CN111272680B - 一种基于单一组分吸收光谱的多组分浓度分布的估计方法 - Google Patents
一种基于单一组分吸收光谱的多组分浓度分布的估计方法 Download PDFInfo
- Publication number
- CN111272680B CN111272680B CN202010096173.3A CN202010096173A CN111272680B CN 111272680 B CN111272680 B CN 111272680B CN 202010096173 A CN202010096173 A CN 202010096173A CN 111272680 B CN111272680 B CN 111272680B
- Authority
- CN
- China
- Prior art keywords
- component
- neural network
- absorption
- measured
- concentration distribution
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供一种基于单一组分吸收光谱的多组分浓度分布的估计方法,该方法以燃烧的数值仿真结果为基础,结合神经网络算法,获得一个从穿过待测区域的多条激光路径上单一组分的吸收谱信息到该区域待测组分浓度分布的网络模型,从而根据燃烧过程单一组分在多角度下的激光吸收光谱信息估计其余组分在被测区域的浓度分布。本发明的效果是在吸收信息有限的情况下,利用单一组分在多角度下的吸收谱信息实现对待测区域中多组分浓度分布的估计,有效减少了测量时的数据量和计算量,可以根据一种易测组分的吸收谱信息估计燃烧场中其余组分的浓度分布,避免了有些气体分子吸收谱信息获取困难导致信息缺失的问题,具有广阔的应用前景。
Description
技术领域
本发明属于激光光谱技术领域,是一种基于数值仿真和神经网络的单一组分激光吸收光谱多种组分浓度估计方法。
背景技术
激光吸收光谱技术是从上世纪七十年代发展起来的一种燃烧场参数测量技术,具有非侵入性、测量速度快、灵敏度高等优点。特别是随着激光器加工技术的发展,窄带宽、单色性、高功率激光器问世,可实现对吸收光谱谱线的精确扫描,激光吸收光谱的测量精度得到了有效的提高,已被广泛应用于航空航天发动机检测、汽车发动机诊断、燃煤锅炉的燃烧诊断、微重力燃烧诊断、痕量气体探测、环境保护与污染排放监测等方面。
在利用激光吸收光谱技术对燃气组分浓度进行测量时,为满足测试不同燃气组分的需求,可以找到目标组分的某一强跃迁对应的谱线,并根据谱线定制不同波长的激光器,采用波分复用的方法,可以实现温度和多组分气体浓度的同时测量。R.M.Mihalcea等研究人员于1997年在《应用光学》(Applied optics)第36卷第33期8745-8752页发表的题为《用于测量燃烧流中CO、CO2和CH4的二极管激光传感器》(Diode laser sensor formeasurements of CO,CO2,and CH4 in combustion flows)的文章中,介绍了采用波分复用的方式,利用两台激光器扫描6345-6660cm-1的光谱范围,对于平焰燃烧炉产生的甲烷/空气预混火焰中的CO、CO2和CH4的浓度进行测量的方法,激光吸收光谱方法的测量结果是沿光程的组分浓度的平均,因此空间分辨率很低,不能满足非均匀、复杂流场的燃烧诊断需求。为了提高单一激光路径上温度和气体组分分布重建的分辨率,Xiang Liu等人于2007年在美国航空航天学会期刊(AIAA Journal)第45卷第2期411-419页发表的题为《使用视线吸收光谱法测量非均匀温度分布》(Measurement of nonuniform temperature distributionsusing line-of-sight absorption spectroscopy)文章中通过在单一激光路径上扫描多条H2O的吸收谱线,对路径上H2O的非均匀分布进行了重建,获得了温度分布的概率密度。