سوخت و احتراق

سوخت و احتراق

کاربرد یادگیری ماشین در افزایش کارایی آزمون‌های تجربی خاموشی آکوستیکی شعله

نوع مقاله : مقاله پژوهشی

نویسندگان
محمدعلی اختردانش 1
انسیه علی‌پور 2
سید محمد باقر ملائک 2
1 دانشکده مهندسی هوافضا دانشگاه صنعتی شریف، تهران، ایران
2 دانشکده مهندسی هوافضا، دانشگاه صنعتی شریف، تهران، ایران
10.22034/jfnc.2024.386453.1378
چکیده
ن
ناپایداری احتراق بر اثر امواج آکوستیکی، می‌تواند منجر به آثار مخربی همچون تنش حرارتی بر روی بدنه محفظه احتراق، نویز، خاموشی شعله، برگشت شعله، ارتعاشات و حتی پدیده‌ی انفجار شود. این مقاله با به کارگیری روش طراحی آزمون، به‌صورت سازمان‌یافته، اقدام به جمع‌آوری داده تجربی برای پیش‌بینی خاموشی شعله کرده است. دسترسی به مواد اولیه آزمایش، تجهیزات، هزینه‌های آزمون و امکان آسیب‌رسیدن به مولد آکوستیک در دامنه‌های فشاری بالا، دلایلی است که می‌بایست نقاط آزمون را هوشمندانه انتخاب کرد. پارامتری که برای شناسایی شرایط خاموشی در نظر گرفته شده، توان آکوستیکی امواج آکوستیک است. چهار عامل اثرگذار فرکانس امواج، نسبت هم‌ارزی، عدد رینولدز جریان واکنش‌دهنده‌ها و قطر دیواره محفظه به‌عنوان ورودی برای مدل یادگیری ماشین در نظر گرفته شده است. به کمک روش رگرسیون بردار پشتیبان، تابعیت توان آکوستیکی موردنیاز برای خاموشی شعله متان و پروپان از پارامترهای مذکور استخراج شده است. محاسبه خطای مدل ارائه شده نشان داد که مدل ارائه شده در گستره وسیعی از پارامترهای فرکانس، نسبت هم‌ارزی، قطر محفظه و عدد رینولدز، دقت مناسبی دارد.
کلیدواژه‌ها
ناپایداری احتراق
خاموشی
آکوستیک
یادگیری ماشین
رگرسیون بردار پشتیبان

موضوعات

عنوان مقاله English

Application of Machine Learning to Bring Efficiency to Costly Experiments: Case of Flame-Extinction

نویسندگان English

Mohammad Ali Akhtardanesh 1
Ensieh Alipour 2
Seyed Mohammad Bagher Malaek 2
1 Aerospace Engineering Department, Sharif Uniersity of Technology, Tehran, Iran
2 Aerospace Engineering Department, Sharif University of Technology, Tehran, Iran
چکیده English

 
Combustion instability induced by acoustic waves can lead to various undesired consequences, including thermal stress on the combustion chamber, noise, flame blow-off, flashback, vibrations, and even explosions. This paper employs the Design of Experiments approach to systematically gather reliable experimental data for predicting flame extinction. Considering the substantial cost of pure reaction gases and the potential damage to the acoustic driver under high-pressure conditions, it is imperative to intelligently select extinction test points. Machine learning methods are employed to determine optimal acoustic power levels for these values. The acoustic power required at the moment of extinction is a crucial metric in understanding this phenomenon. Four key features - frequency, equivalence ratio, wall diameter ratio, and Reynolds number - serve as inputs for a machine learning (ML) model. The collected data is utilized to train a selected supervised ML model, specifically the Support Vector Regression (SVR), to accurately predict the acoustic power level required for flame extinction in both methane and propane fuels. Evaluation using the R-squared metric demonstrates the model's accuracy and robust performance across diverse conditions.
 

