Journal: International Journal of Energy Research, vol. 2026, online, 2026.
Title: Data-driven mapping and classification of combustion regimes in a stainless steel-platinum segmented microreactor using a CNN-XGBoost hybrid framework
Authors: Ray-Bing Chen, Cheng-Han Lin, Yan-Ru Wang, Hsin-Cheng Lai, Yueh-Heng Li*
Rank: 4.7% (2/41), SCI, NUCLEAR SCIENCE & TECHNOLOGY, 2025.
Impact Factor: 4.2
Citation number: N/A
FWCI: N/A
Abstract:
鉑—不銹鋼分段式微反應器雖能穩定維持火焰,但燃燒模式辨識仍有困難。本研究結合卷積神經網路(CNN)與 XGBoost,分類並預測燃燒模式。實驗改變甲烷/空氣與氫氣/空氣的流量及當量比並拍攝火焰影像,比較 AlexNet、VGG16-BN、ResNet18、ResNet50 與 ResNet101。在依工況分組的五折交叉驗證下,四種架構準確率達 99.5–100%,VGG16-BN 訓練不穩定,ResNet18 訓練最快。再以 CNN 分類結果與操作條件訓練 XGBoost,可預測整個操作範圍的燃燒模式並界定邊界,氫氣當量比為主導參數。以 CNN 標籤取代人工標籤所得模式圖高度一致。
Highlights:
- ● 結合 CNN 與 XGBoost 分類並預測鉑–不銹鋼微反應器的燃燒模式。
- ● 在分組交叉驗證下,五種 CNN 架構中有四種準確率達 99.5–100%。
- ● CNN 生成標籤與人工標籤所得模式圖高度吻合(一致率 99.6%)。