在此基础上,Chang Liu等人于2013年在《应用光学》(Applied Optics)第52卷第20期发表的题为《通过将视距TDLAS与正则化方法相结合来测量不均匀的温度和浓度分布》(Measurement of nonuniform temperature and concentration distributions bycombining line-of-sight TDLAS with regularization methods)的文章中,通过扫描单一路径的多条吸收谱线,可以结合流场的先验知识,对单一路径上的温度和气体组分分布进行重建,并通过正则化方法提高了重建的鲁棒性。
通过获取多个角度、多个路径上的激光吸收光谱测量信息,并结合层析成像算法,能够实现复杂流场的温度场和气体组分分布的图像重建,获取多个角度、多路径上的TDLAS测量信息的最直接方法是使一组或几组激光器和探测器机械旋转,对整个流场进行扫描。Reynaldo Villarreal和Philip L.Varghese于2005年在《应用光学》(Applied Optics)第44卷第31期6786-6795页发表的题为《可调二极管激光器的频率分辨吸收层析成像》(Frequency-resolved absorption tomography with tunable diode lasers)的文章中针对轴对称火焰,将激光路径穿过可平移的燃烧台,对轴对称温度和浓度分布进行重建。Fei Wang等研究人员于2010年在《测量科学与技术》(Measurement Science andTechnology)第21期第4卷45301-45310页发表的题为《基于可调谐二极管激光吸收光谱的气体浓度和温度分布的二维层析成像》(Two-dimensional tomography for gasconcentration and temperature distributions based on tunable diode laserabsorption spectroscopy)的文章中,利用四组激光器和探测器,通过四个高速旋转台,实现对流场的快速扫描,在100ms内获取每幅图像重建所需数据,成功将该方法应用于实验室条件下NH3浓度的重建。Weiwei Cai等人于2017年在《仪器科学评论》(Review ofscientific instruments)第89卷第4期发表的题为《基于机器学习的快速层析成像重建技术的时间分辨燃烧诊断》(Rapid tomographic reconstruction based on machinelearning for time-resolved combustion diagnostics)的文章中,介绍了一种将机器学习算法和层析成像技术结合替代迭代算法反演计算域中组分的光谱吸收率,从而重建燃烧场温度和组分浓度分布的方法,显著降低了试验测试成本,体现了激光吸收光谱技术结合机器学习算法应用于燃烧参数测量的广阔前景。Ge Wang等人于2018年在《IEEE医学影像学汇刊》(IEEE transactions on medical imaging)第37卷第6期发表的题为《图像重建是机器学习的新领域》(Image Reconstruction Is a New Frontier of Machine Learning)的文章中,提出机器学习是图像重建的新方法,并分析机器学习方法在断层图像重建中的应用。Harshit Gupta等人在同刊上发表的题为《基于卷积神经网络的投影梯度下降技术的联合CT图像重建》(CNN-Based Projected Gradient Descent for Consistent CT ImageReconstruction)的文章中,给出一种基于卷积神经网络的图像重建模型,成功重建出待测区域的温度场和组分浓度的分布,并与传统的重建算法比较,体现了神经网络算法解决图像重建逆问题上的优势。