کلیدواژه‌ها English

Combustion Instability
Extinction
Acoustic
Machine Learning
SVR

در سال 1777 تأثیرپذیری شعله از موسیقی توجه بایرون هیگینز[1] را به خود جلب کرد و در سال 1867 تیندال[2] از پدیده برهمکنش بین شعله و امواج صوتی پرده برداشت ]1[. خاموشی شعله به کمک امواج آکوستیکی یک روش نوین محسوب می‌شود که محققان حوزه اطفاء حریق را به دلیل سازگاری با محیط‌زیست، به خود علاقه‌مند کرده است. در حالی که محققان این حوزه، مشغول یافتن روش‌های بهینه برای خاموشی شعله هستند، متخصصان حوزه ناپایداری احتراق تلاش می‌کنند که مقاومت شعله در برابر امواج آکوستیکی (پایداری شعله) را با درک بهتر ارتباط بین امواج آکوستیک و شعله بهبود ببخشند. پدیده مخربی که با عنوان "ناپایداری احتراق" شناخته می‌شود، با نوسانات بزرگ دامنه فشاری یا حرارت همراه است. این پدیده ممکن است به آثار نامطلوبی مانند تنش حرارتی در محفظه احتراق، نویز، پس‌زنی شعله[3]، پریدن شعله[4]، ارتعاشات سازه و حتی انفجار محفظه احتراق منجر شود ]2[. پژوهشگران در حوزه ناپایداری احتراق در تلاش هستند با یافتن راه‌حل‌های بنیادین از ناپایداری شعله جلوگیری و محفظه احتراق را از پدیده‌های ناخواسته فوق، حفظ کنند. ازاین‌رو، درک نحوه خاموشی آکوستیکی شعله و شناخت عوامل اثرگذار بر این پدیده اهمیت می‌یابد. هدف اصلی این پژوهش، مطالعه پایداری شعله در برابر امواج آکوستیکی با رویکرد ناپایداری احتراق است. کاربرد اطفا حریق با استفاده از امواج آکوستیک هنوز حوزه نوپا و نوظهوری است که هنوز به مرحله کاربرد عملیاتی نرسیده است و مقصود اصلی این پژوهش نیست. اما بررسی مطالعات انجام شده در این حوزه نیز می‌تواند سودمند باشد.

مطالعه خاموشی شعله آرام[5] پیش‌آمیخته[6] تحت اثر کشیدگی نشان داد عدد بی‌بعد کارلوویتز[7] (نسبت مقیاس زمانی واکنش به مقیاس زمانی فیزیکی سیال)، در هنگام وقوع خاموشی باید از مرتبه بزرگی واحد باشد؛ اما در آزمون‌های تجربی چندین مرتبه بزرگی تغییرات دارد ]3[. مطالعه خاموشی محلی آکوستیکی شعله پیش‌آمیخته نشان داده است که برای فهم عمیق مکانیزم‌های حاکم بر فیزیک مسئله، اطلاعات موجود کافی نیست. پدیده خاموشی محلی شعله پیش‌آمیخته در مواجهه با امواج آکوستیکی رفتاری غیرخطی از خود نشان داده است که به کوپل غیرخطی برهمکنش امواج آکوستیکی و شعله بازمی‌گردد ]4-5[. پدیده "باریک شدن[8]" شعله بعد از رسیدن به یک فرکانس و دامنه موج مشخص، نشان می‌دهد بین پدیده‌های جریان چرخشی[9] و بازگشتی[10]، ساختار شعله و میدان آکوستیکی ارتباط قوی وجود دارد. پارامتر دیگری که در مسئله خاموشی شعله پیش‌آمیخته تحت اثر امواج آکوستیکی لازم است مدنظر قرار گیرد، عدد لوویس[11] (نسبت نفوذ حرارتی به نفوذ جرمی) است. خاموشی آکوستیکی شعله‌های متان-هوا و بوتان-هوا با تغییر فرکانس و دامنه امواج به‌صورت هدفمند مطالعه شده است و نقش دو عددی بی‌بعد کارلوویتز و لوویس در خاموشی شعله بررسی شده است ]6-8[. حساسیت خاموشی آکوستیکی شعله به عدد کارلوویتز به مراتب بیشتر از عدد لوویس ارزیابی شده است.   

