Experimental prediction of lean blowout: a review
-
摘要: 贫燃熄火（Lean Blowout，LBO）属于一类特殊的不稳定燃烧现象，往往导致严重后果。因此，及时准确地预测出贫燃熄火现象是实现燃烧稳定性控制的一个重要前提。本文综述了2000年以来，基于化学发光信号、可见光谱颜色信号、温度信号、声压信号和离子电信号预测LBO的原理，以及其采集方式和各自特点。接着介绍了将这些信号进行分析处理得到控制参数的5类方法，分别为统计法、阈值-事件法、频谱法、符号法和非线性动力学法，将这些方法进行综合比较，评价了其预测效果。最后从实际应用的角度出发，对贫燃熄火检测技术的未来发展提出展望。Abstract: Lean Blowout (LBO) is a special kind of instable combustion phenomena which can lead to catastrophic consequences. Thus, it is critical to accurately predict and control the occurrence of LBO. In this work, we summarize the methods developed since 2000 for the prediction of LBO based on flame chemiluminescence, color, temperature, acoustic, and ion signals. How to collect these signals is described as well as five methods of analyzing the collected signals are introduced and compared against each other. Finally, conclusions are provided and future research perspectives are proposed.
-
Keywords:
- lean blowout /
- combustion instability /
- signal sampling /
- detection and prediction
-
0 引言
飞机在飞行中穿越含有过冷水滴的云层，过冷水滴撞击在飞机表面，在撞击区域附近很可能产生结冰现象[1-2]。结冰广泛存在于飞行实践中，并对飞行安全产生危害[3-5]。飞机结冰传感器是安装于机体表面，用于侦测飞机是否进入结冰环境的仪器设备，是飞机结冰防护系统的重要组成部分[6-7]。航空系统结冰传感器种类众多，按照安装方式分类可分为2种[8]：一种是传感器探头从飞机机体伸出，这种传感器通常是安装在机头一侧；另一种是传感器埋装于易结冰部位，探头与飞机表面(如机翼前缘)齐平。虽然第2种结冰传感器测量更直接，但是仅有少数国外公司生产，而且存在安装麻烦、需耐受飞机表面防冰或除冰加热时的高温等不足，所以目前第1种传感器仍然是主流。
受空气绕流的影响，结冰环境下飞机周围流场中的水滴在空间分布不均匀。在近壁面的广泛区域，存在无水区，如果传感器探头处于这一区域，会探测不到结冰，导致漏报。离壁面一定距离，又存在水滴聚集区，该区域的水滴容积分数远高于周围流场，如果传感器探头始终在该区域，又会使得信号过于敏感，干扰飞行员的操作。好的结冰传感器需要适用于不同的飞行状态，除了避免漏报，还应该在起到预警作用的同时，避免传感器的反馈过于敏感，出现虚警误报的情况。因此，传感器的安装位置直接决定了冰的探测效果，在进行飞机设计时，需要专门研究。由于飞机上可安装传感器的区域众多，且传感器外形尺寸与飞机差距巨大，如果按照常规设计思路，把传感器加载到飞机表面逐个位置进行设计分析，需耗费巨大的工作量。
目前国内外对飞机结冰探测技术的研究依然十分活跃[9-11]，但主要集中于新型结冰传感器的研发及验证方面，关于如何确定结冰传感器安装位置方面的研究很少，仅有零星的公开报道[12]。目前尚未形成系统的结冰传感器位置确定方法及规范。针对该现状，本文提出一种确定结冰传感器安装位置的方法，采用该方法对某型民航客机的结冰传感器安装位置进行分析，并采用数值仿真手段进行安装效果验证，以获得适合该型飞机的结冰传感器安装位置。
1 结冰传感器安装位置的确定方法
1.1 基本步骤
确定结冰传感器安装位置的步骤为：
(1) 采用CFD方法计算未安装传感器飞机的空气流场，获得不同条件下绕飞机的空气流场分布；
(2) 在流场计算的基础上，采用欧拉法计算水滴场，得到不同直径水滴在飞机流场中的容积分数分布；
(3) 根据水滴收集率的定义以及传感器探头距物面的尺寸范围，获得传感器拟安装区域不同位置的水滴收集率以及对应条件下飞机机翼的水滴收集率；
