概括
这项研究使用深度学习来预测来自 femtosecond激光诱导格散射 (fs-LIGS) 信号的燃烧温度和压力. 该CNN-BiLSTM模型显示了准确的最佳性能,实时燃烧诊断.
科学领域:
- 燃烧诊断仪器的使用
- 基于激光的测量方法
- 机器学习应用程序 机器学习应用程序
背景情况:
- 五秒激光诱导格子散射 (fs-LIGS) 是燃烧流场分析的一个关键技术.
- 准确的温度和压力测量对于了解燃烧过程至关重要.
研究的目的:
- 调查四种深度学习架构的有效性,用于从fs-LIGS信号同时预测气相温度和压力.
- 为了比较完全连接的神经网络 (FCNN),卷积神经网络 (CNN),双向长期短期记忆网络 (BiLSTM) 和混合CNN-BiLSTM模型的性能.
主要方法:
- 原始fs-LIGS信号被用作深度学习模型的输入.
- 训练和评估了四种不同的深度学习架构:FCNN,CNN,BiLSTM和CNN-BiLSTM.
- 模型的性能是根据预测准确性,交叉验证稳定性和趋同率进行评估的.
主要成果:
- 所有研究的深度学习架构都在预测温度和压力方面取得了很高的准确性.
- 温度的平均百分比误差在3.94%至0.32%之间,压力在0.26%至1.09%之间.
- CNN-BiLSTM模型的整体性能优越,预测准确性和稳定性更好.
结论:
- 深度学习模型,特别是CNN-BiLSTM架构,对于使用fs-LIGS数据同时预测温度和压力非常有效.
- 整合这些人工智能方法为实时,多参数燃烧诊断提供了一个新的框架.
- 基于LSTM的结构对温度和压力测量具有更好的适应性.
