An optimized hybrid data reduction strategy in 1D Raman/Rayleigh spectroscopic measurements of turbulent flames

• Main Author: Luciano, Nicola
• Other Authors: Université Paris-Saclay (ComUE)
• Language: en
• Published: 2019
• Subjects: Combustion; Data; Optimisation; Turbulence; Raman/Rayleigh; Gaz Naturel; Optimization; Natural Gas
• Online Access: http://www.theses.fr/2019SACLC026

Une variété d’applications techniques dans la conversion d’énergie sont basées sur la combustion turbulente. En dépit du fonctionnement avancé de la technologie, la science de la combustion (turbulente) en est à un stade relativement jeune. Des études détaillées des flammes de référence sont essentielles pour mieux comprendre la physique sous-jacente aux processus mentionnés, ainsi que pour fournir une base de données fiable permettant de valider les modèles numériques développés pour simuler des problèmes de combustion turbulents. La spectroscopie Raman / Rayleigh est une technique extrêmement utile qui permet d’accéder simultanément à des informations sur la température et la concentration en espèces chimiques principales dans les structures de flammes. La data reduction strategy appliquée avec cette technique est cruciale pour extraire des informations fiables des investigations expérimentales. Dans cette thèse, une version modifiée de la stratégie, basée sur la Hybrid Method de Fuest et al., a été développée et testée à l’aide de techniques de résolution de NLP problem, dont des méthodes d’optimisation globale et un algorithme génétique. La stratégie proposée permet une réduction significative du temps de traitement des données, nécessite moins d’expertise de l’utilisateur et réduit l’erreur de mesure. La procédure modifiée a été appliquée à un data set fourni par une étude expérimentale de deux jet flame méthane/air prémélangés turbulentes appartenant au régime flamelet de la combustion prémélangée turbulente. Le data set est composé de plusieurs scalaires, y compris les principales espèces et la température, mesurés simultanément avec la single-shot 1D Raman/Rayleigh spectroscopy. Les résultats des mesures sont analysés et discutés. === A variety of technical applications in energy conversion are based on turbulent combustion. Despite the advanced contest of operation, (turbulent) combustion science is at a relatively young stage. Detailed investigations of benchmark flames are essential to achieve a better understanding of the physics behind the mentioned processes, as well as to provide reliable database for validating numerical models developed to simulate turbulent combustion problems. Raman/Rayleigh spectroscopy is a highly valuable technique which allows to access simultaneous information on temperature and main chemical species concentration within the flame structures. The data reduction strategy applied with this technique is crucial, in order to extract reliable information from the experimental investigations. In this this thesis, a modified version of the strategy, based on the Hybrid Method by Fuest et al., has been developed and tested using NLP problem solving techniques, including global optimization methods and a genetic algorithm. The proposed strategy allows for a significant reduction of the data processing time, requires less user’s expertise and returns better results in reduced measurements error. The modified routine has been applied to data set provided by an experimental investigation of two turbulent premixed methane/air jet flames belonging to the flamelet regime of turbulent premixed combustion. The data set is composed by multiple scalars, including major species and temperature, simultaneously measured with single-shot 1D Raman/Rayleigh spectroscopy. The results of the measurements are analyzed and discussed.