(4) 对比传感器拟安装位置的水滴收集率与机翼表面的最大水滴收集率，从保证传感器可以起到预警作用的角度出发，进而给出传感器合适的安装位置范围；
(5) 将传感器加载到对应位置，对机体/传感器的组合构型进行数值仿真分析，对探测效果进行验证确认。
1.2 空气流场计算方法
空气流场通过采用成熟的SIMPLE系列算法求解低速粘流的时均N-S方程获得，控制方程的通用形式为：
(1) 式中:ρa为空气密度; ua为空气速度; ϕ和qϕ取不同的值，可代表流场的连续性方程、动量方程和湍动能等其他标量的输运方程。方程(1)中各项的物理意义和具体表达式，以及方程的求解方法，可参见文献[13]，此处不再详述。
1.3 水滴容积分数计算方法
引入水滴容积分数α，其定义为空间微团中水滴相所占的体积比例，则可以建立水滴相的控制方程，包括连续方程和动量方程，分别为[14]：
(2) 
(3) 式中：ud为水滴速度；ρd为水滴密度；g为重力加速度；K为惯性因子。与空气流场控制方程类似，水滴项控制方程可以统一写成输运方程的形式：
(4) 式中：qϕ为源项; ϕ取1；ud、vd或wd分别代表连续方程和x、y、z方向的动量方程，方程(4)的求解详见文献[14]。
1.4 水滴收集率计算
飞机表面的水滴收集率β可在获得当地水滴容积分数α和水滴速度ud之后，由以下公式计算：
(5) 式中：α∞为远场水滴容积分数；u∞为远场水滴速度；n为物面碰撞点处的单位法线向量。
2 某客机结冰传感器安装位置分析
2.1 飞机构型
研究选用的构型是某民航客机的简化外形，包括机头、机身和机翼的组合体，忽略发动机和尾翼的影响。
第一类结冰传感器通常安装于机头，因此重点分析该飞机机头周边区域，在机头区域沿着垂直于飞机轴向的方向截取4个截面，截面的位置选取如图 1(a)所示，4个截面距机身鼻尖分别为0.73、1.2、2.08和4.66m。根据传感器探头距物面的距离，在每个截面上不同周向位置选取6个点，以分析传感器分别安装于这6个点的结冰探测效果。图 1(b)所示为截面1传感器布置，图中红色的圆圈为拟布置结冰传感器的6个位置，其他3个截面的布置及编号与截面1类似。
2.2 计算条件及网格
空气流场计算条件为3种迎角(2°、4°和6°)与2种飞行速度(116和127m/s)的组合，共6种状态，考虑2种水滴直径(20和40μm)，计算状态共12组。计算网格采用结构化多块对接网格，网格规模2000万。
2.3 计算结果与分析
2.3.1 飞机表面收集率
表 1给出了不同状态下机翼上的最大水滴收集率，可以看出，水滴直径及速度的增加，都会导致水滴收集率增加，最大水滴收集率的范围在0.570至0.742之间。图 2给出了Case 5和Case 10这2种典型状态下，全机表面的水滴收集率分布，可见水滴主要撞击在机头鼻尖、风挡和机翼前缘区域，最大水滴收集率βw出现在机翼翼尖前缘。
表 1 各状态下机翼最大水滴收集率Table 1 The maximum local collection coefficient on the wings under each condition编号 速度
/(m·s-1)水滴直径
/μm迎角
/(°)最大水滴
收集率β1 116 20 2 0.623 2 116 40 2 0.720 3 116 20 4 0.615 4 116 40 4 0.718 5 116 20 6 0.570 6 116 40 6 0.708 7 127 20 2 0.635 8 127 40 2 0.742 9 127 20 4 0.639 10 127 40 4 0.742 11 127 20 6 0.603 12 127 40 6 0.733 ![]()
图 2 典型状态下飞机表面水滴收集率分布Fig. 2 Local collection coefficient on aircraft surface under typical conditions2.3.2 截面1传感器安装效果分析
图 3给出的是Case 5和Case 10这2种典型状态下截面1内的无量纲液态水含量(当地水滴容积分数与远场水滴容积分数之比)分布云图及结冰传感器位置。可以看到，6个传感器在各种状态下均处于无水区之外，并靠近最大液态水含量分布区域。
表 2提供的是传感器探头处的平均水滴收集率和机翼上最大水滴收集率的比值，可以看出，水滴收集率比值在1.371~2.077之间。这表明在所有状态下，探头上的结冰速度比飞机机翼上结冰速度最快的位置还要快，说明选取截面1上6个位置安装传感器都可以起到较好的结冰预警作用。