人工神经网络是20世纪80年代以来人工智能领域兴起的研究热点,是一种模仿动物神经网络行为特征,进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度,通过调整内部大量节点之间相互连接的关系,从而达到处理信息的目的,并具有自学习和自适应的能力。1943年心理学家McCulloch和数学家Walter Pitts在分析总结生物神经元基本特征的基础上率先提出人工神经网络的M-P模型,在这个模型中,神经元接收到来自其他神经元传递过来的输入信号,这些输入信号通过带权重的连接进行传递,神经元接收到的总输入值将与神经元的阈值进行比较,然后通过“激活函数”处理以产生神经元的输出。在该理论模型的基础上,许多强大的学习算法相继被提出。其中,1986年,Rumelhart等人提出了误差反向传播算法(Error Back Propagation Algorithm,简称BP算法)。BP算法的思想是,学习过程由信号的正向传播与误差的反向传播两个过程组成,正向传播时,输入样本从输入层传入,经各隐含层逐层处理后,传向输出层。若输出层的实际输出与期望的输出不符,则转入误差的反向传播阶段。误差反传是将输出误差以某种形式通过隐含层向输入层逐层反传,并将误差分摊给各层的所有神经单元,从而获得各层神经单元的误差信号,此误差信号作为修正各单元权值的依据。这种信号正向传播与误差传向传播的各层权值调整过程,是周而复始地进行的。权值不断调整的过程,也就是网络学习训练过程。此过程一直进行到网络输出的误差减少到可接受的程度,或进行到预先设定的学习次数为止。目前BP神经网络在无法建立确切的数学模型或者模型参数内在关系比较复杂的问题中被广泛应用。
在工程学中,对燃烧过程的研究主要分为两种手段:试验研究和数值模拟。前者采用直接或间接测量燃烧参数的方法,使一些燃烧过程的研究可以直观明了,但其成本高、周期长、参数难以灵活变化,湍流特性参数、燃烧参数难以直接测量,测量结果不宜外推等,限制了其实际应用。而另一方面,计算机数值模拟在计算机技术、理论算法等推动下,已迅速发展为试验研究的补充工具,成为燃烧流动领域研究的重要工具。计算流体力学(Computational fluid dynamics,简称CFD)方法自20世纪70年代起开始应用于燃烧过程的数值仿真,FLUENT作为CFD的计算分析软件,提供了丰富的化学反应模型,可以对多种复杂的燃烧过程进行模拟。陈磊等人于2012年在《能源与燃烧科学进展》(Progress inEnergy and Combustion Science)第31卷第2期156-214页发表的题为《煤粉的含氧燃料燃烧:表征,基本原理,稳定性和CFD模型》(Oxy-fuel combustion of pulverized coal:Characterization,fundamentals,stabilization and CFD modeling)的文章中对氧燃料燃烧的稳定性进行了综述,并总结了一些改造的指导原则。Chengming Yin等人于2017年在《IOP会议系列:地球与环境科学》(IOP Conference Series:Earth and EnvironmentalScience)第52卷发表的题为《分级燃烧器燃烧和排放的数值模拟》(Numerical simulationon combustion and exhaust emission of staged combustor)的文章中分析了不同燃料当量比下分级燃烧器尾气中CO、NOX等污染物的含量,表明了数值模拟方法在优化燃烧室设计、降低污染物排放中的应用。
