论文全文 - 2025内燃机高效低碳清洁燃烧学术年会 测试技术分会
体积层析重建技术(VTRT)能够通过重建获取火焰等复杂流场的三维信息,在燃烧诊断研究及相关工程应用开发中具有重要价值,已受到众多研究人员的重视。由于传统代数重建技术(ART)存在计算成本高、重建效率低等缺点,越来越多的研究者将关注点转向基于深度学习的三维火焰诊断方案。然而,当前用于三维火焰重建的神经网络通常依赖三维火焰数据进行训练,这在实际场景中降低了其实用性。此外,兼具高计算效率与高空间分辨率的重建方法仍然是一项挑战。在本研究中,我们将可微体积渲染(DVR)的概念引入三维火焰层析重建中,并采用一个单一的全连接神经网络模型(MLP),同时重建两个具有时间相关性的三维火焰。该基于DVR的神经网络训练仅需来自多个视角下的二维火焰图像。为了验证所提方法的有效性,我们对湍流射流火焰进行了重建测试,并与传统的ART重建方法进行了对比分析。结果表明,基于可微体积渲染(DVR)的重建神经网络在重建效率和分辨率方面表现出色,在重建保真度、计算效率和内存占用方面均明显优于ART方法。
查看