Thesis:

Desarrollo de instrumentación de bajo costo para pirometría de hollín usando cámaras a color y redes neuronales artificiales

La temperatura de las partículas de hollín en el interior de una llama es una propiedad importante para comprender los procesos de formación de material particulado en sistemas de combustión, el cual a su vez se relaciona a la liberación de calor y eficiencia de estos sistemas. Las partículas de hollín emiten radiación en un amplio rango espectral, la cual puede ser medida mediante instrumentos ópticos y relacionada con la temperatura del hollín mediante la resolución de un problema inverso. Entre las técnicas disponibles, las basadas en señales de emisión de banda ancha (BEMI) son atractivas debido a su implementación con cámaras a color, lo que reduce la complejidad y el costo del setup experimental en comparación con métodos más complejos. El principio de BEMI consiste en capturar la radiación emitida en múltiples longitudes de onda y asociarla con la temperatura mediante ecuaciones derivadas de la radiación del cuerpo negro y la atenuación de la luz en el camino óptico del sensor. La estimación de temperatura implica la deconvolución de las emisiones de hollín integradas a lo largo del camino óptico entre la llama y el sensor. Tradicionalmente, este problema se ha abordado mediante métodos numéricos iterativos sensibles al ruido de medición, lo que dificulta obtener estimaciones precisas y repetibles, incluso con configuraciones de referencia en llamas canónicas. Estudios recientes emplean redes neuronales artificiales (ANNs) para estimar la temperatura del hollín a partir de señales ópticas, y se han demostrado los beneficios del uso de ANNs para caracterizar las propiedades del hollín en términos de tolerancia al ruido y costo computacional para resolver el problema inverso. La mayoría de los estudios realizados hasta ahora han empleado datos sintéticos de llamas canónicas o capturados en condiciones experimentales. En el contexto experimental, los datos capturados para una misma llama pueden variar dependiendo del setup óptico utilizado. La metodología empleada para desarrollar una técnica de bajo costo basada en ANNs para pirometría de hollín a partir de señales BEMI integra etapas como la generación de datos con base física, la calibración de instrumentos y las campañas experimentales, con el fin de entrenar y validar las ANNs. En primer lugar, se utiliza un entorno numérico para simular mediciones experimentales BEMI. Se emplea el algoritmo numérico CoFlame, ampliamente utilizado para modelar el hollín en llamas laminares de difusión de coflow, con el fin de generar soluciones de referencia. Estas soluciones se utilizan para crear conjuntos de campos de temperatura ampliados, a partir de los cuales se obtienen las proyecciones en el plano de la cámara. Seguidamente, se validan e implementan las arquitecturas de ANNs propuestas para reemplazar el proceso de deconvolución. Dado que el rendimiento de una ANN depende de conjuntos de datos de entrenamiento representativos, se establece un proceso sistemático que permite la iteración sobre las distintas etapas para generar datos que reflejen los fenómenos observados en diversas condiciones operativas y que puedan extrapolarse a campañas experimentales. Las evaluaciones indican que el uso de ANNs para pirometría de hollín tiene ventajas sobre la deconvolución clásica en términos de sensibilidad al ruido experimental. Durante el entrenamiento, las ANNs capturan el efecto de la auto-absorción, corrigiendo así la subestimación de temperatura característica de la técnica BEMI, sin necesidad de mediciones de extinción de luz. Este estudio demuestra la viabilidad de entrenar algoritmos de ANNs con datos generados mediante simulaciones numéricas para estimar de manera consistente la temperatura del hollín en llamas experimentales. Además, es posible estimar valores de temperatura en diversas condiciones de llama, incluso para aquellas no incluidas explícitamente en el conjunto de datos de entrenamiento. La metodología evaluada utiliza distintos quemadores de referencia y disposiciones ópticas de arreglos BEMI, lo que evidencia la capacidad de la metodología para operar con elementos ópticos de distinto nivel de sofisticación. El presente estudio avanza el estado del arte mediante la evaluación las capacidades de generali zación de las ANNs y la validación experimental de los técnicas basadas en ANNs. Se establece una base teórica y práctica que allana el camino hacia el desarrollo de instrumentación precisa y de bajo costo para pirometría de hollín, impulsando así la reproducibilidad y el escrutinio de los resultados reportados por la comunidad científica.

The temperature of soot particles within a flame is an important property for understanding particulate matter formation processes in combustion systems, which in turn is related to heat release and the efficiency of these systems. Soot particles emit radiation across a broad spectral range, which can be measured using optical instruments and correlated with the soot temperature by solving an inverse problem. Among the available techniques, those based on broadband emission imaging (BEMI) are attractive due to their implementation with color cameras, which reduces the complexity and cost of the experimental setup compared to more complex methods. The BEMI principle involves capturing the radiation emitted at multiple wavelengths and associating it with the temperature using equations derived from blackbody radiation and light attenuation along the sensor's optical path. Temperature estimation involves the deconvolution of the soot emissions integrated along the optical path between the flame and the sensor. Traditionally, this problem has been addressed using iterative numerical methods sensitive to measurement noise, making it difficult to obtain accurate and repeatable estimates, even with reference configurations in canonical flames. Recent studies employ artificial neural networks (ANNs) to estimate soot temperature from optical signals, and the benefits of using ANNs to characterize soot properties in terms of noise tolerance and computational cost for solving the inverse problem have been demonstrated. Most studies conducted to date have used synthetic data from canonical flames or data captured under experimental conditions. In the experimental context, the data captured for the same flame can vary depending on the optical setup used. The methodology employed to develop a low-cost ANN-based technique for soot pyrometry from BEMI signals integrates stages such as physically based data generation, instrument calibration, and experimental campaigns to train and validate the ANNs. First, a numerical environment is used to simulate experimental BEMI measurements. The CoFlame numerical algorithm, widely used to model soot in coflow diffusion laminar flames, is employed to generate reference solutions. These solutions are used to create sets of magnified temperature fields, from which projections onto the chamber plane are obtained. Subsequently, the proposed ANN architectures are validated and implemented to replace the deconvolution process. Since the performance of an ANN depends on representative training datasets, a systematic process is established that allows iteration over the different stages to generate data that reflect the phenomena observed under various operating conditions and that can be extrapolated to experimental campaigns. Evaluations indicate that the use of ANNs for soot pyrometry has advantages over classical deconvolution in terms of sensitivity to experimental noise. During training, the ANNs capture the effect of self-absorption, thus correcting the temperature underestimation characteristic of the BEMI technique, without requiring light extinction measurements. This study demonstrates the feasibility of training ANN algorithms with data generated through numerical simulations to consistently estimate soot temperature in experimental flames. Furthermore, it is possible to estimate temperature values ​​under various flame conditions, even those not explicitly included in the training dataset. The evaluated methodology uses different reference burners and BEMI array optical configurations, demonstrating its ability to operate with optical elements of varying sophistication. This study advances the state of the art by evaluating the generalization capabilities of ANNs and experimentally validating ANN-based techniques. It establishes a theoretical and practical foundation that paves the way for the development of accurate and low-cost instrumentation for soot pyrometry, thereby promoting the reproducibility and scrutiny of results reported by the scientific community.