表 2 截面1水滴收集率与机翼上最大水滴收集率的比值Table 2 The ratio of local collection coefficient in section 1 to maximum local collection coefficient on the wing编号 1_1 1_2 1_3 1_4 1_5 1_6 1 1.38 1.371 1.372 1.547 1.663 1.713 2 1.491 1.460 1.422 1.59 1.663 1.713 3 1.607 1.605 1.542 1.621 1.763 1.825 4 1.755 1.534 1.491 1.496 1.807 1.845 5 1.79 1.792 1.658 1.728 1.819 1.865 6 2.077 1.683 1.525 1.505 1.604 1.727 7 1.492 1.498 1.469 1.661 1.866 1.919 8 1.457 1.405 1.346 1.534 1.731 1.962 9 1.591 1.522 1.485 1.595 1.676 1.749 10 1.57 1.476 1.429 1.431 1.561 1.614 11 1.724 1.749 1.731 1.684 1.738 1.866 12 1.749 1.716 1.408 1.415 1.523 1.574 2.3.3 截面2传感器安装效果分析
图 4和表 3给出的是截面2的结果。6个位置在各种状态下也处于无水区之外，水滴收集率比值在1.586~3.229之间，较截面1的比值稍大，说明选取截面2上6个位置安装传感器也都可以起到较好的结冰预警作用。
表 3 截面2水滴收集率与机翼上最大水滴收集率的比值Table 3 The ratio of local collection coefficient in section 2 to maximum local collection coefficient on the wings编号 2_1 2_2 2_3 2_4 2_5 2_6 1 1.586 1.608 1.705 1.893 2.173 2.191 2 2.239 1.834 1.836 2.666 3.229 2.767 3 1.756 1.662 1.747 1.882 2.007 2.124 4 3.167 2.244 1.938 2.223 3.173 3.023 5 1.904 1.910 1.904 2.000 2.126 2.174 6 2.884 2.915 2.313 2.191 2.589 2.852 7 1.600 1.618 1.689 1.892 2.048 2.269 8 1.708 1.685 1.786 2.226 3.251 2.680 9 1.711 1.706 1.725 1.861 1.982 2.110 10 2.717 1.913 2.110 2.474 3.146 2.901 11 1.796 1.877 1.835 1.929 2.045 2.276 12 2.900 3.094 2.580 2.098 2.887 2.702 2.3.4 截面3传感器安装效果分析
表 4给出的是截面3的结果。可以看到，3_1、3_2、3_3、3_4这4个位置的水滴收集率与机翼上最大水滴收集率的比值在1.456~3.366之间；而在位置3_5、Case 8时，探头的平均水滴收集率与机翼上最大水滴收集率的比值仅为0.856；在位置3_6、Case 2、Case 8和Case 10时，探头的平均水滴收集率与机翼上最大水滴收集率的比值均小于1，最小值甚至只有0.287。图 5给出的是典型状态下截面3内的无量纲液态水含量分布云图及结冰传感器位置，可以看到，3_5、3_6已经接近无水区，说明传感器安装在3_5和3_6不能满足结冰探测需求。
表 4 截面3水滴收集率与机翼上最大水滴收集率的比值Table 4 The ratio of local collection coefficient in section 3 to maximum local collection coefficient on the wings编号 3_1 3_2 3_3 3_4 3_5 3_6 1 1.456 1.743 2.054 2.016 2.38 2.347 2 2.001 2.086 3.324 3.081 2.052 0.287 3 1.529 1.827 2.100 2.193 2.297 2.411 4 2.348 1.849 3.311 2.873 2.196 1.296 5 1.723 1.913 2.097 2.139 2.303 2.255 6 2.680 2.253 3.376 3.440 2.992 2.080 7 1.498 1.837 2.026 2.063 2.367 2.353 8 1.848 2.036 3.016 3.166 0.856 0.250 9 1.553 1.788 2.096 2.054 2.359 2.456 10 2.729 2.172 3.366 3.245 1.594 0.862 11 1.807 1.839 2.144 2.136 2.343 2.239 12 2.839 2.822 3.363 3.323 1.438 2.988 2.3.5 截面4传感器安装效果分析