در مرجع  ]9[ اطفاء حریق به کمک یک مولد آکوستیکی بر روی یک شعله آرام نفوذی[12] پروپان آزمایش شده است. در این پژوهش نحوه تولید جریان القایی به کمک حرکت مولد آکوستیکی بحث شده است و نشان داده شده است پیش از رویداد خاموشی شعله و در نزدیکی محدوده خاموشی شعله، یک حرکت نوسانی با دامنه ثابت توسط شعله شکل می‌گیرد. نرخ کرنش[13] خاموشی شعله تحت تأثیر جریان واکنش‌دهنده‌ها است و این عامل نقشی کلیدی در پریدن شعله دارد. با کاهش فرکانس امواج آکوستیکی، می‌توان دامنه امواج آکوستیکی محرک را بزرگ‌تر کرد و امواج لازم برای خاموشی شعله را فراهم کرد.

مطالعات عددی پاسخ آکوستیکی شعله و خاموشی آن در شعله‌های نفوذی هیدروژن-هوا نشان داده است که ارتباط پیچیده‌ای بین فشار و سینتیک شیمیایی با خاموشی شعله برقرار است ]10[. مطالعه تجربی خاموشی آکوستیکی شعله تحت تأثیر فرکانس امواج، توان مشعل و فاصله منبع تولید موج تا شعله نیز بررسی شده است ]11[. تسپینار و همکاران ]12[ با به کارگیری هوش مصنوعی، خاموشی آکوستیکی شعله را تحت اثر عوامل مختلف تجزیه‌وتحلیل کرده است. این پژوهش از یک پایگاه داده گسترده برای بررسی برهمکنش امواج آکوستیکی و شعله استفاده کرده است. هدف اصلی این بررسی تعیین نقش عوامل مؤثر بر خاموشی ازجمله نوع سوخت، ابعاد شعله، شدت موج، فرکانس، دبی سوخت و فاصله منبع تا شعله به کمک یادگیری ماشین است. سه روش مختلف یادگیری ماشین شامل استنتاج فازی منطبق در شبکه تطبیقی[14]، الگوریتم CN2 و درخت تصمیم[15] به ترتیب 5/94 درصد، 91/99 درصد و 28/97 درصد موفقیت در پیش‌بینی خاموشی نشان داده است.

بیشتر مطالعات ارائه شده بر روی بررسی پدیده خاموشی آکوستیکی شعله با شرایط خاصی تمرکز دارد ]13-16[. تاکنون، یک مدل جامع و مناسب برای پیش‌بینی خاموشی آکوستیکی شعله به وجود نیامده است. مدل‌های پیشنهادی، ازجمله مرجع [12]، اغلب وابسته به هندسه شعله، شرایط مرزی، نسبت هم‌ارزی[16] یا نحوه اختلاط هستند. بیشتر پژوهش‌های انجام شده شعله بدون حضور محفظه را آزمایش کرده‌اند و از تأثیرات دیواره صرف‌نظر کرده‌اند. در این پژوهش سعی شده است با در نظر گرفتن اثرات محصور شدن شعله و اثراتی از قبیل فرکانس امواج، نوع سوخت، عدد رینولدز جریان واکنش‌دهنده‌ها، نسبت هم‌ارزی و قطر محفظه، یک مدل کامل‌تر با به‌کارگیری روش یادگیری ماشین ارائه شود. بدین منظور کاربرد روش رگرسیون بردار پشتیبان[17]، یکی از روش‌های مرسوم یادگیری ماشین ]17[، در پیش‌بینی خاموشی آکوستیک شعله تحلیل شده است. اثرات عواملی همچون نوع سوخت، نسبت هم‌ارزی، عدد رینولدز، قطر دیواره محفظه و فرکانس امواج بر خاموشی آکوستیکی شعله در نظر گرفته شده است. برای آموزش مدل از بیش از 500 نقطه آزمون تجربی استفاده شده است و 20 درصد داده‌های آزمون برای سنجش اعتبار مدل به کار گرفته شده‌اند. اهمیت استفاده از یادگیری ماشین برای بررسی پدیده خاموشی آکوستیکی شعله این است که، برای پوشش تمامی پارامترهای اثرگذار در مسئله نیاز به آزمودن بیش از 10000 نقطه آزمون است و در هر نقطه آزمون، مولد آکوستیک باید تا نزدیکی توان ماکزیمم، تولید موج آکوستیکی انجام دهد. در چنین شرایطی هزینه آزمایش و امکان آسیب رسیدن به مولد آکوستیک سبب می‌شود که نیاز به انتخاب هوشمندانه و بهینه نقاط آزمون باشد. به کمک این روش، نقاط آزمون به حدود 500 نقطه (5 درصد تمامی نقاط آزمون) کاهش یافت. 

