基于深度学习的分析：在6 MPa压力下固体推进剂燃烧过程中铝颗粒的运动轨迹及其空间尺寸与速度之间的相关性

《Powder Technology》：Deep learning-based analysis of aluminum particle trajectory and spatial size-velocity correlation in solid propellant combustion at 6 MPa

铝颗粒高压试验显微成像分析及不确定性评估方法

　　在火箭推进系统中，铝粉作为关键的高能添加剂，对固体推进剂的性能起着至关重要的作用。其在燃烧过程中释放的能量不仅影响推进剂的比冲，还决定了燃烧的稳定性。因此，深入研究铝粉在燃烧过程中的行为，特别是其尺寸、位置和速度的变化，是提升火箭推进效率的重要途径。本文针对这一研究目标，提出了一种基于深度学习的数据分析方法，用于处理在高压环境下由显微成像捕获的模糊燃烧铝粉图像，实现对铝粉的检测、跟踪以及尺寸测量的不确定性评估。

在燃烧过程中，推进剂的氧化剂与燃料结合剂发生反应，导致铝颗粒熔化并聚集成团。这些团块在燃烧表面形成后，受到表面张力和阻力的影响，被抛入气相中继续氧化。氧化过程中，团块逐渐增大并形成球形结构，最终在燃烧室内燃烧。为了准确模拟氧化剂、铝团块和周围气体之间的复杂相互作用，必须对铝粉的尺寸、位置和速度进行精确测量。然而，高压条件下的推进剂燃烧会产生高燃烧速率和快速的铝粉释放，导致图像中出现密集的铝粉浓度和频繁的遮挡现象，这对多颗粒轨迹跟踪算法提出了更高的要求。

在现有的在线诊断技术中，数字全息成像、视频记录和Schlieren成像等方法被广泛应用于测量推进剂喷射中的铝粉尺寸和速度状态。其中，数字全息成像通过记录光波的干涉图样，能够重建三维的铝粉场，从而提供详细的尺寸信息。早期的研究中，Guildenbecher等人首次应用低速数字透射全息成像（DIH）技术，对推进剂喷射中的铝粉尺寸分布进行了定量分析。随着技术的发展，kHz速率的DIH被用于测量瞬态多相流中的铝粉质量流量，从而进一步研究铝粉的尺寸-速度相关性。这些方法虽然在一定程度上提高了研究的精度，但在高压条件下仍然面临诸多挑战。

高压环境下的推进剂燃烧会导致光学透射率的下降，这给现有的在线诊断和数据处理方法带来了不利影响。相比之下，非激光诊断方法，如直接显微成像，由于不受激光干涉的影响，在高压条件下的数据退化程度较低，可能更适合用于低烟推进剂的在线诊断。Liu等人对硝酸聚醚推进剂（NEPE）在3 MPa和5 MPa压力下的铝粉聚集体进行了研究，发现高压条件下的铝粉聚集体行为与低压条件下的类似。Li等人则通过显微成像对四种不同的固体推进剂燃烧动态进行了定性比较，探讨了结合剂和高氯酸铵（AP）含量对燃烧过程中铝粉烟雾浓度的影响。然而，这些研究大多集中在常压条件下的铝粉检测和跟踪，缺乏对高压条件下铝粉行为的系统性分析。

显微成像技术的一个主要限制是其景深有限，导致在高压条件下铝粉图像出现不同程度的模糊。传统研究往往只关注对焦的铝粉，忽略了失焦区域中包含的重要信息。模糊估计是计算成像中的基础任务，近年来在自然图像处理方面取得了显著进展。例如，Zhuo等人通过使用高斯梯度比来估计失焦图，方法是将输入图像重新模糊化，然后通过输入图像与重新模糊图像之间的梯度比计算模糊程度。Liu等人则提出了一种基于广义高斯函数的新方法，用于建模失焦模糊核，将其简化为单参数模型，并通过理论分析和实验验证，证明其在合成和真实图像上的性能优于传统方法。尽管这些方法在一定程度上提高了模糊估计的准确性，但在处理燃烧铝粉时仍然存在局限。

为了提升显微成像技术在高压条件下对铝粉燃烧动力学分析的能力，本文提出了一种基于深度学习的数据分析框架，用于铝粉的检测、跟踪和模糊估计。在检测阶段，采用经过SAHI（Slicing Aided Hyper Inference）增强的YOLO（You Only Look Once）模型，该模型通过分块推理显著提高了对小尺寸铝粉的检测精度。在跟踪阶段，对ByteTrack算法进行了改进，通过引入新的成本函数，使其能够更有效地处理高浓度铝粉情况下的轨迹跟踪问题。此外，本文创新性地引入了一种基于高斯核的模糊估计方法，用于量化铝粉尺寸测量的不确定性。通过定性和定量评估实验，验证了该方法在不同尺寸铝粉中的有效性。

在实验方面，本文使用了一种光学窗口弹药装置，该装置由不锈钢制成，并配备了四个圆形石英玻璃观察窗口，每个窗口的直径为70毫米，厚度为25毫米。燃烧容器的顶部盖板连接到压力表和泄压管道，以确保压力控制和安全。燃烧容器底部安装了两个电极，用于为镍铬丝提供足够的直流电压，以模拟燃烧过程。实验过程中，通过显微成像技术对单根推进剂丝在6 MPa压力下的燃烧过程进行了记录，共采集了10,000帧图像，用于后续的数据分析。

在数据处理方法方面，本文提出了一种新型的深度学习方法，该方法由三个核心模块组成：检测、跟踪和模糊估计。在检测阶段，采用经过SAHI增强的YOLO模型，该模型能够更准确地识别铝粉，特别是较小的颗粒。在跟踪阶段，对ByteTrack算法进行了改进，使其能够更好地适应高浓度铝粉情况下的轨迹跟踪需求。在模糊估计阶段，采用基于高斯核的方法，用于评估铝粉尺寸测量的不确定性。通过定性和定量评估实验，验证了该方法在不同尺寸铝粉中的有效性。

实验结果表明，该方法在检测和跟踪不同尺寸的铝粉时表现出色，特别是在处理小尺寸颗粒时。此外，通过分析铝粉的轨迹，可以进一步研究其在燃烧过程中的动态行为。同时，通过对铝粉尺寸和速度的空间分布进行分析，可以揭示其在燃烧过程中的相关性。这些结果不仅有助于理解燃烧机制，还为推进剂配方的优化提供了科学依据。

本文的研究成果展示了显微成像技术在高压条件下的应用潜力。通过引入深度学习方法，可以更有效地处理模糊图像中的铝粉信息，从而提高测量精度和数据分析效率。此外，该方法还能够用于研究燃烧铝粉的多模式行为，为推进剂燃烧动力学的研究提供了新的思路和方法。未来，随着技术的进一步发展，这种基于深度学习的分析方法有望在更广泛的燃烧研究领域中得到应用，为提高火箭推进效率和安全性提供支持。