Resumen

La distribución de la temperatura en entornos industriales del mundo real se encuentra a menudo en un espacio tridimensional, y el desarrollo de un método fiable para predecir dicha información volumétrica es beneficioso para el diagnóstico de la combustión, la comprensión de los complicados mecanismos físicos y químicos que subyacen al proceso de combustión, el aumento de la eficiencia del sistema y la reducción de la emisión de contaminantes. De acuerdo con la teoría del aprendizaje automático, en este artículo se propone una nueva metodología para predecir la distribución tridimensional de la temperatura a partir de un número limitado de datos de medición dispersos. El método de predicción propuesto incluye dos fases clave. En la primera fase, se emplean tecnologías tradicionales para medir los datos de temperatura dispersos en un área tridimensional a gran escala. En la segunda fase, se desarrolla el método de regresión del proceso gaussiano, con evidentes superioridades, incluyendo una satisfactoria capacidad de generalización, alta robustez y baja complejidad computacional, para predecir distribuciones de temperatura tridimensionales. Las simulaciones numéricas y los resultados experimentales de un proceso de combustión tridimensional del mundo real indican que el método de predicción propuesto es eficaz y robusto, tiene una buena capacidad de adaptación para hacer frente a problemas complicados, no lineales y de alta dimensión, y puede predecir con precisión distribuciones de temperatura tridimensionales con una relación de muestreo relativamente baja. Como resultado, se introduce un método práctico y eficaz para la distribución tridimensional de la temperatura.

• Materias:Álgebra Análisis Matemático Ingeniería Matemática aplicada Lógica matemática
• Subjects:Algebra Mathematical Analysis Engineering Applied Mathematics Mathematical logic
• Palabras claves:Distribución de la temperatura; entornos industriales; método fiable; predicción; información volumétrica; diagnóstico de la combustión; mecanismos físicos y químicos; eficiencia del sistema; emisión de contaminantes; teoría del aprendizaje automático; metodología; datos de medición dispersos; tecnologías tradicionales; área tridimensional a gran escala; método de regresión del proceso gaussiano; simulaciones numéricas; resultados experimentales; proceso de combustión; eficaz y robusto; adaptabilidad; no lineal; problemas de alta dimensión; proporción de muestreo; método practicable.
• Keywords:Temperature distribution; industrial environments; reliable method; predict; volumetric information; combustion diagnosis; physical and chemical mechanisms; system efficiency; pollutant emission; machine learning theory; methodology; scattered measurement data; traditional technologies; large-scale three-dimensional area; Gaussian process regression method; numerical simulations; experimental results; combustion process; effective and robust; adaptability; nonlinear; high-dimensional problems; sampling ratio; practicable method.