Experimental images analysis by deep learning for the characterization of aluminum combustion in solid propulsion
Analyse d'images expérimentales par apprentissage profond pour la caractérisation de la combustion de l'aluminium en propulsion solide
Abstract
Aluminum is added to the composition of solid propellants to increase propulsion performance by about 10% but it can also cause adverse phenomena such as thermo-acoustic instabilities leading to pressure oscillations. Characterizing aluminum combustion above the propellant surface is essential to study rocket motor stability. Many research efforts have been made to predict these instabilities but numerical models lack precise input data, such as the size of aluminum droplets and their initial velocity. These data are particularly challenging to obtain experimentally due to combustion conditions (high pressure, high temperature). Additionally, simulations are highly sensitive to input data, underscoring the need to better understand the uncertainties in droplet sizes and velocities. For years, experiments at ONERA using shadowgraphy have enabled visualizing burning propellant samples and observing aluminum droplets at high repetition rates. The images are rich in information due to the numerous moving objects in the gas flow. Given the complexity of these images, several analysis methods have been proposed in recent years. In Mr. Nugue's thesis, a deep learning-based approach was used for the first time. The present study focuses on developing tools, to analyze experimental shadowgraphy images particularly through deep learning, and thus obtain large amounts of data, such as aluminum-droplet diameters and velocities. A first section compares two state-of-the-art methods for automatic object detection in an image: semantic segmentation with the U-Net network and instance segmentation with the Mask R-CNN network. The superiority of Mask R-CNN is demonstrated, with more effective detection and a more accurate diamter estimation. The section also highlights that current neural networks do not adequately account for droplet-size distributions, a crucial point for this thesis. To achieve an effective compromise between quality detection and accurate diameter-distribution representation, a second section introduces a method for stabilizing the size distribution of detected aluminum droplets. The network, using a modified loss function, better balances the detection of large and small droplets to provide a more accurate representation of droplet diameter. A method for tracking droplets, based on multi-object tracking and a Kalman filter, is developed. The droplet trajectories are then rigorously sorted, allowing for the extraction of numerous reliable trajectories (from 500 to 1500 for each experimental series). Finally, the last section analyzes the droplet velocity and diameter data obtained through the detection and tracking chain for pressures ranging from 6.8 to 26.6 bar, encompassing over 6000 reliable trajectories. The results show a weak dependence of the initial droplet velocity on pressure whereas diameters varies more strongly with pressure. A 1D numerical simulation of droplet combustion using these detailed data allows for a more accurate estimation of the aluminum heat release location compared to a simulation using a single characteristic diameter. This work demonstrates the effectiveness of deep learning for analyzing experimental images and its ppotential for solid-propulsion applications.
L'aluminium est ajouté à la composition du propergol solide afin d'augmenter les performances propulsives d'environ 10%, mais peut aussi entraîner des phénomènes néfastes tels que des instabilités thermo-acoustiques conduisant à des oscillations de pression. La caractérisation de l'aluminium en combustion au-dessus de la surface du propergol est donc essentielle pour étudier la stabilité d'un moteur fusée. De nombreux travaux de recherche ont été réalisés pour prédire ces instabilités par le calcul. Cependant, ces modèles numériques manquent de données d'entrées précises, telles que la taille des gouttes d'aluminium et leur vitesse initiale. Ces données sont particulièrement compliquées à obtenir expérimentalement, compte tenues des conditions de combustion (haute pression, haute température). Il y a de plus une forte sensibilité des simulations aux données d'entrée, induisant un besoin de mieux connaître les incertitudes sur les tailles et les vitesses estimées. Des essais sont réalisés depuis des années à l'ONERA en ombroscopie permettant de visualiser des échantillons de propergol en combustion montrant les gouttes d'aluminium, et cela à haute cadence. Les images obtenues sont riches en informations du fait des nombreux objets en mouvement dans l'écoulement gazeux. Étant donné la complexité de ces images, plusieurs méthodes d'analyse ont été proposées ces dernières années, et dans la thèse de M. Nugue, une approche à partir de réseaux de neurones par apprentissage profond a été utilisée pour la première fois. La présente étude porte sur le développement d'outils, notamment par deep learning, pour analyser les images expérimentales issues du montage d'ombroscopie et ainsi obtenir en grand nombre des données telles que les diamètres et les vitesses des gouttes d'aluminium. Une première partie confronte deux méthodes de l'état de l'art pour la sélection automatique d'objets dans une image : la segmentation sémantique avec le réseau U-Net et la segmentation d'instance avec le réseau Mask R-CNN. La supériorité de ce dernier est alors démontrée, avec une détection plus efficace et des résultats plus proches de la taille réelle des gouttes. Cette partie met cependant en lumière que les réseaux de neurones actuels ne prennent pas bien en compte la répartition des tailles des gouttes, un point crucial pour cette thèse. Pour obtenir un compromis efficace entre une détection de qualité et une représentation précise des distributions de diamètre, une deuxième partie introduit une méthode de stabilisation de la distribution de taille des gouttes d'aluminium détectées. Ce réseau, fonctionnant avec une fonction de perte modifiée, équilibre mieux les détections des grandes et petites gouttes dans le but d'obtenir une représentation plus juste de la population des gouttes. Une méthode de suivi des gouttes, utilisant le tracking multi-objets et un filtre de Kalman, est développée. Les trajectoires de gouttes sont ensuite rigoureusement triées, permettant d'en extraire de nombreuses trajectoires fiables (de 500 à 1500 par essai). Enfin, une dernière partie analyse les données de vitesse et de diamètre des gouttes, obtenues par la chaîne de détection et de suivi, pour des pressions de 6.8 à 26.6 bar, regroupant plus de 6000 trajectoires fiables. Les résultats montrent une faible dépendance de la vitesse initiale des gouttes à la pression, contrairement au diamètre qui est plus impacté. Une simulation numérique 1D de combustion utilisant ces données détaillées permet une estimation plus précise de la localisation du dégagement de chaleur des gouttes, par rapport à une simulation utilisant un seul diamètre caractéristique. Ce travail démontre l'efficacité de l'apprentissage profond pour l'analyse d'images expérimentales et son utilité pour l'application en propulsion solide.
| Origin | Version validated by the jury (STAR) |
|---|