ДОКЛАДЫ АКАДЕМИИ НАУК
ВЫСШЕЙ ШКОЛЫ РОССИЙСКОЙ ФЕДЕРАЦИИ

В ходе исследования была изучена возможность мониторинга и выявления аномалий в процессе горения по закономерностям визуализации пламени в топочном пространстве. Экспериментальные исследования проводились на полупромышленном стенде с целью изучения горения пылевидного угля. Изображения процесса горения были классифицированы с использованием алгоритма глубокого обучения для конечного числа соответствующих коэффициентов избытка воздуха (α). По коэффициенту избытка воздуха мы разделили режимы горения на три основных класса: эффективные, неэффективные и аномальные. Этот тип классификации обеспечивает простой подход к оптимизации процесса сгорания и оповещению системы в случае критических событий. Полученная модель выполнила классификацию режимов горения с точностью в диапазоне 87 – 91 %.

1. Exploring model-based decarbonization and energy efficiency scenarios with PROMETHEUS and TIAM-ECN / P. Fragkos, F.D. Longa, E. Zisarou, B.V. Zwaan, A. Giannousakis, A. Fattahi // Energies. – 2023. – Vol. 16 (18). – P. 6421. – DOI: 10.3390/en16186421.
2. IEA. World Energy Investment 2023 / International Energy Agency. – URL: https://www. iea.org/reports/world-energy-investment-2023 (accessed: 24.05.2024).
3. Enerdata. World Energy & Climate Statistics – Yearbook 2023. – URL: https://yearbook.enerdata.net/renewables/wind-solar-share-electricity-production.html (accessed: 24.05.2024).
4. Loewen B. Coal, green growth and crises: Exploring three European Union policy responses to regional energy transitions // Energy Research & Social Science. – 2022. – Vol. 93. – P. 102849.
5. IEA. World Energy Outlook 2022 / International Energy Agency. – URL: https://www.iea.org/ reports/world-energy-outlook-2022 (accessed: 24.05.2024).
6. Chen L., Yong S.Z., Ghoniem A.F. Oxy-fuel combustion of pulverized coal: Characterization, fundamentals, stabilization and CFD modeling // Progress in Energy and Combustion Science. – 2012. – Vol. 38. – P. 156–214.
7. Sankar G., Kumar D.S., Balasubramanian K.R. Computational modeling of pulverized coal fired boilers – A review on the current position // Fuel. – 2019. – Vol. 236. – P. 643–665.
8. Zhang T., Yi Y., Xu Y. A multi-scale sampling method for accurate and robust deep neural network to predict combustion chemical kinetics // Combustion and Flame. – 2022. – Vol. 245. – P. 112319.
9. Dynamic model and deep neural network-based surrogate model to predict dynamic behaviors and steady-state performance of solid propellant combustion / M.Y. Jung, J.H. Chang, M. Oh, C.H. Lee // Combustion and Flame. – 2023. – Vol. 250. – P. 112649.
10. Artificial neural network models for heat transfer in the combustion chamber of a bubbling fluidised bed combustion system / N. Doner, K. Ciddi, I.B. Yalcin, M. Sarivaz // Case Stu­dies in Thermal Engineering. – 2023. – Vol. 49. – P. 103145.
11. Towards a generalised artificial neural network for sub-grid filtered density function closure in turbulent combustion / H. Yang, T. Kobayashi, S. Iavarone, J.C. Massey, Z.X. Chen // Applications in Energy and Combustion Science. – 2023. – Vol. 14. – P. 100142.
12. Plasma ignition system to start up pulverized coal boilers: experimental simulation and full-scale test / E.B. Butakov, A.P. Burdukov, S.V. Alekseenko, E.N. Yaganov // Journal of Engineering Thermophysics. – 2022. – Vol. 31. – P. 375–383.
13. Burdukov A.P., Butakov E.B., Chernova G.V. Ignition and lighting of coal-fired boilers with mechanically activated micronized coal instead of fuel oil // Journal of Engineering Thermophysics. – 2020. – Vol. 29. – P. 492–502.