HGL-Net：用于超燃冲压发动机燃烧流场重建的高频引导轻量级网络

《International Communications in Heat and Mass Transfer》：HGL-Net: high-frequency guided lightweight network for combustion flow field reconstruction in scramjets

　　

• •
  取代使用传感器进行超燃冲压发动机实时纹影成像的高成本光学系统。
• •
  高频引导卷积配合动态核可在无伪影的情况下解决激波结构问题。
• •
  参数减少 86.7%，计算量减少 96.3%，优于最先进方法。
• •
  在马赫数 4-7 数据上验证，可实现高超声速发动机的闭环控制。

引言

作为高速飞行器的理想推进系统，吸气式超燃冲压发动机展现出显著优势，包括重量轻、极速高和比推力大，使其成为现代航空航天领域的关键技术 [1], [2], [3]。然而，在作为发动机核心组件的燃烧室内，气流速度极高。燃料喷射、混合、点火和火焰稳定等物理化学过程与激波、边界层、涡流和化学反应紧密耦合。这种复杂的耦合构成了一个高度非线性和非定常的湍流燃烧系统。这些复杂的流场结构深刻决定了发动机的整体燃烧效率和运行稳定性。因此，获取整个空间域的高分辨率流场演化数据，对于阐明超声速燃烧机制、优化超燃冲压发动机设计以及实现主动流动控制具有巨大的科学价值和工程意义 [4], [5], [6], [7], [8], [9]。

在具有高温、高压和极高速度特征的极端运行环境中，传统测量技术面临严峻挑战。虽然非侵入式光学诊断技术提供高空间分辨率并保持流场完整性，但它们受到复杂系统配置和高昂成本的阻碍。因此，它们很大程度上不切实际用于长期连续监测和实际飞行测试。另一方面，虽然基于计算流体动力学 (CFD) 的高保真数值模拟可以解析瞬态流场结构，但其高昂的计算成本和漫长的周转时间使其无法满足工程应用中实时预测和重建的需求 [10], [11]。相比之下，利用壁面嵌入传感器（如压力传感器）的测量方法因其最小的流动侵入性和在地面及飞行测试中易于获取数据，已成为流场监测的极具前景的替代方案。然而，壁面压力信号本质上高度稀疏且间接。如此低密度的信息要准确捕捉复杂的波系及其传播和演化过程仍然极其困难。

近年来，凭借其强大的特征提取和非线性映射能力，深度学习在流体力学和燃烧诊断领域展现出巨大的潜力 [12]。研究人员越来越多地采用神经网络建立从稀疏壁面压力信号到高分辨率流场图像的映射模型，从而实现流场的智能视觉重建 [[13], [14]]。例如，Deng 等人 [15] 提出了一种基于多头注意力机制的双路径融合模型 (DFMHA)。通过整合转置卷积与注意力机制，他们成功直接从壁面压力数据重建了超声速燃烧室流场中基本波结构的纹影图像。此外，针对传统深度学习模型的局限性——这些模型在超声速燃烧流场重建中经常忽略时空信息，并因模糊效应导致视觉质量下降——Chen 等人 [16] 引入了一种具备去模糊能力的多尺度注意力网络 (DB-MSAN)。该模型仅利用前一个时间步的壁面压力信号，实现了对火焰自发射图像在多个未来时间跨度内演化过程的高精度预测。

随着研究的进展，针对流动振荡、边界层干扰和极其稀疏传感器布局的流场重建技术取得了进一步突破。鉴于流动振荡和边界层干扰会引起波结构的剧烈变化，缓解这些效应至关重要。为应对这一挑战，Li 等人 [17] 提出了一种基于特征完成策略的双分支深度网络 (FCSD-Net)。通过整合基于 Transformer 的主分支和基于 CNN 的辅助分支，该模型有效捕捉了多维语义特征，从而显著提高了复杂湍流条件下纹影图像的重建精度。

此外，现有的单模态重建方法难以全面表征流场的动态演化，且默认利用所有可用传感器极易引入数据冗余。为解决这些局限性，Yang 等人 [18] 提出了一种基于传感器重要性分析的双分支条件生成对抗网络 (SI-cGAN)。通过整合来自博弈论的 SHapley Additive exPlanations (SHAP) 分析，他们量化了 32 个壁面压力传感器的重要性以实现最优选择，成功实现了对纹影和火焰自发射图像的高保真、同步双模态预测。这一进展不仅为吸气式超燃冲压发动机的最优传感器布局提供了严谨的科学依据，也为复杂湍流燃烧系统的多模态视觉监测建立了一种新范式。

