《Aerospace Science and Technology》：Application of Optically Enhanced Technique-Assisted Cascaded Neural Networks to Hydrogen Extreme Combustion Flow Field Reconstruction
编辑推荐：
燃烧流动动力学的精确感知与预测是确保超燃冲压发动机（scramjet）在复杂工况下可靠运行的关键因素。传统深度学习技术在超声速燃烧流场重构中往往忽略关键的光学雾化效应，导致重构流场的视觉质量较差。该研究在Ma=3.0条件下，针对氢喷注压力为2 MPa、3 MP
燃烧流动动力学的精确感知与预测是确保超燃冲压发动机（scramjet）在复杂工况下可靠运行的关键因素。传统深度学习技术在超声速燃烧流场重构中往往忽略关键的光学雾化效应，导致重构流场的视觉质量较差。该研究在Ma=3.0条件下，针对氢喷注压力为2 MPa、3 MPa和4 MPa的超燃冲压发动机开展了地面实验研究。研究人员提出了一种由光学增强技术辅助的光学增强级联神经网络（OECNN）。该方法首先采用编码器-解码器（Encoder-Decoder）网络进行初步高维特征抽象与压缩，随后利用LiteDehazeNet对提取特征进行融合并增强光学清晰度，最终生成预测纹影图像。最后，将该方法与常用模型Chens、Kongs和UNet进行了对比分析。实验结果表明，与其他三种模型相比，OECNN模型在峰值信噪比（PSNR）上最高提升56.48%，在结构相似性指数（SSIM）上最高提升28.33%，在相关系数（R）上最高提升2.77%。OECNN在模型复杂度与精度之间实现了最优平衡。与现有模型相比，该模型参数量最高减少93.54%（仅41.6MB），表明其轻量化设计与流场重构能力具有显著有效性。
该论文发表于《Aerospace Science and Technology》，围绕超燃冲压发动机（scramjet）极端燃烧条件下流场状态感知难题展开研究，核心目标是利用有限的非光学传感信息实现燃烧流场纹影图像的高精度重构。研究背景在于，超燃冲压发动机作为高超声速推进的重要动力装置，其燃烧室内部在高速来流、燃料喷注以及激波/边界层相互作用共同影响下，会形成强非定常、强耦合的复杂湍流燃烧结构。这种复杂流动状态直接关系到燃烧效率、稳定性及发动机整体工作可靠性。然而，真实工况下对燃烧流场的连续、准确监测极具挑战。现有地面风洞试验虽然能够通过纹影摄影、高速摄像等非侵入式光学诊断手段获取高保真图像，但此类方法依赖大型设备，难以移植到实际飞行环境中；侵入式壁面压力测量虽具工程可实施性，却难以直接揭示燃烧室内部流场精细结构。因此，如何由壁面压力等有限传感数据反演内部燃烧流场图像，已成为智能诊断与主动流动控制中的关键问题。
在现有研究基础上，深度学习已被广泛用于燃烧场预测与流场重构，相关工作证明了由壁面压力到流场图像映射的可行性。但论文指出，既有方法多聚焦于网络结构层面的非线性拟合能力提升，而对数据本身所蕴含的光学物理属性关注不足，尤其忽略了燃烧过程中的发光、亮度变化与图像清晰度差异等问题。这导致尽管模型能够在一定程度上恢复流场大尺度结构，但重构结果在亮度一致性、局部细节保真和视觉清晰度方面仍与真实纹影图像存在偏差。基于此，研究人员提出光学增强级联神经网络（OECNN），试图在数据驱动重构框架中引入具有物理感知特征的光学增强机制，以弥补传统方法在图像质量方面的不足。
研究所采用的数据来源于中国空气动力研究与发展中心脉冲燃烧风洞中的氢燃料超燃冲压发动机地面实验。实验在Ma=3.0条件下开展，并设置2 MPa、3 MPa和4 MPa三种氢喷注压力。研究人员构建了以壁面压力数据为输入、以燃烧流场纹影图像为输出的监督学习任务，并设计了由两个核心子网络串联组成的OECNN架构：前级为编码器-解码器模块，负责高维特征压缩、抽象及初步重构；后级为LiteDehazeNet模块，用于对前级输出进行光学清晰度增强。论文强调，该级联结构将“特征学习”与“光学增强”进行功能解耦：前者侧重建立压力信号与流场结构之间的映射关系，后者则利用源于大气散射物理模型的轻量化去雾思想修正亮度与清晰度失配问题，从而提高最终纹影重构质量。研究还将该模型与Chens、Kongs和UNet三类常用模型进行系统比较，并借助峰值信噪比（PSNR）、结构相似性指数（SSIM）、相关系数（R）以及像素级误差和结构连续性分析等指标对性能进行评估。
该研究的主要意义在于，不仅验证了由壁面压力重构超声速燃烧流场纹影图像的可行性，而且进一步指出，光学属性增强是提升重构质量的重要方向。通过在级联网络中嵌入轻量化光学增强模块，研究人员实现了精度、视觉质量和模型复杂度之间更优的折中，这为受限观测条件下的燃烧状态估计和未来工程应用提供了新的方法路径。
从技术方法上看，研究主要采用了以下几类关键方法：其一，基于脉冲燃烧风洞试验建立样本数据集，样本来源为中国空气动力研究与发展中心，包含Ma=3.0条件下不同氢喷注压力工况的壁面压力与对应纹影图像；其二，构建编码器-解码器（Encoder-Decoder）网络完成压力信号高维特征提取、压缩与初步图像重建；其三，引入轻量化去雾网络LiteDehazeNet，依据大气散射物理模型进行光学清晰度与亮度增强；其四，基于PyTorch框架进行监督训练，并采用均方误差（MSE）损失函数优化模型；其五，通过与Chens、Kongs及UNet模型的多指标对比完成性能验证。