表 5和图 6给出的是截面4的安装效果。从表 5可以看出，6个位置在某些状态下都存在传感器探头处平均水滴收集率与机翼上最大水滴收集率的比值小于1的情况。从图 6可以看到，6个位置都在某些状态下靠近或处于无水区，说明传感器安装在这些位置均不能满足结冰探测需求。
表 5 截面4水滴收集率与机翼上最大水滴收集率的比值Table 5 The ratio of local collection coefficient in section 4 to maximum local collection coefficient on the wings编号 4_1 4_2 4_3 4_4 4_5 4_6 1 2.723 2.137 2.478 2.390 2.510 2.485 2 2.276 0.216 0.089 0.211 0.001 0.089 3 2.295 2.328 2.190 2.705 2.487 2.310 4 0.933 1.642 1.277 0.03 0.000 0.015 5 2.704 2.27 2.476 2.573 2.640 2.513 6 1.588 2.188 0.72 0.122 0.030 0.089 7 2.402 2.245 2.365 2.614 2.279 2.445 8 1.203 1.800 0.057 0.015 0.000 0.001 9 2.539 2.253 2.258 2.587 2.501 2.578 10 1.059 1.332 0.459 0.087 0.003 0.001 11 2.694 2.352 2.505 2.488 2.52 2.433 12 0.618 1.155 0.116 0.015 0.004 0.143 3 计算仿真验证
以上分析是基于飞机未安装传感器的结果，实际传感器安装在飞机上之后，必定会给安装位置附近的流场带来干扰，使得探头处的水滴收集率发生改变。为了验证以上分析方法的可行性，将结冰传感器安装在飞机上，并对传感器/飞机组合构型的水滴收集率进行了计算仿真。
结冰传感器选用目前运输类飞机普遍采用的磁致伸缩型传感器，总高度为7cm，其中底座直径为4cm，高3cm，探头直径1cm，高4cm，将其置于位置2_3，计算采用多块对接网格(见图 7)。
图 8给出的是Case 5状态下，传感器表面的水滴收集率分布云图。探头处的平均水滴收集率为1.141。同时，本文对组合构型在Case 10状态下的结果进行了计算，探头处的平均水滴收集率为1.756, 而Case 5和Case 10未考虑传感器位置的平均水滴收集率为1.063和1.392。由于Case 5和Case 10是机翼水滴收集率最大和最小的2种情况，因此空气流场不同导致的探测结果差异均在这两者之间变动。在其他状态下，位置2_3传感器探头处的水滴收集率同样略高于未考虑传感器扰动时的水滴收集率，说明采用本文提出的结冰传感器安装位置确定方法是偏保守、可行的方法。
4 结论
提出了飞机结冰传感器安装位置的确定方法，并针对某型民航客机进行了应用分析，得到如下结论：
(1) 本文方法基于飞机未加装传感器的构型进行分析，其得到的结论已满足安装传感器后的要求，可普遍应用于运输类飞机设计，有效提高结冰防护系统设计的效率。
(2) 结冰传感器的安装，还需考虑与其他机载传感器(如迎角传感器、速度传感器)的干扰问题，可在本文方法得到的区间范围内，选取与其它传感器距离较远的、干扰较少的位置。
需要说明的是，传感器除了要具有预警作用，还要避免结冰过快导致过度报警，只要求传感器的结冰速度比机翼快，虽然可以保证飞行安全，但却不是最科学的。传感器的结冰速率究竟要比机翼快多少合适，目前还没有一个标准和规范，需要下一步深入研究。
致谢: 感谢国家自然科学基金(51706141)及“青年千人”项目的支持。 -
![]()
![]()
![]()
![]()
表 1 信号类型汇总
Table 1 Summary of signal types for LBO prediction
信号类型
Signal type采集设备
Instrumentation采样频率
Sampling frequency参考文献 & 年份
References & year信号采集特点
CharacteristicsChemiluminescence
(OH*/CH*)Photodiode
PMT1~5 kHz [3, 6, 24-28]
2002-2016(a) Area measurement; (b) Easily affected by interference from other species; (c) Require optical windows Acoustic pressure