本发明提出一种利用单一组分的吸收光谱估计多种组分浓度的方法,以燃烧的数值仿真结果为基础,利用HITRAN光谱数据库,正向求解吸收组分的积分吸收面积,结合神经网络算法,训练一个由吸收组分的积分吸收面积到路径上燃烧场中其余组分,如CO2、NOX、OH基团等组分浓度分布的网络模型,从而实现根据单一组分的吸收光谱信息预测燃烧场中其余组分的浓度。对比传统燃烧场多组分浓度同时测量方法,该方法预测效果与测量结果吻合,且需要的光谱信息少,有效减少了测量时的数据量和计算量,从而可以根据易测组分的吸收谱信息预测燃烧场中其余组分的浓度。
发明内容
(一)要解决的技术问题
本发明的目的在于提出一种基于单一组分吸收光谱的多种组分浓度的估计方法,是在吸收谱线数目有限的情况下,利用单一组分的少量吸收谱线信息实现多组分浓度的预测,减少了激光吸收光谱技术中多组分浓度同时测量时吸收谱线的数目,有效减少了测量时的数据量和计算量,从而可以根据易测组分的吸收谱信息预测燃烧场中其余组分的浓度,避免了有些气体分子由于含量少吸收弱而信息缺失的问题。
(二)技术方案
利用单一组分的吸收光谱估计多种组分浓度,以燃烧的数值仿真结果为基础,利用HITRAN光谱数据库,正向求解吸收组分的积分吸收面积,结合神经网络算法,训练一个由吸收组分的积分吸收面积到路径上燃烧场中其余组分浓度分布的网络模型,从而实现根据单一组分的吸收光谱信息预测燃烧场中其余组分的浓度,具体实施步骤如下:
步骤一、采用计算流体力学软件对给定燃烧器的预混燃烧火焰进行数值模拟,针对具有对称性的预混火焰结构,燃烧区域的几何模型可以简化为二维模型进行计算,首先对火焰纵截面建立二维的几何模型,划分成M×V个网格,出口边界设置为压力出口,结合层流有限速率化学反应模型和详细的化学动力学反应机理进行离散数值计算,得到待测区燃烧参数,包括燃烧场的温度、压力、吸收组分以及待测组分浓度的二维分布,改变燃气入口处的当量比,获取E组工况下该给定燃烧器预混燃烧待测区每个网格上的温度、压力、吸收组分以及待测组分的浓度二维分布信息;
步骤二、根据步骤一中得到的燃烧场参数分布,记录一组火焰在不同高度的燃烧参数,包括每个网格中的温度、压力,吸收组分,如水蒸气分子,以及待测组分,如CO2、NOX、OH自由基等组分的浓度分布,每个工况下记录H组,共N组数据(N=EH),由于火焰结构的对称性,被测区域中燃烧场参数在一个火焰横截面上的二维分布可以通过该截面上任意一条路径上燃烧参数的旋转得到,故对每组数据中M个网格上的参数进行处理,可以得到N组截面上M2个网格处的燃烧参数分布;结合激光器模型,得到吸收组分的吸收谱信息,对于G角度激光器,每个视角发射一束涵盖频率为υ1、v2的扇形激光束,每个扇形激光束穿过感兴趣区域并被D个光电探测器接收,由G个视角发出的扇形激光束共可获得2Y个投影值,即2Y个吸收组分吸收率的积分吸收面积 这里Y=GD;
步骤三、为了提高吸收谱的利用率,根据吸收组分多角度吸收谱信息估计被测区域中待测组分的浓度分布Xtest,j,以上述步骤中得到的N个截面上,G个角度下由Y条激光获得的投影值 作为神经网络的输入,对应N个截面上待测组分的浓度分布Xtest,j(j=1,2,…,M2),作为神经网络的对应输出,训练误差反向传播神经网络,第k组(k=1,2,…,N)的输入、输出分别为:
Ak=[Ak_1 … Ak_Y Ak_Y+1 … Ak_2Y] (1)
Ak_1…Ak_Y是第k组输入样本中,中心频率为v1在Y条激光路径上的积分吸收率,Ak_Y+1…Ak_2Y是第k组输入样本中,中心频率为v2在Y条激光路径上的积分吸收率,表示被测区域中M2网格上待测组分的浓度;
根据问题的复杂性初始化神经网络,设定网络的深度Q,选择常用的三层神经网络,即Q=2,其中m0是输入层的节点数目,m1是第一个隐含层的节点数目,m2输出层的节点数目;随机分配每一层的权值W和阈值β,其中:
其中a、b、c分别表示输入层、隐含层、输出层的节点编号,w1_a,b表示输入层第a个节点到隐含层第b个节点的权值,其中w2_b,c表示隐含层第b个节点到输出层第c个节点的权值,β1_b、β2_c分别表示隐含层第b个节点和输出层第c个节点的阈值;
