论文笔记1 | 使用CTC对湍流工业火焰进行瞬时三维重建

 3D Instantaneous Reconstruction of Turbulent Induatrial Flames Using Computed Tomography of Chemiluminescence (CTC)

1. 文章基本信息

期刊:Journal of Combustion(分区未知,letpub未搜到)

作者:A.Unterberger, M.Röder, A.Giese A.Al-Halbouni, A.Kempf, and K.Mohri

机构:

        

时间:

        

摘要:

        

         使用CTC对高功率工业火焰进行瞬时三维成像。

获取链接:5373829.pdf (hindawi.com)

2. 文章内容

2.1 文章架构

文章分为5个章节,分别为:

1)介绍

2)The CTC Technique

3)The experimental Setup

4)3D Instantaneous Reconstructions of the Flame

5)Conclusions

2.2 Introduction(介绍)

       化石燃料是当今发电的主要能源,并在未来几十年也会如此。然而传统的煤燃烧伴随有害污染,干扰我们的环境,并导致全球变暖。因此,人们为了开发更清洁、更有效的煤燃烧技术,投入了非常多的科学努力及投资。本文针对相关火焰开发了一种先进的监控技术,这些火焰通常是湍流的、不稳定的三维火焰。火焰瞬时三维数据是获取火焰深入信息的关键,这些信息将有助优化煤的燃烧效率,这些信息包括火焰形状、扩张、不稳定性等非常重要的信息。

       非侵入式火焰诊断技术,例如目前存在的基于激光的方法,该方法最初是为了提供平面信息被开发出来的。原则上使用高速相机、激光,以及旋转的反射镜等复杂设备从多次瞬时光片测量可以获得种类及温度的时间分辨率的3D信息[1,2],但是这种方法非常昂贵并且具有挑战性。另一方面,CTC技术[3,4]使用较为简单并且便宜的设备可以直接计算火焰形状的瞬时时空信息。CTC利用了火焰发光的特点,不需要提供额外的光源。因为发光发生在靠近反应区的区域,重建的3D发光场可以展示出火焰传播、褶皱、火焰方向、漩涡分解、喷气旋进、再流通,以及局部淬火等重要的几何形状。原则上,CTC可以用于任何种类的排放测量,例如火焰中加热后的烟尘颗粒的排放[5]。迄今为止,我们对气体火焰的关注阐释了CTC的能力,并准备将该技术应用于燃煤燃烧,其中加热煤颗粒的排放将用于体积火焰重建[6]。 

       Floyd第一次将CTC用于瞬时气体火焰光学发光场的重建[7],并且使用commodity camera(此处不会翻译)进行了验证。它最初使用了仿真模型进行了测试(仿真模型为已知场,用于和重建场进行对比以进行重建质量分析)。[8]使用一个相机对一个稳定的火焰进行旋转拍摄,[3]利用镜子捕获了10张火焰化学发光图。

       我们使用24台价格便宜、重量轻的黑白CCD相机搭建了实验装置,用于将CTC应用于不同的火焰,实验装置如图1所示。首先将其应用于准稳态[9]、不稳定[10]的本生火焰,以及作者研究机构中的湍流漩涡焰[4]。为了展示该技术在目前阶段的通用性,作者将该装置带到了Essen的GWI重建出了来自高功率工业燃烧器(that was made optically accessible)的火焰化学发光场。使用了三天的时间完成了设备的安装,以及火焰的重建,火焰形状如论文中所示。

2.3 The CTC TechniqueCTC技术)

        CTC使用绕物体不同视角拍摄的图像直接计算出瞬时3D化学发光场。

        假设一幅图像的总像素个数为Npix,视角个数为Ncam。相机像素所检测出的谱密度与穿过目标体积光路所发出光的总和相关。该理论基于基本辐射传递方程(radiative transfer equation, RTE),将沿光路辐射强度的变化和局部吸收、体积发射关联起来[11,12]。CTC忽略了散射和重吸收,简化了RTE。

       公式(1)表示了投影过程,其中投影测量被近似为穿过3D场的有限和;火焰的光学3D场被离散为个体素; 表示每个体素v在视角q下对像素p的贡献;为被重建的离散场。

       CTC基于迭代代数重建算法(Algebraic Reconstruction Technique, ART)[13]。通过简单的光线追踪对相机光学进行建模,使用非平行光线来解释透视效果。光线作为焦距的函数散开,覆盖了大块的体积,并作为焦深的函数聚焦在焦面上(This means that the rays fan out as a function of focal length and cover a large volume focused in the focal plane as a function of focal depth)(本人对于此处翻译不是很自信),因此需要直接进行3D重建,而不是2D堆叠重建。投影光线还考虑了模糊效果,以解决有限的景深。对于整个重建过程,测量到的投影和由当前迭代所重建的的场的等效投影进行了对比,h代表当前迭代步骤。当场向量和的绝对差异小于阈值时,重建收敛。通常在之间。该算法深入信息以及初始的广义参数仿真研究在[3,7,8]中。