(p)Microphone 2kHz [14, 15, 17, 18, 29]
2003-2015(a) Global measurement; (b) Easily affected by interference from background noise; (c) Easy to operate Temperature(T) TDL 2kHz [8, 9, 11, 30]
2006-2009(a) Local measurement; (b) Insensitive to background acoustic noise and flame emissions; (c) Complex and not easy to operate Color
(C)DSLR camera Maximum framing rate [12, 13]
2008-2013(a) Global measurement; (b) Inexpensive and easy to operate; (c) consistent for sensing the incipient LBO over awide range of air/fuel unmixedness Ion
(I)Ion current sensor 4~10kHz [20-23, 31]
2004-2017(a) Local and intrusion measurement; (b) Easy to install; (c) Sensitive to the change of flame 
下载: 导出CSV
表 2 信号处理方法汇总
Table 2 Summary of signal processing methods for LBO prediction
信号处理方法 信号来源 控制参数 计算效率 稳定性 灵敏性 参考文献 & 年份 Statistic OH*/CH*,
p,
C,
IRMS；Θ；γ；
σ2；μ；Peak；High Low Low [6, 13, 27, 32, 41]
2002-2016Threshold-event OH*/CH*,
p,
ISI Medium High High [5, 15, 25, 26, 42]
2002-2013Symbol OH*/CH*,
p,M High High Medium [28, 36, 37]
2006-2015Spectrum OH*/CH*,
p,
T,
IEF; SIR Medium Medium Low [7, 9, 11, 15, 18, 20, 31]
2002-2017Nonlinear dynamics p Etrans; hp Low High Medium [29, 38, 39]
2011-2014
下载: 导出CSV
-
[1] Chao Y C, Chang Y L, Wu C Y, et al. An experimental investigation of the blowout process of a jet flame[J]. Proceedings of the Combustion Institute, 2000, 28(1):335-342. DOI: 10.1016/S0082-0784(00)80228-3
[2] Hedman P O, Fletcher T H, Graham S G, et al. Observations of flame behavior in a laboratory-scale pre-mixed natural gas/air gas turbine combustor from PLIF measurements of OH[J]. American Society of Mechanical Engineers, 2002, (2):301-311. https://www.researchgate.net/profile/Thomas_Fletcher4/publication/267403664_Observations_of_Flame_Behavior_in_a_Laboratory-Scale_Pre-Mixed_Natural_GasAir_Gas_Turbine_Combustor_From_PLIF_Measurements_of_OH/links/548f48480cf2d1800d8624aa.pdf
[3] Muruganandam T M, Seitzman J M. Characterization of extinction events near blowout in swirl dump combustors[R]. AIAA-2005-4331, 2015.