以下结合论文主体内容，对研究结果进行分项解读。
Experimental Apparatus and Dataset Development
该部分主要介绍实验装置与数据集构建过程。全部实验工作均在中国空气动力研究与发展中心的脉冲燃烧风洞内完成。论文指出，该类型风洞具有操作相对简便、试验周期较短以及重复性较高等特点，适用于获取高焓来流条件下的燃烧实验数据。为模拟实际飞行条件下的高焓流入，试验采用富氧空气与氢气混合燃烧的加热方式。基于该试验平台，研究人员采集了超燃冲压发动机在Ma=3.0条件下、不同氢喷注压力工况对应的壁面压力信号与纹影图像，建立了后续监督学习所需的数据基础。该部分得出的关键结论是：研究所使用的数据具有明确的实验来源和工况覆盖，能够支撑从压力测量到纹影图像重构的模型训练与测试。
Model and Methodology
该部分是全文的核心。研究人员设计了光学增强级联神经网络（OECNN）用于由壁面压力重构燃烧室内部复杂湍流流场。模型由两个核心子网络组成。第一部分为编码器-解码器模块，负责对输入信号进行高维特征抽象、压缩与初步重构，以获取流场结构的基础表征；第二部分为LiteDehazeNet模块，负责在此基础上进行光学清晰度增强，以改善输出纹影图像的亮度、对比度与局部细节表现。论文认为，这种双路径级联设计使得网络能够分别处理“结构恢复”和“视觉增强”两个任务，从而克服传统单一网络在光学质量方面的不足。该部分得出的结论是：通过将特征表征与光学增强进行模块化级联，OECNN能够更有效地恢复纹影图像中的流场结构连续性与视觉清晰度。
Model Training
该部分介绍模型训练策略。研究在PyTorch框架下构建并训练模型，将任务定义为监督学习问题，并采用均方误差（MSE）作为损失函数，用于衡量预测纹影图像与真实纹影图像之间的像素差异。损失函数以图像宽度W和高度H范围内各像素点真实值与预测值之差的平方平均形式定义。该训练目标说明研究更侧重于整体重构误差的稳定收敛和图像级映射精度。该部分表明，模型训练过程具有明确的优化目标和统一评价基础，为后续不同网络之间的公平比较提供了条件。
Results and Comparative Analysis
从摘要与结论可见，论文重点比较了OECNN与Chens、Kongs以及UNet三类基线模型的重构性能。实验结果显示，OECNN在峰值信噪比（PSNR）方面最高提升56.48%，在结构相似性指数（SSIM）方面最高提升28.33%，在相关系数（R）方面最高提升2.77%。这些结果说明，OECNN不仅在像素层面提高了重构图像与真实图像的一致性，而且在图像结构保持与整体相关性方面也优于对比模型。论文进一步指出，该模型在模型复杂度与重构精度之间实现了较优平衡，参数量最高减少93.54%，模型规模仅为41.6MB。这表明，OECNN在保证较高精度的同时具有显著轻量化优势，更符合资源受限场景下的部署需求。由此得出的结论是：OECNN在图像质量、结构保真和工程可部署性方面均优于传统重构网络。
Conclusion
论文结论部分指出，该研究创新性地提出了用于超声速燃烧室流场纹影图像重构的OECNN算法，并与三种传统模型进行了对比分析。结论首先强调，编码器-解码器特征张量缩放与精心选择的LiteDehazeNet模块的集成，有效处理了全局亮度一致性与局部流动结构细节之间的平衡问题。这表明研究人员在网络设计中并非单纯追求更深或更复杂的结构，而是有针对性地通过轻量模块增强图像光学表达能力。结合前述定量结果可知，该模型相较现有方法在重构精度、视觉质量以及参数规模方面均表现出明显优势。
综合讨论部分，论文的主要贡献可概括为三个层面。第一，在问题认识上，研究明确指出现有燃烧流场重构工作虽然已在深度学习映射能力方面取得进展，但对燃烧图像所包含的光学物理属性考虑不足，这是影响纹影重构质量的重要原因。第二，在方法设计上，研究通过级联架构将高维特征学习与光学增强分离，并引入基于大气散射思想的LiteDehazeNet，实现了物理感知的图像后增强处理。第三，在工程应用上，模型在保持较低参数量和较小存储规模的同时获得显著性能提升，说明该方法更适合在受限传感、受限算力和无法搭载大型光学设备的环境中用于燃烧流场状态估计。总体而言，该研究为超燃冲压发动机燃烧诊断提供了一种兼顾精度、轻量化与物理合理性的智能重构方案，也为后续融合物理信息的流场重构研究提供了有价值的思路。
研究结论翻译如下：
该研究创新性地提出了一种用于超声速燃烧室流场纹影图像重构的OECNN算法，并与三种常规模型进行了比较分析。关键结论如下：1. 编码器-解码器（Encoder-Decoder）特征张量缩放与精心选取的LiteDehazeNet模块的新型集成，有效解决了全局亮度一致性与局部流动结构细节之间的平衡问题。2. OECNN在PSNR、SSIM和相关系数（R）等多项指标上均优于Chens、Kongs和UNet模型，表明其具有更强的流场图像重构能力。3. 该模型在保持高重构精度的同时显著降低了参数量与模型规模，实现了模型复杂度与准确性之间的优化平衡，验证了其轻量化设计和流场重构能力的有效性。
