH 或T 僅1 維特征進(jìn)行識別，預(yù)測準(zhǔn)確率如圖9 所示，預(yù)測結(jié)果如圖10 所示.其中，以CH2O 為特征時，所有區(qū)域被識別為第0 類，無法進(jìn)行預(yù)測.

圖9 1維特征預(yù)測準(zhǔn)確率Fig.9 1-D feature prediction accuracy

圖10 1維特征預(yù)測結(jié)果Fig.10 1-D feature prediction results

結(jié)果顯示，以CH4為特征，可以識別中心燃料區(qū)與預(yù)熱區(qū)的分界面，以及預(yù)熱區(qū)與火焰面內(nèi)側(cè)的分界面；以CO 為特征，可以識別火焰面外側(cè)與熱伴流的分界面；以T 為特征，可以識別常溫空氣區(qū)與熱伴流區(qū)的分界面；以O(shè)H 為特征，雖然無法正確劃分各區(qū)域，但識別出了某些分界面的位置和形狀；以CH2O為特征，對燃燒區(qū)域識別沒有效果.

3 結(jié)果分析

在上一節(jié)中，搭建了ANN，應(yīng)用BP 算法對燃燒區(qū)域聚類分類的結(jié)果進(jìn)行學(xué)習(xí).通過調(diào)整特征種類并逐步減少維數(shù)，在保證高準(zhǔn)確率的前提下，將維數(shù)減少至2 維.

當(dāng)以較少維數(shù)的特征進(jìn)行識別時，雖然準(zhǔn)確率高，但其誤識別發(fā)生在了最值得關(guān)注的火焰面上.為了研究火焰面識別結(jié)果是否可靠，下面將對比以49維聚類的火焰面，基于ANN 以2 維、3 維、4 維、5 維以及49 維特征識別出的火焰面，并比較相關(guān)系數(shù).

利用相關(guān)系數(shù)來判斷結(jié)果的相關(guān)性，相關(guān)系數(shù)計(jì)算方法如下：

ANN 不同特征維數(shù)識別與聚類識別結(jié)果的相關(guān)系數(shù)如圖11 所示，火焰面識別結(jié)果對比如圖12所示.

圖11 ANN 不同特征維數(shù)識別與聚類識別結(jié)果的相關(guān)系數(shù)Fig.11 Correlation coefficients between ANN recognition of different feature dimensions and clustering results

圖12 火焰面識別結(jié)果對比Fig.12 Comparison of flame surface recognition results

可見，通過ANN 識別出的火焰面與聚類算法得到的火焰面，在整體形態(tài)上非常相似.即使以2 維特征進(jìn)行識別時，ANN 與聚類結(jié)果的火焰面相關(guān)系數(shù)也在0.7 以上，可以認(rèn)為二者高度相關(guān).在逐漸增加特征維數(shù)時，可以進(jìn)一步提高火焰面的相關(guān)系數(shù)，火焰面的細(xì)節(jié)得到優(yōu)化，形態(tài)也越來越接近.

通過上述研究，可以發(fā)現(xiàn)：①憑借CH4和T 這2維特征，便可以完成較高準(zhǔn)確率的燃燒區(qū)域識別，但在火焰面上的識別存在細(xì)小問題；②當(dāng)以CO、OH 為特征時，對燃燒區(qū)域識別準(zhǔn)確率有了一定程度的提高，這主要體現(xiàn)在火焰面上，而以CH2O 為特征時，對準(zhǔn)確率的提高沒有幫助；③火焰面的準(zhǔn)確識別，相比于其他區(qū)域來說，需要提供更多維數(shù)的特征.

4 結(jié)論及展望

本研究對MILD 燃燒的HM1 工況大渦模擬數(shù)據(jù)進(jìn)行了基于ANN 的燃燒區(qū)域識別，得到以下結(jié)論：

(1) 將ANN 應(yīng)用于燃燒區(qū)域識別是可行的，且在不同維數(shù)的特征下都可以進(jìn)行識別，只需燃燒空間某點(diǎn)的極少數(shù)特征，如某些組分質(zhì)量分?jǐn)?shù)、溫度等，即可識別出該點(diǎn)屬于燃燒的哪一區(qū)域.

(2) 在HM1 中，憑借CH4和T 這2 維特征，便可以完成較高準(zhǔn)確率的燃燒區(qū)域識別，但在火焰面上的識別存在細(xì)小問題，加入更多維數(shù)的特征，能夠使火焰面的識別變得更加精細(xì).

(3) 與以往學(xué)者如Wan 等人的工作相比，基于ANN 的燃燒區(qū)域識別所需的特征數(shù)更少，可根據(jù)具體工況靈活選擇維數(shù)，而不必完整收集7 維數(shù)據(jù).在減小數(shù)據(jù)收集難度的同時，提高了識別準(zhǔn)確率，因此該方法更適合在實(shí)際生活、實(shí)際工業(yè)中使用.舉例如下：在易燃區(qū)域加裝某些實(shí)時測量重要特征(CO、OH、T 等)的儀器，進(jìn)行燃燒實(shí)驗(yàn)測量，提取數(shù)據(jù)給識別系統(tǒng)，用于訓(xùn)練學(xué)習(xí)，一旦著火，識別系統(tǒng)可以立刻發(fā)現(xiàn)火情，判斷燃燒的范圍和程度，并發(fā)出警報(bào)；在應(yīng)用中，尤其是如MILD 燃燒這類分布式燃燒，僅憑借肉眼和普通裝置難以尋找火焰結(jié)構(gòu)，可使用識別系統(tǒng)，準(zhǔn)確區(qū)分火焰面、預(yù)熱區(qū)、燃料區(qū)等火焰形態(tài)特征，這將有助于分析火焰的變化規(guī)律.

本研究還有一些工作尚未深入，如僅以單一燃燒工況作為研究對象，未來會將此方法推廣至其他工況；僅對固定時刻的瞬態(tài)燃燒場進(jìn)行了識別，未來將進(jìn)行持續(xù)一段時間的燃燒區(qū)域識別，以此分析不同區(qū)域的動態(tài)變化；使用的淺層ANN 依賴于監(jiān)督信息的支撐，未來可以增加神經(jīng)網(wǎng)絡(luò)層數(shù)，通過深度學(xué)習(xí)來進(jìn)行無標(biāo)簽燃燒場的區(qū)域識別，這將進(jìn)一步減少工作量.