 

 

[1] Byron Higgins

[2] Tyndall

[3] Flashback

[4] Blow-off

[5] Laminar

[6] Premixed

[7] Karlovitz Number

[8] Pinch-off

[9] Vortex Flow

[10] Reverse Flow

[11] Lewis Number

[12] Diffusion

[13] Strain rate

[14] Adaptive-Network Based Fuzzy Inference Systems (ANFIS)

[15] Decision tree (DT)

[16] Equivalence ratio

[17] Support Vector Regression (SVR)

[1] R. Zong, R. Kang, C. Liu, Z. Zhang, and Y. Zhi, “Analysis of Flame Extinguishment and Height in Low Frequency Acoustically Excited Methane Jet Diffusion Flame,” Microgravity Sci. Technol., vol. 30, no. 3, pp. 237–242, 2018.
[2] T. C. Lieuwen and F. K. Lu, Combustion Instabilities in Gas Turbine Engines: Operational Experience, Fundamental Mechanisms, and Modeling, Edited by. Atlanta, Georgia: American Institute of Aeronautics and Astronautics, 2005.
[3] S. H. Chung, D. H. Chung, C. Fu, and P. Cho, “Local extinction Karlovitz number for premixed flames,” Combust. Flame, vol. 106, no. 4, pp. 515–520, 1996.
[4] M. Ahn, D. Lim, T. Kim, and Y. Yoon, “Pinch-off process of Burke–Schumann flame under acoustic excitation,” Combust. Flame, vol. 231, p. 111478, 2021.
[5] M. Ahn, Y. Yoon, and S. Joo, “Effects of acoustic excitation on pinch-off flame structure and NOx emissions in H2/CH4 flame,” Int. J. Hydrogen Energy, vol. 47, no. 26, pp. 13178–13190, 2022.
[6] K. Takita, H. Yamazaki, T. Uchida, and G. Masuya, “Extinction Karlovitz numbers of premixed counterflow flames under various pressures,” Combust. Sci. Technol., vol. 178, no. 9, pp. 1649–1668, 2006.
[7] A. Potnis, V. R. Unni, H. G. Im, and A. Saha, “Extinction of non-equidiffusive premixed flames with oscillating strain rates,” Combust. Flame, vol. 234, p. 111617, 2021.
[8] H. G. Pearlman and S. H. Sohrab, “Extinction of Counterflow Premixed Flames Under Periodic Variation of the Rate of Stretch,” Combust. Sci. Technol., vol. 105, no. 1–3, pp. 19–31, 1995.
[9] C. Xiong, Y. Liu, H. Fan, X. Huang, and Y. Nakamura, “Fluctuation and extinction of laminar diffusion flame induced by external acoustic wave and source,” Sci. Rep., vol. 11, no. 1, pp. 1–12, 2021.
[10] C. Sohn and S. Chung, “Effect of pressure on the extinction, acoustic pressure response, and NO formation in diluted hydrogen–air diffusion flames,” Combust. Flame, vol. 121, no. 1–2, pp. 288–300, Apr 2000.
[11]         P. Niegodajew et al., “Application of acoustic oscillations in quenching of gas burner flame,” Combust. Flame, vol. 194, pp. 245–249, 2018.
[12]         Y. S. Taspinar, M. Koklu, and M. Altin, “Classification of flame extinction based on acoustic oscillations using artificial intelligence methods,” Case Stud. Therm. Eng., vol. 28, no. September, p. 101561, 2021.
