清晨好,您是今天最早来到科研通的研友!由于当前在线用户较少,发布求助请尽量完整地填写文献信息,科研通机器人24小时在线,伴您科研之路漫漫前行!

Identification of Combustion Conditions for C1–C4 Hydrocarbons Using CNN and CNN-LSTM Architectures

燃烧 鉴定(生物学) 工艺工程 计算机科学 生物系统 化学 环境科学 碳氢化合物 材料科学 人工智能 系统标识 模式识别(心理学) 噪音(视频)
作者
Junwei Zhang,Xiuwen Jin,Mingfei Chen
出处
期刊:Combustion Science and Technology [Taylor & Francis]
卷期号:: 1-20
标识
DOI:10.1080/00102202.2026.2747670
摘要

Accurate identification of combustion conditions from flame morphology remains a challenging task in combustion diagnostics due to the indistinct visual features. To tackle this issue, two deep learning architectures, a conventional CNN and a hybrid CNN-LSTM, were trained on flame images of C1–C4 hydrocarbons to perform fuel classification and equivalence ratio regression. The CNN demonstrated rapid convergence. In contrast, the CNN-LSTM required about twice the training duration but achieved superior identification performance. The CNN model achieved a classification accuracy of 89.92% for fuel type identification, whereas the CNN-LSTM model exhibited superior performance with 97.48%. The hybrid model showed particular strength in distinguishing visually similar flames. For the identification of equivalence ratio, the CNN yielded a mean absolute percentage error of 7.4%, whereas the CNN-LSTM reduced the error to 3.8%, providing more accurate identification across all fuel types. This work confirms the feasibility of using convolutional networks for non-contact flame diagnostics and provides a foundation for developing intelligent monitoring systems in combustion engineering.

科研通智能强力驱动
Strongly Powered by AbleSci AI
科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
5秒前
14秒前
平淡大船完成签到,获得积分10
19秒前
虚心晓灵完成签到,获得积分10
19秒前
tuimao发布了新的文献求助10
22秒前
Lucas的应助被tuimao采纳,获得10
30秒前
等风的拾荒者完成签到 ,获得积分10
32秒前
37秒前
AiQi完成签到 ,获得积分10
38秒前
伶俐的万言完成签到,获得积分10
52秒前
在水一方的应助被WQY采纳,获得10
52秒前
TingtingGZ发布了新的文献求助10
55秒前
1分钟前
WQY发布了新的文献求助10
1分钟前
旧城旧巷等旧人完成签到 ,获得积分10
1分钟前
1分钟前
殷勤的鸵鸟完成签到,获得积分10
1分钟前
loen完成签到,获得积分10
1分钟前
杉寒完成签到,获得积分10
1分钟前
务实的绮琴完成签到,获得积分10
2分钟前
2分钟前
ramsey33完成签到 ,获得积分10
2分钟前
tuimao发布了新的文献求助10
2分钟前
Orange的应助被tuimao采纳,获得20
2分钟前
科研通AI6.2的应助被JJYYY采纳,获得10
2分钟前
tfonda完成签到 ,获得积分10
2分钟前
Tree_QD完成签到 ,获得积分10
2分钟前
TingtingGZ发布了新的文献求助10
2分钟前
QQQQQQ完成签到 ,获得积分10
2分钟前
大气翠风完成签到,获得积分10
2分钟前
syvshc的应助被WQY采纳,获得10
2分钟前
2分钟前
2分钟前
3分钟前
3分钟前
柔弱的妙旋完成签到,获得积分10
3分钟前
和谐的山水完成签到,获得积分10
3分钟前
3分钟前
3分钟前
3分钟前
高分求助中
(应助此贴封号)【重要!!请各用户(尤其是新用户)详细阅读】【科研通的精品贴汇总】 10000
拉伸高分子熔体中缠结行为的模拟和小角中子散射研究 1700
The World Atlas of Wine 9th edition 1000
奈特基础组织学:配套组织病理学(第4版)(Netter's Essential Histology With Correlated Histopathology) 800
John McDowells Bildungstheorie 800
八旗制度の研究 600
plantTFDB 508
热门求助领域 (近24小时)
化学 材料科学 医学 生物 纳米技术 计算机科学 工程类 有机化学 化学工程 生物化学 物理 复合材料 内科学 催化作用 光电子学 人工智能 细胞生物学 无机化学 物理化学 数学
热门帖子
关注 科研通微信公众号,转发送积分 8173213
求助须知:如何正确求助?哪些是违规求助? 9565567
关于积分的说明 21780511
捐赠科研通 7767373
什么是DOI,文献DOI怎么找? 3431542
关于科研通互助平台的介绍 2555730
邀请新用户注册赠送积分活动 2476697