​近日，上海交通大学中英国际低碳学院董雪老师团队在《Applied physics B》发表了关于利用递归卷积神经网络进行图像插帧来辅助高速PLIF激光成像的最新研究成果——“High-speed planar imaging of OH radicals in turbulent flames assisted by deep learning” (https://doi.org/10.1007/s00340-021-07742-2)。论文主要作者分别为上海交通大学中英国际低碳学院2018级硕士生郭昊，2019级博士生张暐以及2020级硕士生聂翔宇，通讯作者为副教授董雪。该工作为本团队与澳大利亚阿德莱德大学、南方科技大学以及瑞典隆德大学相关课题组合作发表的科研成果。

湍流及化学反应的时间尺度可从纳秒级跨越至秒级，而为了捕捉高度湍流火焰中涡流及中间产物的瞬态特性，亟需发展用于湍流流动测量的高时空分辨率的诊断技术。虽然高速PLIF等实验技术可用于实现火焰中间产物的超高速平面测量，但由于实验成本高昂、高压高负荷工况下燃烧室(内燃机、飞机发动机、工业锅炉等)观测窗口不充足等原因，仍存在较大的局限性。

此项工作在该领域首次提出了利用递归卷积神经网络（CONV-LSTM）对湍流火焰的OH-PLIF图像进行插帧，以100kHz下采集到的OH-PLIF图像实验数据为基础，分别将原实验数据降采样至50kHz，33.3kHz及20kHz以构建训练及验证集。通过搭建并优化模型，实现了利用相对低速的OH-PLIF图像序列插帧生成高速图像序列，从而降低了燃烧诊断相关实验中对设备和条件的要求，并可用此方法生成实验尚未达到的诊断频率（200kHz），进而分析燃烧机理及验证流动燃烧模型。另外，可以将这种方法推广到其他自由基如CH2O,CH等的高频图像预测中，这对于研究湍流燃烧机理以及湍流建模具有重要意义。

从上到下依次为实验真值图像以及分别对于50-100 kHz, 33.3-100 kHz 以及20-100 kHz场景下的模型表现，红色虚线框内为模型插帧生成图像，其余为真实图

作者团队介绍