[13]         M. A. Akhtardanesh, M. Khadem Alrezaeian, and M. Farshchi, “A Comparison between Methane and Propane Counterflow flame Acoustic Excitation in the Partially Premixed Regime,” in 20th Fluid Dynamics Conference, Tehran: the physics society of Iran, 2023.
[14]         M. A. Akhtardanesh, M. J. Hosseinkhani, and M. Farshchi, “Acoustic Extinction of Partially Premixed Counterflow flame,” J. Engine Res., vol. 70, no. 3, pp. 39–52, 2023.
[15]         M. A. Akhtardanesh, M. Khadem Alrezaeian, and M. Farshchi, “Interaction of acoustic waves with a laminar counterflow flame,” in 9th National Conference of Acoustical Society of Iran, Tehran: Acoustical Society of Iran, 2023.
[16]         M. A. Akhtardanesh, M. Khadem Alrezaeian, M. J. Hosseinkhani, and M. Farshchi, “An experimental study on Bunsen flame acoustic extinction,” in the 21st International Conference of Iranian Aerospace Association, Tehran, 2022.
[17] H. Drucker, C. J. C. Surges, L. Kaufman, A. Smola, and V. Vapnik, “Support vector regression machines,” Adv. Neural Inf. Process. Syst., no. January, pp. 155–161, 1997.
[18]         Y. Sun et al., “The local extinction and the nonlinear behaviors of a premixed methane/air flame under low-frequency acoustic excitation,” Mod. Phys. Lett. B, vol. 34, no. 13, pp. 1–21, 2020.
[19]         D. Montgomery and C. St, Design and Analysis of Experiments, 9th Edition, Nineth. John Wiley & Sons, Inc, 2017.
[20]         H. Drucker, C. J. C. Surges, L. Kaufman, A. Smola, and V. Vapnik, “Support vector regression machines,” Adv. Neural Inf. Process. Syst., no. January, pp. 155–161, 1997.
[21]         Shreekrishna, S. Hemchandra, and T. Lieuwen, “Premixed flame response to equivalence ratio perturbations,” Combust. Theory Model., vol. 14, no. 5, pp. 681–714, 2010.
[22]         S. H. Preetham and T. C. Lieuwen, “Response of turbulent premixed flames to harmonic acoustic forcing,” Proc. Combust. Inst., vol. 31, no. 1, pp. 1427–1434, Jan 2007.
[23]         A. L. Birbaud, D. Durox, S. Ducruix, and S. Candel, “Dynamics of confined premixed flames submitted to upstream acoustic modulations,” Proc. Combust. Inst., vol. 31, no. 1, pp. 1257–1265, Jan 2007.
[24]         A. Cuquel, D. Durox, and T. Schuller, “Scaling the flame transfer function of confined premixed conical flames,” Proc. Combust. Inst., vol. 34, no. 1, pp. 1007–1014, Jan 2013.
[25]         A. J. De Rosa, S. J. Peluso, B. D. Quay, and D. A. Santavicca, “The Effect of Confinement on the Structure and Dynamic Response of Lean-Premixed, Swirl-Stabilized Flames,” J. Eng. Gas Turbines Power, vol. 138, no. 6, pp. 1–10, 2016.