FFT-based deep learning for efficient combustion instability prediction: A comparative study of time and frequency-domain approaches
Notice bibliographique
Résumé
This study presents a deep learning-based approach for real-time prediction of combustion instability. Two LSTM models were developed: one trained on time-series data of pressure and heat release rate (OH* intensity), and another on frequency-domain features derived via fast Fourier transform (FFT). The dataset includes measurements taken under varying power levels (15–30 kW), hydrogen content (0%–80%), air flow rates (400–600 slpm), and downstream acoustic conditions with blockage ratios of 0, 0.73, and 0.85. Both models demonstrated high accuracy within a 100 ms window, 93.67% for the time-series model and 95.11% for the FFT-based model. However, the FFT-based model achieved 4.8 × faster inference, making it more suitable for real-time deployment. Even at smaller windows, it maintained comparable accuracy (94.28% vs. 94.76%). Additionally, both models were tested on transitional regimes (stable to unstable and vice versa) labeled using the Rayleigh Index. The models showed strong alignment with these transitions, particularly for unstable-to-stable cases, confirming their reliability in dynamic operating conditions. • Developed LSTM-based models to predict combustion instability in hydrogen- enriched flames. • Compared time-series and FFT-based approaches using pressure and OH* signals. • FFT-based model achieved comparable accuracy (95.11%) with 4.8 × faster inference speed. • Validated on transitional regimes labeled via Rayleigh Index for reliability. • Offers an efficient tool for real-time hydrogen combustion monitoring.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».