2.4 The Experimental Setup(实验装置)

1. 测试条件

       燃烧器:标准工业燃烧器

       喷嘴:陶瓷喷嘴,直径D=65mm,长L=300mm。

       预混气体:90%天然气,10%空气。(陶瓷喷嘴内实现预混)

       火焰功率:83kW和105kW。

       完整的测试条件如表1所示:

                ∅:当量比

                VCH4Vair:甲烷和空气的体积流量

                Re:雷诺数

                texp:相机曝光时间

                P:火焰热功率

2. 设备安装

     相机数量为24(Basler acA645-100gm containing a 0.5'' Sony ICX414 monochrome sensor, 659 by 494 pixels of size 9.9 * 9.9μm)。被等角度间隔安装在一个平面上,角度间隔为7.5°。预设孔在离燃烧器固定距离,使用上述角度分离用于相机安装。背照式针孔被安装在一个旋转台上,被放置在燃烧器的位置上,测量精度为0.5°,被放置在燃烧器的位置上。第一个相机清晰成像,再以7.5°为间隔安置其他的相机(Camera alignment was achieved by first lining the point light onto camera 1 and consecutively rotating it by 7.5°to point to the rest of the cameras.)(此处翻译不太自信每次都要调整相关相机,以确保光点的图像落在相机图像的中心像素上。相机对齐方法的充分性在论文[4]中。

       相机的光谱响应(>60%)大约在400nm到680nm之间(The spectral response of the cameras, at > 60%, is between about 400 nm and 680 nm.)。实验使用了科瓦C型镜头,其焦距为12mm。每个相机都装有一个光学滤波器(Schott BG40)以消除对热水的检测,热水会发出近红外和红外光。这些图像是通过捕获激发物质的发射信号获得的,比较突出的信号为CH*(约 430 nm)、C2*(约 515 nm)和宽带 CO2*。图2显示了照相机的光谱响应和所使用滤波器的传输曲线。通过两个连接到控制和评估计算机的以太网交换机(Gigabit smart TL-SG2424P),一个触发信号被送到所有的相机,所有相机同时进行图像读取。本次所使用的成像装置和论文[4]中重建湍流涡流火焰所使用的装置相同。

       降低曝光时间可以最大程度减少运动模糊,从而解析出更清晰的火焰结构。光圈被设置为最大开口尺寸,f/1.4,曝光时间被设置为0.1ms。火焰测试后可以直接获得背景信号图像,即没有火焰的场景。从火焰图像中减去背景图像的像素强度可以达到背景校正。

2.5 3D Instantaneous Reconstruction of the Flame(火焰的三维瞬时重建)

       火焰的24个视角都被用于重建。火焰图像的分辨率为0.8mm,大小为164*168 pixels。3D重建区域的大小为164*164*168 voxels,如图3所示。

        一个瞬时不同角度的火焰图像如图4所示。

       如图5所示,重建火焰的体积渲染图和等值面揭示了下游火焰的大型脱落。从与任何原始视角都不重合的角度观察火焰很重要,因为原始视角会偏向于更好的重建质量。

       重建场的不同高度处的水平切片以及垂直切片分别显示在图6和图7中。同时提供了瞬时和平均时间的数据(平均值由100个瞬时图像计算得到)。因为只从垂直方向向算法提供了信息,所以检查重建场的水平切片是一项非常严格的测试。由图6中的切片可以看出本文算法具有较好的重建质量,因为切片中并未出现低质量CTC结果中的伪影(穿过主要区域的平行线)。瞬时切片展示出离燃烧器出口处非常近的火焰高度起皱。平均火焰重建结果显示出预期中的光滑形状,但是因为火焰非常不稳定,所以使用超过100张瞬时图像才可以产生出一个完全对称的场。

最后结语:

       本人英语并不是很好,翻译不太准确的地方,欢迎大家在评论区交流呦!

参考文献:

