Aero-engine combustion flame segmentation via Vision Transformer
Notice bibliographique
Résumé
Understanding and monitoring flame behavior in aero-engine combustors is critical for ensuring safe and efficient operation. The turbulent and high-pressure environment induces complex flame topologies and thermoacoustic instabilities that challenge conventional diagnostics. Traditional intensity-based thresholding methods are often inadequate for capturing coherent flame structures. In this study, we present the deep learning framework FlameSeg designed to improve segmentation accuracy and enable high-fidelity kinematic analysis of turbulent flames. FlameSeg integrates two key components: (1) hierarchical feature extraction with attention mechanisms to capture both fine boundary details and global contextual information, ensuring that subtle flame structures are preserved; and (2) a lightweight decoder with multi-scale feature fusion, which effectively integrates information across multiple resolutions, enabling precise delineation of flame contours and robust representation of overall flame structures. For validation, we established FlameDataset, a dedicated high-speed imaging collection from a representative aero-engine combustor. On this dataset, FlameSeg achieves a state-of-the-art mean Intersection over Union of 92.41%. The derived flame centroid trajectories attain an average mean absolute error of 8.07 pixels and a phase-averaged normalized error Enorm of 3.06% relative to the flame's characteristic diameter. This precision allows for the resolution of subtle kinematic variations often associated with the onset of combustion instabilities. These results demonstrate that FlameSeg constitutes a high-fidelity diagnostic framework for resolving turbulent flame dynamics, offering a robust pathway toward an improved understanding and monitoring of combustion instabilities.
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 ».