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 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 ».