神经网络提高可调谐二极管激光吸收光谱定量精度
发布时间：2024-09-14 14:46:27 阅读数： 59
层析吸收光谱测量系统原理图。来源:王瑞峰
最近，中国科学院合肥物理科学研究院（HFIPS）的研究团队在《燃料》期刊上发表了他们的研究成果，介绍了一种利用神经网络技术改进单路可调谐二极管激光吸收光谱（TDLAS）测量精度的新方法。
该技术对于燃烧流场中温度和成分浓度分布的测量至关重要，它能够为先进燃烧系统的设计、监控和诊断提供更加详尽的数据支持。这种基于层析吸收光谱（TAS）的测量技术以其快速、高灵敏度和强大的抗干扰能力而受到青睐。不过，传统的TDLAS单路测量存在较大的误差，尤其是受到吸光度畸变的影响，这限制了TAS的定量分析精度。
刘坤教授，HFIPS的主要研究者之一，指出了研究的关键挑战：“我们的主要目标是解决由于吸光度测量扭曲导致的基线误差问题。” 他们发现，吸光度的导数对于线形曲率的变化更为敏感，尤其是在吸收峰附近，基线误差引起的曲率变化相对较小。
基于这一发现，由高晓明教授和刘坤教授领导的HFIPS研究团队开发了一个模型，该模型能够从测量的吸光度导数中恢复出绝对吸光度曲线。这一创新方法有望显著提高TDLAS测量的准确性，从而为燃烧过程的分析和优化提供更可靠的数据。
温度和水浓度分布的时间变化。来源:王瑞峰
该团队通过模拟实验和单路径温度测量来验证他们开发的神经网络吸光度恢复方法，并将其应用于实际测量中，具体是测量小型柴油涡轮喷气发动机排放的废气温度和水分含量。与使用热电偶进行的测量结果相比，新方法的误差率仅为0.9%。
高晓明教授表示：“我们的研究成果为提升TDLAS测量的精确度提供了一种有效的解决方案，并且这种方法可以无缝集成到层析吸收光谱技术中。”
