近日，我院首届致远荣誉计划博士生黄建青在Journal of Fluid Mechanics发表“Rapids系列”论文，介绍流体力学领域的重要进展。在题为“Online in situ prediction of 3D flame evolution from its history 2D projections via deep learning”的论文中，作者借助深度卷积神经网络（CNN）和长短期记忆网络（LSTM）构建了数据驱动的火焰演化过程预测模型，首次演示了火焰三维结构演化的快速预测。论文第一作者为黄建青，共同作者为叶轮机械研究所博士生刘何聪，通讯作者为蔡伟伟特别研究员。
图一：CNN-LSTM火焰预测模型原理图。对于训练好的模型，输入一小段连续的火焰二维投影照片，
即可快速准确地预测出火焰在未来某一时刻的三维结构。
一直以来，火焰三维演化过程的在线精确预测及优化控制是燃烧科研工作者的终极目标，被认为是燃烧界的圣杯。近年来，随着大规模计算机集群和超级计算机的发展，计算流体力学（CFD）取得了长足的进步，已广泛应用于真实环境下各种复杂流场的模拟研究。然而，由于计算量过于巨大，目前最为先进的CFD技术如直接数值模拟（DNS）仍无法实现火焰演化过程的在线精确预测。为此，黄建青等通过结合最先进的实验技术（即单相机高速三维层析技术）和深度学习算法，提出了全新的火焰演化预测方法。概念性验证实验表明，仅仅使用普通GPU服务器即可实现典型的层流扩散火焰和非预混旋流火焰三维演化过程的快速精确预测，处理时间仅需毫秒量级。通过增加GPU的数目或实现并行计算，预测所需时间可进一步缩短，证实了火焰三维演化过程实时预测的可行性。
该技术具有广泛的应用前景：例如，通过结合控制技术可实现燃气轮机、电站锅炉等动力装置的实时优化及运行；同时，随着公共安全受到广泛关注，该技术也可用于火灾等灾害的预测与报警。该项工作得到了国家自然科学基金（NO. 51706141）的支持。
流体力学期刊是剑桥大学出版社旗下的核心期刊之一，刊载有关流体力学理论、数值、实验和应用论文，涉及航空学、天体物理学、化学与机械工程、水力学、气象学、海洋学等领域，是国际上最有影响力的流体力学期刊。
