基于深度学习的乙烯层流扩散火焰温度和碳烟体积分数分布重建

摘要

利用高光谱仪对乙烯层流扩散火焰进行测量,选用多层感知器神经网络预测温度和碳烟体积分数分布,评估了模型的预测和抗噪能力,讨论了不同高度和燃料流量的火焰中温度和碳烟体积分数的分布情况.结果表明,神经网络能较为准确地重建实验火焰的温度和碳烟体积分数,并具有较强的抗噪能力;随着火焰高度的增加,碳烟体积分数峰值从两翼移向中心区域,温度趋于平缓,整体平均大小先增加后减小;随着燃料流量的降低,相同归一化高度的温度升高而碳烟体积分数降低.