کاربرد یادگیری ماشین در افزایش کارایی آزمون‌های تجربی خاموشی آکوستیکی شعله

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.

application of machine learning to bring efficiency to costly experiments: case of flame-extinction

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.