[4] Docquier N, Candel S. Combustion control and sensors:a review[J]. Progress in Energy & Combustion Science, 2002, 28(2):107-150. https://www.sciencedirect.com/science/article/pii/S0360128501000090
[5] Bompelly R K. Lean blowout and its robust sensing in swirl combustors[D]. Georgia Institute of Technology, 2013.
[6] Thiruchengode M. Sensing and dynamics of lean blowout in a swirl dump combustor[J]. Dissertation Abstracts International, 2006, 67(3):1544. https://smartech.gatech.edu/handle/1853/10538?show=full
[7] Muruganandam T, et al. Optical and acoustic sensing of lean blowout precursors[C]. AIAA/ASME/SAE/ASEE Joint Propulsion Conference & Exhibit, 2006.
[8] Hanson R K, Jeffries J B, Zhou X, et al. Smart sensors for advanced combustion systems[R]. GCEP Technical Report, 2006.
[9] Li H, Zhou X, Jeffries J B, et al. Active control of lean blowout in a swirl-stabilized combustor using a tunable diode laser[J]. Proceedings of the Combustion Institute, 2007, 31(2):3215-3223. DOI: 10.1016/j.proci.2006.07.006
[10] Zhou X, Jeffries J B, Hanson R K. Development of a fast temperature sensor for combustion gases using a single tunable diode laser[J]. Applied Physics B, 2005, 81(5):711-722. DOI: 10.1007/s00340-005-1934-y
[11] Li H, Zhou X, Jeffries J B, et al. Sensing and control of combustion instabilities in swirl stabilized combustors using diode-Laser absorption[J]. AIAA Journal, 2007, 45(2):390-398. DOI: 10.2514/1.24774
[12] Huang H W, Zhang Y. Flame colour characterization in the vi-sible and infrared spectrum using a digital camera and image processing[J]. Measurement Science & Technology, 2008, 19(19):085406. http://cat.inist.fr/?aModele=afficheN&cpsidt=20575331
[13] Chaudhari R, Sahu R, Ghosh S, et al. Flame color as a lean blowout predictor[J]. International Journal of Spray & Combustion Dynamics, 2013, 5(1):49-66. https://www.researchgate.net/profile/Suvojit_Ghosh/publication/279229337_Flame_Color_as_a_Lean_Blowout_Predictor/links/55d5dd7608ae9d65948984f5/Flame-Color-as-a-Lean-Blowout-Predictor.pdf
[14] Cohen J M, Wake B E, Choi D. Investigation of instabilities in a lean, premixed step combustor[J]. Journal of Propulsion & Power, 2003, 19(1):81-88. https://www.researchgate.net/publication/245435357_Investigation_of_Instabilities_in_a_Lean_Premixed_Step_Combustor
[15] Nair S, Lieuwen T. Acoustic detection of blowout in premixed flames[J]. Journal of Propulsion & Power, 2012, 21(1):32-39. https://www.researchgate.net/profile/Tim_Lieuwen/publication/228615582_Acoustic_Detection_of_Blowout_in_Premixed_Flames/links/5404737f0cf2c48563b09363.pdf?inViewer=true&pdfJsDownload=true&disableCoverPage=true&origin=publication_detail
[16] Prakash S, Nair S, Muruganandam T M, et al. Acoustic based rapid blowout mitigation in a swirl stabilized combustor[C]. ASME Turbo Expo 2005: Power for Land, Sea and Air, 2005.
[17] Nair S, Lieuwen T. Acoustic detection of imminent blowout in pilot and swirl stabilized combustors[C]//Proceedings of ASME/IGTI Turbo Expo Atlanta, Georgia, 2003.