总之，虽然基于深度学习的吸气式超燃冲压发动机流场重建技术在时空演化预测和高保真映射方面取得了显著进展，但现有高性能算法普遍受到一个关键瓶颈的制约，即高准确度严重依赖于巨大的计算开销。为应对这一严峻挑战，本文提出了 HGL-Net，一种端到端轻量级纹影图像重建网络。该网络采用高效的轻量级编码器 - 解码器架构，直接且鲁棒地将稀疏的 1 × 32 一维壁面压力信号映射到 66 × 256 高分辨率二维流场图像上。具体而言，本研究的主要创新和贡献可概括为以下三个方面：

• •
  提出端到端轻量级跨维度重建架构：为了解决流场监测中计算资源受限的关键痛点，我们构建了一个参数极少的编码器 - 解码器网络。该模型有效解决了将严重稀疏的 1D 传感器数据映射到高维空间图像的欠定重建挑战，实现了最少参数与高精度之间的协同优化。
• •
  创新设计高频引导卷积 (HFGC) 模块：为消除传统网络上采样过程中普遍存在的棋盘格伪影和物理边界模糊，我们提出了 HFGC 模块。通过引入动态核预测分支和辅助特征重组分支，该模块实现了对复杂流场中高频细节的精确捕捉和动态补偿，且未显著增加计算负载。
• •
  实现重建精度与计算开销之间的最佳平衡：系统且多维度的实验评估证实，所提出的模型不仅在视觉保真度和客观指标上达到了最先进性能，还大幅减少了参数数量。本研究成功打破了传统高性能重建算法固有的计算壁垒，为吸气式超燃冲压发动机流场纹影图像重建提供了一种高效、鲁动且轻量级的工程解决方案。

章节片段

数据预处理

本研究使用的所有数据均采集自脉冲燃烧风洞，如图 1 所示，该实验设施在以往文献中有详细说明 [16]。在该装置中，通过在加热器中燃烧富氧空气和氢气混合物产生高热焓流。该流量达到质量流量 2.89 kg/s，总压力 P = 1.75 MPa，总温度 T = 1350 K。O?、H?O 和 N? 的摩尔分数分别为 20%、19% 和

整体结构

针对从 1D 离散序列到 2D 高分辨率图像的跨维度重建任务，本文提出了一种端到端高频引导轻量级深度神经网络，称为 HGL-Net（如图 3 所示）。为了打破模型轻量化与重建精度之间的壁垒，该网络基于类似 U-Net 的编码器 - 解码器框架引入了核心创新。具体而言，编码器利用精简的特征投影和逐层

实验设置

所有实验均在配备 Intel i9-14900KF CPU、64 GB RAM 和单个 NVIDIA RTX 4090 GPU (24 GB) 的 Ubuntu 20.04 系统上进行，使用 PyTorch 2.2。模型训练了 100 个 epoch，批量大小为 128。我们采用 Adam 优化器 [21]，初始学习率为 $1\times {10}^{?4}$，权重衰减为 $1\times {10}^{?4}$，每 20 个 epoch 应用 0.9 的步衰减因子。训练目标结合了均方误差 (MSE) 项和 0.1 权重的多尺度

结论

本研究引入了 HGL-Net，一种端到端轻量级框架，用于从超燃冲压发动机燃烧室的稀疏压力序列中高保真重建纹影图像。所提出的高频引导卷积 (HFGC) 模块通过协同动态核预测与特征重组，缓解了上采样伪影，实现了对高频流场特征的精确捕捉，计算开销比传统方法低 96.3%。这一创新解决了关键

CRediT 作者贡献声明

陈春梅: 写作 – 初稿。 杨秋: 调查。 田野: 写作 – 审阅与编辑。

利益冲突声明

作者声明，他们没有任何已知的竞争性财务利益或个人关系可能影响本文报告的工作。

致谢

本研究得到了 志强大基金杰出星计划 (田野) 的支持。

陈春梅 | 杨秋 | 田野