[논문 리뷰] CSTNet: A Dual-Branch Convolutional Network for Imaging of Reactive Flows using Chemical Species Tomography

Yunfan Jiang, Jingjing Si외 5명|arXiv (Cornell University)|2020. 10. 08.

Spectroscopy and Laser Applications참고 문헌 36인용 수 7

한 줄 요약

CSTNet는 화학종 단층촬영(CST)을 사용하여 반응 유동에서 종 농도와 온도를 고정밀도로 실시간으로 동시에 영상화할 수 있는 이중지점 컨볼루션 신경망이다. CST 측정 데이터와 센서 레이아웃을 공유 특징 추출기와 함께 통합하고, 교차 간섭을 분리한 이중 브랜치를 활용함으로써 소음에 강건하고 밀리초 수준의 추론 성능을 달성한다. 이는 레이저 빔 수가 제한된 시뮬레이션 및 실제 실험 데이터를 통해 검증되었다.

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.

연구 동기 및 목표

• 반응 유동에서 화학종 단층촬영(CST)의 과도하게 불안정하고 질서가 낮은 역단층화 문제를 해결하기 위해.
• 계산 비용을 줄이고 산업 적용에서 실시간 유동 진단을 가능하게 하기 위해.
• 제한된 센서 데이터를 사용하여 종 농도와 온도를 고정밀도로 동시에 재구성하기 위해.
• 종 농도와 온도 분포 간의 교차 간섭을 분리된 학습 아키텍처를 통해 다루기 위해.
• 저복잡도, 산업 중심의 센서 설정을 반영한 실질적인 실험 데이터를 기반으로 딥러닝 기반 CST 프레임워크를 검증하기 위해.

제안 방법

• CST 측정 데이터와 센서 기하학을 직접 신경망 아키텍처에 통합하기 위해 공유 특징 추출기를 설계하였다.
• 종 농도와 온도를 별도로 재구성하면서도 자연스러운 상관관계를 학습하기 위해 이중 브랜치 네트워크 구조를 도입하였다.
• 교차 간섭 디코더를 사용하여 농도와 온도의 상호의존적인 분포를 자동으로 학습하고 분리하였다.
• 모델은 시뮬레이션 데이터셋에서 엔드 투 엔드로 훈련되고, 화염 시험 설정의 실제 실험 데이터로 미세조정되었다.
• 낮은 복잡도의 광학 센서를 활용하여 레이저 빔 수가 매우 제한된 조건을 반영하였다.
• 추론 속도 최적화를 위해 아키텍처가 설계되어 밀리초 수준의 계산 시간을 달성하였다.

실험 결과

연구 질문

• RQ1 딥러닝 모델은 제한된 CST 측정 데이터로부터 반응 유동에서 종 농도와 온도를 효과적으로 재구성할 수 있는가?
• RQ2 교차 간섭 디코더를 갖춘 이중 브랜치 아키텍처는 상관관계가 있는 물리적 파라미터를 얼마나 잘 분리하고 재구성하는가?
• RQ3 기존의 전통적 CST 역단층화 방법에 비해 CSTNet은 측정 노이즈에 대해 얼마나 더 강건한가?
• RQ4 낮은 센서 복잡도로도 실제 실험 데이터에서 실시간 성능(밀리초 수준의 추론)을 달성할 수 있는가?
• RQ5 제안된 방법은 산업적으로 관련성이 있는 센서 구성으로 실제 화염에서 실험적으로 검증되었는가?

주요 결과

• CSTNet는 이전 방법에 비해 훨씬 뛰어난 재구성 정밀도를 달성하였으며, 특히 측정 노이즈가 높은 조건에서 두각을 나타냈다.
• 모델은 노이즈에 강건하여 입력 데이터가 손상되어도 높은 정확도를 유지함을 보였다.
• 추론 시간이 밀리초 수준으로 단축되어 실시간 유동 진단이 가능해졌다.
• 이중 브랜치 아키텍처는 종 농도와 온도의 자연스러운 상관관계를 효과적으로 학습하고 분리하였다.
• 이 방법은 저복잡도, 레이저 빔 수가 제한된 센서 설정을 사용하여 실제 화염에서 실험적으로 검증된 최초의 딥러닝 기반 CST 접근법이다.
• 성능은 시뮬레이션 데이터셋과 실제 실험 데이터 양쪽 모두에서 검증되어 일반화 능력과 실용성을 확인하였다.