[論文レビュー] CSTNet: A Dual-Branch Convolutional Network for Imaging of Reactive Flows using Chemical Species Tomography

Yunfan Jiang, Jingjing Si+5 more|arXiv (Cornell University)|Oct 8, 2020

Spectroscopy and Laser Applications参考文献 36被引用数 7

ひとこと要約

CSTNet は、化学種トモグラフィー（CST）を用いて反応性流れにおける化学種濃度と温度の高精度でリアルタイムな同時イメージングを可能にする二重ブランチ畳み込みニューラルネットワークである。CST 測定データとセンサーレイアウトを共有特徴抽出器に統合し、クロストークデカップリングされた二重ブランチを採用することで、ノイズに強く、ミリ秒レベルの推論を実現。限られたレーザービームを用いたシミュレート済みおよび実験的データの両方で検証された。

ABSTRACT

Chemical Species Tomography (CST) has been widely used for in situ imaging of critical parameters, e.g. species concentration and temperature, in reactive flows. However, even with state-of-the-art computational algorithms the method is limited due to the inherently ill-posed and rank-deficient tomographic data inversion, and by high computational cost. These issues hinder its application for real-time flow diagnosis. To address them, we present here a novel CST-based convolutional neural Network (CSTNet) for high-fidelity, rapid, and simultaneous imaging of species concentration and temperature. CSTNet introduces a shared feature extractor that incorporates the CST measurement and sensor layout into the learning network. In addition, a dual-branch architecture is proposed for image reconstruction with crosstalk decoders that automatically learn the naturally correlated distributions of species concentration and temperature. The proposed CSTNet is validated both with simulated datasets, and with measured data from real flames in experiments using an industry-oriented sensor. Superior performance is found relative to previous approaches, in terms of robustness to measurement noise and millisecond-level computing time. This is the first time, to the best of our knowledge, that a deep learning-based algorithm for CST has been experimentally validated for simultaneous imaging of multiple critical parameters in reactive flows using a low-complexity optical sensor with severely limited number of laser beams.

研究の動機と目的

• 反応性流れにおける化学種トモグラフィー（CST）の不適切でランク不足の逆問題を克服すること。
• 計算コストを低減し、産業応用におけるリアルタイムな流れ診断を可能にすること。
• 限られたセンサデータを用いて、高精度に化学種濃度と温度を同時に再構成すること。
• 分離学習アーキテクチャを用いて、濃度と温度分布の間のクロストークを解消すること。
• 低複雑性で産業向けのセンサ構成を採用した実験的データを用いて、ディープラーニングベースのCSTフレームワークを実証すること。

提案手法

• CST 測定データとセンサジオメトリをニューラルネットワークアーキテクチャに直接統合するための共有特徴抽出器を設計した。
• 化学種濃度と温度を別々に再構成しながらも、自然な相関関係を学習するための二重ブランチネットワーク構造を導入した。
• クロストークデコーダーを用いて、濃度と温度の依存関係のある分布を自動で学習し、分離した。
• ネットワークは、シミュレートデータセット上でエンドツーエンドに訓練され、炎試験装置からの実験的データでファインチューニングされた。
• モデルは、実際の制約を反映する、極めて限られた数のレーザービームを有する低複雑性光学センサを活用した。
• 推論速度を最適化し、ミリ秒レベルの計算時間を達成した。

実験結果

リサーチクエスチョン

• RQ1 ディープラーニングモデルは、限られたCST測定データから反応性流れにおける化学種濃度と温度を効果的に再構成できるか？
• RQ2 クロストークデコーダーを備えた二重ブランチアーキテクチャは、相関する物理的パラメータをどれほど効果的に分離・再構成できるか？
• RQ3 従来のCST逆問題手法と比較して、CSTNet は測定ノイズに対してどれほど高い耐性を示すか？
• RQ4 限られたセンサ複雑性を有する実験的データにおいて、ネットワークはリアルタイム性能（ミリ秒レベルの推論）を達成できるか？
• RQ5 提案手法は、産業的関連性のあるセンサ構成を用いて、実炎で実験的に検証されたか？

主な発見

• CSTNet は、従来手法と比較して、特に測定ノイズが強い状況下でも優れた再構成忠実度を達成した。
• モデルはノイズに強く、入力データに汚損があっても高い精度を維持した。
• 推論時間がミリ秒レベルに短縮され、リアルタイムな流れ診断が可能になった。
• 二重ブランチアーキテクチャは、自然に相関する化学種濃度と温度の分布を効果的に学習し、分離した。
• 本手法は、限られたビーム数の低複雑性センサ構成を用いて実炎で実験的に検証された、初のディープラーニングベースのCSTアプローチである。
• 性能は、シミュレートデータセットおよび実験的データの両方で検証され、一般化可能性と実用的適用性が確認された。