[1] B. Peterson, E. Baum, B. B¨ohm, V. Sick, and A. Dreizler, “High-speed PIV and LIF imaging of temperature stratification in an internal combustion engine,” Proceedings of the Combustion
Institute , vol. 34, no. 2, pp. 3653–3660, 2013.
[2] K. Y. Cho, A. Satija, T. L. Pourpoint, S. F. Son, and R. P. Lucht, “High-repetition-rate three-dimensional OH imaging using scanned planar laser-induced (uorescence system for
multiphase combustion,” Applied Optics , vol. 53, no. 3, p. 316, 2014.
[3] J. Floyd, P. Geipel, and A. M. Kempf, “Computed Tomography of Chemiluminescence (CTC): instantaneous 3D measurements and Phantom studies of a turbulent opposed jet (ame,” Com-
bustion and Flame , vol. 158, no. 2, pp. 376–391, 2011.
[4] K. Mohri, S. G¨oers, J. Sch¨oler et al., “Instantaneous 3D imaging of highly turbulent (ames using computed tomography of chemiluminescence,” Applied Optics , vol. 56, no. 26, pp. 7385–
7395, 2017.
[5] M. M. Hossain, G. Lu, D. Sun, and Y. Yan, “free-dimensional reconstruction of (ame temperature and emissivity distribution using optical tomographic and two-colour pyrometric techniques,” Measurement Science and Technology , vol. 24, no. 7, Article ID 074010, 2013.
[6] Y. Yan, T. Qiu, G. Lu, M. M. Hossain, G. Gilabert, and S. Liu, “Recent advances in (ame tomography,” Chinese Journal of Chemical Engineering , vol. 20, no. 2, pp. 389–399, 2012.
[7] Floyd, J., Computed tomography of chemiluminescence: a 3D time resolved sensor for turbulent combustion . 2009, Imperial College London.
[8] J. Floyd and A. M. Kempf, “Computed Tomography of Chemiluminescence (CTC): high resolution and instantaneous 3-D measurements of a matrix burner,” Proceedings of the Combus tion Institute , vol. 33, no. 1, pp. 751–758, 2011.
[9] K. Mohri and A. Kempf, “Computed tomography of chemiluminescence for 3D reconstructions of quasi-steady premixed flames,” in in Combustion Institute (British section) meeting, talk
and poster , London, Imperial College, 2014.
[10] K. Mohri and A. Kempf, “Computed tomography of chemiluminescence in asymmetric unsteady premixed flames,” in 27th Deutscher Flammentag , VDI-Berichte Nr. 2267, Clausthal-
Zellerfeld, 2015.
[11] J. R. Howell, R. Siegel, and M. P. Meng¨uc, Th ermal radiation heat transfer , CRC Press, Taylor & Francis Group, Boca Raton, Florida, USA, 5 edition, 2010.
[12] K. J. Daun, S. J. Grauer, and P. J. Hadwin, “Chemical species tomography of turbulent (ows: Discrete ill-posed and rank deficient problems and the use of prior information,” Journal
of Quantitative Spectroscopy & Radiative Transfer , vol. 172, pp. 58–74, 2016.
[13] R. Gordon, “A tutorial on art (algebraic reconstruction techniques),” IEEE Transactions on Nuclear Science , vol. 21, no. 3, pp. 78–93, 1974.

  • 1
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
CTC(Connectionist Temporal Classification)是一种用于序列分类问题的损失函数。在自然语言处理中,通常用于语音识别或文本识别任务中。CTC loss 的优点在于可以通过无需对齐标签数据进行训练,从而避免了手动标注数据的繁琐过程。 在使用 Keras 的 `model.compile` 函数时,可以通过设置 `loss` 参数为 `ctc_loss` 来使用 CTC loss。例如: ``` from keras import backend as K from keras.layers import Input, Dense, Activation, Conv2D, Reshape, Lambda from keras.models import Model # 定义输入和输出 inputs = Input(shape=(None, 40, 1)) conv1 = Conv2D(32, (3,3), activation='relu', padding='same')(inputs) conv2 = Conv2D(64, (3,3), activation='relu', padding='same')(conv1) conv3 = Conv2D(128, (3,3), activation='relu', padding='same')(conv2) reshape = Reshape((-1, 128))(conv3) dense1 = Dense(64, activation='relu')(reshape) dense2 = Dense(10, activation='softmax')(dense1) # 定义 CTC loss 函数 def ctc_lambda_func(args): y_pred, labels, input_length, label_length = args y_pred = y_pred[:, 2:, :] return K.ctc_batch_cost(labels, y_pred, input_length, label_length) labels = Input(name='the_labels', shape=[None], dtype='float32') input_length = Input(name='input_length', shape=[1], dtype='int64') label_length = Input(name='label_length', shape=[1], dtype='int64') loss_out = Lambda(ctc_lambda_func, output_shape=(1,), name='ctc')([dense2, labels, input_length, label_length]) # 定义模型 model = Model(inputs=[inputs, labels, input_length, label_length], outputs=[loss_out]) model.compile(loss={'ctc': lambda y_true, y_pred: y_pred}, optimizer='adam') ``` 在上述代码中,我们首先定义了一个简单的卷积神经网络模型。然后,我们定义了 CTC loss 函数 `ctc_lambda_func`,该函数接受四个参数:模型预测结果(`y_pred`)、标签数据(`labels`)、输入序列长度(`input_length`)和标签序列长度(`label_length`)。最后,我们将模型的输入和输出定义为包括标签数据和序列长度信息的张量,使用 `model.compile` 函数进行编译,并将损失函数设置为 `{'ctc': lambda y_true, y_pred: y_pred}`,其中 `ctc` 是我们在上面定义的损失函数名称。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值