[18] Thiruchengode M M, Nair S, Lieuwen T, et al. Real-time control of the lean blow out limit in premixed combustors[C]//Proceedings of the Third Joint Meeting of the US, 2003.
[19] Fialkov A B. Investigations on ions in flames[J]. Progress in Energy & Combustion Science, 1997, 23(5-6):399-528. https://www.sciencedirect.com/science/article/pii/S0360128597000166
[20] Thornton J D, Straub D L, Chorpening B T, et al. A combustion control and diagnostics sensor for gas turbines[C]. ASME Turbo 2004: Power for Land, Sea and Air, 2004.
[21] Chorpening B T, Straub D L, Huckaby E D, et al. Detection of lean blowout and combustion dynamics using flame ionization[C]. ASME Turbo Expo 2005: Power for Land, Sea and Air, 2005.
[22] Li F, Xu L, Du M, et al. Ion current sensing-based lean blowout detection for a pulse combustor[J]. Combustion & Flame, 2017, 176:263-271. https://www.sciencedirect.com/science/article/pii/S0010218016303248
[23] Straub D L, Chorpening B T, Huckaby E D, et al. Time-varying flame ionization sensing applied to natural gas and propane blends in a pressurized lean premixed (LPM) combustor[C]. American Society of Mechanical Engineers, 2008.
[24] Thiruchengode M, Nair S, Neumeier Y, et al. An active control system for LBO margin reduction in turbine engines[J]. British Phycological Journal, 2003, 27(2):107-118. http://www.academia.edu/6064326/An_Active_Control_System_for_LBO_Margin_Reduction_in_Turbine_Engines
[25] Nair S, Muruganandam T M, Olsen R, et al. Lean blowout detection in a single nozzle swirl cup combustor[R]. AIAA-2004-138, 2004.
[26] Bompelly R, Lieuwen T, Seitzman J. Lean blowout and its sensing in the presence of combustion dynamics in a premixed swirl combustor[C]. AIAA Aerospace Sciences Meeting Including the New Horizons Forum and Aerospace Exposition, 2013.
[27] Yi T, Gutmark E J. Real-time prediction of incipient lean blowout in gas turbine combustors[J]. AIAA Journal, 2015, 45(7):1734-1739. https://www.researchgate.net/profile/Tongxun_Yi/publication/245426311_Real-Time_Prediction_of_Incipient_Lean_Blowout_in_Gas_Turbine_Combustors/links/0a85e53317e08d3034000000.pdf
[28] Mukhopadhyay A, Chaudhari R R, Paul T, et al. Lean blow-out prediction in gas turbine combustors using symbolic time series analysis[J]. Journal of Propulsion & Power, 2013, 29(4):950-960. DOI: 10.2514/1.B34711?journalCode=jpp
[29] Shinoda Y, Kobayashi M, Gotoda H, et al. Detection of lean blowout in a premixed gas-turbine model combustor based on nonlinear dynamics[J]. Advanced Computational Methods & Experiments in Heat Transfer XⅡ, 2012, 75(6):323-331. DOI: 10.2514/1.B34711?journalCode=jpp
[30] Rieker G B, Jeffries J B, Hanson R K, et al. Diode laser-based detection of combustor instabilities with application to a scramjet engine[J]. Proceedings of the Combustion Institute, 2009, 32(1):831-838. DOI: 10.1016/j.proci.2008.06.114
[31] Nair S, Rajaram R, Meyers A J, et al. Acoustic and ion sensing of lean blowout in an aircraft combustor simulator[R]. AIAA-2005-932, 2005.
[32] Taware A, Shah M, Wu P, et al. Acoustics based prognostics for DLE combustor lean blowout detection[C]. ASME Turbo Expo 2006: Power for Land, Sea and Air, 2006.
