JFM Rapids: 深度学习预测真实火焰三维演化过程
海归学者发起的公益学术平台
分享信息，整合资源
交流学术，偶尔风月
近日，上海交通大学机械与动力工程学院蔡伟伟课题组在Journal of Fluid Mechanics上以Rapids形式发表论文，介绍火焰三维演化过程在线预测的最新进展。
在题为“Online in situ prediction of 3D flame evolution from its history 2D projections via deep learning”的论文中，作者借助卷积神经网络（CNN）和长短期记忆网络（LSTM）构建了数据驱动的预测模型，首次演示了真实火焰三维结构演化的快速预测。
燃烧是自然界中最复杂的现象之一，耦合了化学反应、流动、传热等过程。因此，如何在线精准预测火焰特别是高速动态变化的湍流火焰的三维演化过程是一项极其困难的任务。近年来，随着大规模计算机集群和超级计算机的发展，计算流体力学（CFD）取得了长足的进步，已广泛应用于真实环境下各种复杂流场的模拟研究。然而，由于计算量过于巨大，目前最为先进的CFD技术如直接数值模拟（DNS）仍无法实现火焰演化过程的在线精确预测。为此，黄建青等通过结合实验技术的最新进展（即单相机高速三维层析技术）和深度学习算法，提出了全新的火焰演化预测方法，仅根据相机拍摄的火焰二维图像即可预测未来某一时刻的火焰三维结构。概念性验证实验表明，使用普通GPU服务器即可实现典型的层流扩散火焰和非预混旋流火焰三维演化过程的快速精确预测，处理时间仅需毫秒量级。通过增加GPU数量或实现并行计算，预测所需时间可进一步缩短，证明了火焰三维演化过程实时预测的可行性。
如图一所示，论文首先介绍了如何借助单相机高速三维层析技术（Volumetric Tomography，VT）获得大量的样本构建数据集。该实验系统借助一台高速CMOS相机和一根多探头的内窥镜同时在九个方向采集火焰在一段时间内的照片，如10秒内采集10000张照片，再根据层析的原理重建火焰的三维结构。这样即获得了包含10000个样本的数据集，每个样本包含一张二维的火焰照片以及所对应的三维火焰结构。取该样本集中的前8000个样本用于训练CNN-LSTM预测模型（如图二所示）。该模型通过CNN提取照片中火焰的特征，同时采用LSTM来预测火焰特征的演化，最终将所预测的火焰特征映射至火焰的三维结构，由此实现火焰三维结构的预测。
图一：VT实验系统示意图。
图二：CNN-LSTM火焰预测模型原理图。对于训练好的模型，输入一小段连续的火焰二维投影照片，即可快速准确地预测出火焰在未来某一时刻的三维结构。
随后，作者进行了验证性实验，分别对典型的层流扩散火焰和预混旋流火焰的演化过程进行了预测。这两种火焰的演化特征包括了火焰高度的变化、火焰面褶皱的迁移和火焰整体的旋转等。取样本集中的后2000个样本作为测试集，通过输入连续10个毫秒的火焰照片即可预测第11个毫秒火焰的三维结构，预测效果如图三及图四所示。
图三：层流扩散火焰预测效果对比图。(a)-(c)为参考值，(d)-(f)为预测结果，(g)-(l)分别为(a)-(f)的中间切片。
图四：预混旋流火焰预测效果对比图。(a)-(c)为参考值，(d)-(f)为预测结果，(g)-(l)分别为(a)-(f)的中间切片。
为了评价该模型的预测能力，作者定义了预测范围（prediction horizon），即预测时间点和最近历史时间点的间隔Δt。例如，利用前10毫秒拍摄的火焰二维图像预测第40毫秒的火焰三维结构，则预测范围Δt为30毫秒。该论文研究了不同预测范围下（Δt=1~30 ms），CNN-LSTM模型的预测效果。为了量化预测精度，在每组实验中，分别计算了预测值和参考值之间的相关性系数（R）和均方根误差（RMSE），对应结果分别由图五中黑色和蓝色折线表示。此外，为了验证模型的有效性，取相同时间间隔下的两个火焰三维结构参考值，计算它们之间的R和RMSE，结果如图五中红色和紫色折线所示。显而易见，CNN-LSTM模型准确预测出了两种火焰在未来时刻的三维结构，每次预测仅耗时约2毫秒，具有极高的计算效率。最后，该论文还研究了噪声对预测模型的影响，结果表明此模型具有良好的抗噪性，适用于真实的测试环境。
图五：不同预测范围下的模型预测精度对比图
该技术具有广泛的应用前景：例如，通过结合控制技术可实现燃气轮机、电站锅炉等动力装置的实时优化及运行；同时，随着公共安全受到广泛关注，该技术也可用于火灾等灾害的预测与报警。
该论文第一作者为上海交通大学首届致远荣誉计划博士生黄建青，共同作者为上海交通大学叶轮机械研究所博士生刘何聪，通讯作者为蔡伟伟特别研究员。该项工作得到了国家自然科学基金（NO. 51706141）的支持。
蔡伟伟课题组欢迎本学科或者其他学科专家来信开展合作。联系人：蔡伟伟；邮箱地址：cweiwei@sjtu.edu.cn
点击左下角“阅读原文”查看论文原文。
扩展阅读
机器学习：分子动力学模拟探测原子力的新方案刘辉组用光学芯片模拟宇宙量子相变与时空"破洞"
相场模拟在预测核材料微观结构中的应用与挑战
马恩：金属玻璃和过冷液体的结构演化
本文系网易新闻·网易号“各有态度”特色内容
媒体转载联系授权请看下方