[论文解读] 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 7

一句话总结

CSTNet 是一种双分支卷积神经网络，通过化学物种层析成像（CST）技术，实现了在反应流中高保真度、实时同步成像物种浓度与温度。通过将CST测量数据与传感器布局整合至共享特征提取器，并采用串扰解耦的双分支结构，该方法在仅使用少量激光束的模拟与真实实验数据上均得到验证，实现了毫秒级推理，且对噪声具有强鲁棒性。

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.

研究动机与目标

• 为克服反应流中化学物种层析成像（CST）反演问题的病态与秩亏性质。
• 降低计算成本，实现在工业应用中的实时流场诊断。
• 在传感器数据有限的条件下，高保真度地同时重建物种浓度与温度。
• 通过解耦学习架构，解决浓度与温度分布之间的串扰问题。
• 在具备低复杂度、面向工业应用的传感器配置下，对基于深度学习的CST框架在真实实验数据上进行验证。

提出的方法

• 设计共享特征提取器，将CST测量数据与传感器几何布局直接嵌入神经网络架构。
• 引入双分支网络结构，分别独立重建物种浓度与温度，同时学习其自然相关性。
• 使用串扰解码器，自动学习并解耦浓度与温度之间的相互依赖分布。
• 在模拟数据集上端到端训练网络，并在火焰实验装置的真实实验数据上进行微调。
• 模型利用低复杂度光学传感器，激光束数量严重受限，真实反映了实际应用中的约束条件。
• 网络架构针对推理速度进行优化，实现毫秒级计算时间。

实验结果

研究问题

• RQ1 深度学习模型能否有效从有限的CST测量数据中重建反应流中的物种浓度与温度？
• RQ2 采用串扰解码器的双分支架构在分离与重建相关物理参数方面的表现如何？
• RQ3 与传统CST反演方法相比，CSTNet在测量噪声下的鲁棒性提升程度如何？
• RQ4 该网络能否在传感器复杂度极低的真实实验数据上实现毫秒级推理的实时性能？
• RQ5 所提出方法是否已在真实火焰实验中，采用面向工业应用的传感器配置得到实验验证？

主要发现

• 与以往方法相比，CSTNet 在重建保真度方面表现更优，尤其在高噪声条件下优势显著。
• 该模型对噪声具有强鲁棒性，在输入数据被污染时仍能保持高精度。
• 推理时间降低至毫秒级别，支持实时流场诊断。
• 双分支架构有效学习并解耦了物种浓度与温度之间的自然相关分布。
• 该方法是首个基于深度学习的CST方法，成功在真实火焰实验中，采用低复杂度、少光束传感器配置实现实验验证。
• 性能在模拟数据集与真实实验数据上均得到验证，证实了其泛化能力与实际应用价值。