[33] Muruganandam T M, Seitzman J M. Optical sensing of lean blowout precursors in a premixed swirl stabilized dump combustor[C]. ASME Turbo Expo 2003, collocated with the 2003 International Joint Power Generation Conference, 2003.
[34] Muruganandam T M, Nair S, Scarborough D, et al. Active control of lean blowout for turbine engine combustors[J]. Journal of Propulsion & Power, 2005, 21(5):807-814. http://cat.inist.fr/?aModele=afficheN&cpsidt=17113913
[35] Giorgi M G D, Sciolti A, Campilongo S, et al. Experimental data regarding the characterization of the flame behavior near lean blowout in a non-premixed liquid fuel burner[J]. Data in Brief, 2015, 6(C):189. https://www.sciencedirect.com/science/article/pii/S2352340915003467
[36] Datta S, Mukhopadhyay A, Sanyal D. Use of temporal irreversibility of symbolic time series for early detection of extinction in thermal pulse combustors[C]. ASME 2006 International Mechanical Engineering Congress and Exposition, 2006.
[37] Sarkar S, Ray A, Mukhopadhyay A, et al. Dynamic data-driven prediction of lean blowout in a swirl-stabilized combustor[J]. International Journal of Spray & Combustion Dynamics, 2015, 7(3):209-242. DOI: 10.1260/1756-8277.7.3.209
[38] Gotoda H, Nikimoto H, Miyano T, et al. Dynamic properties of combustion instability in a lean premixed gas-turbine combustor[J]. Chaos, 2011, 21(1):013124. DOI: 10.1063/1.3563577
[39] Gotoda H, Shinoda Y, Kobayashi M, et al. Detection and control of combustion instability based on the concept of dynamical system theory[J]. Physical Review E Statistical Nonlinear & Soft Matter Physics, 2014, 89(2):672-699. http://gasturbinespower.asmedigitalcollection.asme.org/article.aspx?articleid=2539420
[40] Domen S, Gotoda H, Kuriyama T, et al. Detection and prevention of blowout in a lean premixed gas-turbine model combustor using the concept of dynamical system theory[J]. Proceedings of the Combustion Institute, 2015, 35(3):3245-3253. DOI: 10.1016/j.proci.2014.07.014
[41] Giorgi M G D, Sciolti A, Campilongo S, et al. Image processing for the characterization of flame stability in a non-premixed liquid fuel burner near lean blowout[J]. Aerospace Science & Technology, 2016, 49:41-51. https://www.sciencedirect.com/science/article/pii/S1270963815003740
[42] Bompelly R K, Seitzman J M. Robust lean blowout sensing for turbine engine combustors[C]. ASME 2011 Turbo Expo: Turbine Technical Conference and Exposition, 2011.
[43] Ballester J, Hernández R, Sanz A, et al. Chemiluminescence monitoring in premixed flames of natural gas and its blends with hydrogen[J]. Proceedings of the Combustion Institute, 2009, 32(2):2983-2991. DOI: 10.1016/j.proci.2008.07.029
-
期刊类型引用(4)
1. 卜凡楠，王晓光，陈恒通，吴惠松，林麒. 绳牵引并联支撑弹箭模型气动干扰特性分析. 哈尔滨工程大学学报. 2022(03): 407-413 . 
百度学术
2. 刘大伟，熊贵天，刘洋，许新，陈德华. 宽体客机高速风洞试验数据修正方法. 航空学报. 2019(02): 20-35 . 百度学术
3. 李强，刘大伟，许新，陈德华. CHN-T1标模2.4米风洞气动特性试验研究. 空气动力学学报. 2019(02): 337-344 . 百度学术
4. 王晓光，林麒. 风洞试验绳牵引并联支撑技术研究进展. 航空学报. 2018(10): 6-25 . 百度学术
其他类型引用(2)
计量
- 文章访问数: 275
- HTML全文浏览量: 171
- PDF下载量: 30
- 被引次数: 6
