Study on Reducing the Order of Mathematical Model for Combustion Instability
Notice bibliographique
Résumé
This study proposes a low-dimensional thermoacoustic model for predicting pressure fluctuations in lean-burn combustion systems.Traditional monitoring approaches based solely on experimental data or physical models lack accuracy and responsiveness for real-time applications.To address this limitation, a linearized acoustic wave equation incorporating heat release fluctuations and flowinduced acoustic sources was formulated using conservation laws.A finite element Analysis (FEA) model was developed and implemented in the time domain via the Newmark- scheme.A simplified Rijke tube model was constructed, with input data such as temperature distribution derived from high-speed flame image analysis, enabling computational efficiency and nearreal-time prediction without CFD.Experimental validation was conducted with a premixed combustor under various air flow rates and burner positions.The predicted and observed pressure signals showed increasing amplitude with leaner mixtures.The correlation coefficients for the peak frequencies of the first and second modes were 0.77 and 0.67, respectively.Damping ratios estimated using Hilbert transform and curve fitting yielded a correlation coefficient of 0.73.The most unstable flame location corresponded to the position of maximum acoustic pressure gradient, consistent with the theoretical forcing term formulation.These results demonstrate the model's capability to capture combustion instability trends and its potential for future integration with data assimilation and machine learning techniques.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».