选择神经网络隐含层的激励函数f,对于常用的Tan-Sigmoid函数,具有式(4)的形式,对于第k组输入样本,k=1,2,…,N,神经网络隐含层每个节点的输出如式(5):
输出层每个节点的输出为:
误差可以根据下式计算:
用训练完成的神经网络对待测组分浓度分布进行预测,与数值仿真结果对比,分析基于神经网络的单一组分多角度下的吸收谱线信息对多种组分浓度分布的预测效果,重新设置工况,按照步骤二计算一组输入输出作为测试样本:其中t(j),j=1,2,…,M2,是每个网格上测试组待测组分的浓度,即训练神经网络时给定的输出参数,y(j),j=1,2,…,M2,是利用训练完成的神经网络对测试组数据计算得到的每个网格上待测组分浓度,即神经网络真实的输出结果,每个像素点上,神经网络对待测组分浓度估计的误差定义为e(j)=t(j)-y(j) (8)
在该截面上,结合神经网络算法,利用G个角度下Y条激光路径上吸收组分的激光吸收光谱信息,对待测组分浓度分布估计的归一化相对误差可以表示为:
用训练完成的神经网络对测试组的待测组分浓度分布进行估计,与数值仿真结果对比,分析基于神经网络的单一组分多角度下的谱线信息对多种组分浓度分布的预测效果,根据式(8)、(9)计算神经网络算法对测试组数据估计的归一化相对误差,用来表征神经网络的方法对测试组数据的待测组分浓度分布的估计效果。
(三)有益效果
以燃烧过程数值仿真的参数分布为基础,结合多角度激光器模型,正向求解多个视角下多条路径上水蒸气分子的积分吸收面积,结合神经网络算法,能够实现根据多视角的水蒸气分子的吸收谱信息估计燃烧过程被测区域中待测组分,如CO2、NOX、OH自由基等组分的浓度分布,减少了激光吸收光谱技术解算多组分浓度时的数据量和计算量,避免了有些气体分子由于吸收谱信息获取困难而信息缺失的问题,具有广阔应用前景。
附图说明
图1是实施流程图。
图2是BP神经网络示意图。
图3是基于数值仿真和神经网络的利用水蒸气吸收谱信息预测OH基团浓度分布的效果图。
具体实施方式
利用水蒸气分子在五角度传感器下120条路径上,在中心频率分别为1398.1nm、1343.4nm频段内的积分吸收面积为神经网络的输入,预测待测区域中OH自由基的浓度分布为例对本发明提出的方法进行说明,具体步骤如下:
步骤一、采用计算流体力学软件对平焰燃烧器的甲烷—空气预混燃烧火焰进行数值模拟:由于平焰燃烧器火焰结构的对称性,火焰纵截面的几何模型可以简化为二维模型进行计算,首先对火焰燃烧区建立80mm×80mm二维几何模型,并划分成80×80个网格,出口边界设置为压力出口,结合层流有限速率化学反应模型和详细的甲烷—空气反应机理进行离散数值计算,得到平焰燃烧器待测区燃烧参数,包括燃烧场的温度、压力、水蒸气分子以及OH自由基浓度的二维分布;
步骤二、选择甲烷—空气当量比为0.6到1.5以0.1为间隔变化,每个工况下,以2mm高度为间隔记录40组燃烧参数,由于火焰结构的对称性,被测区域中燃烧场参数在火焰横截面上的二维分布可以通过该截面上任意一条路径上燃烧参数的旋转得到,为方便计算,对每组数据中80个网格上的参数进行采样保留50个网格点上的参数,进一步处理得到400组截面,每个截面2500个网格的燃烧参数分布;对于五角度的激光器,每个视角发射一束频率涵盖1398.1nm、1343.4nm的扇形激光束,每个扇形激光束穿过待测区域并被24个光电探测器接收,由5个视角的扇形激光束共可获得240个投影值,即水蒸气分子在两个波段上的吸收率的积分吸收面积其中(v1=1398.1nm,υ2=1343.4nm),水蒸气分子积分吸收面积的前向计算以平焰燃烧器的数值仿真结果为基础,根据Beer-Lambert吸收定律,结合HITRAN数据库,假设待测区域每个网格上压力、组分浓度均匀分布,水蒸气分子在第j个网格上,中心频率为υ1、υ2的两个波段的光谱吸收率,即积分吸收面积密度度可以由式(1)表示:
其中,j表示网格的编号,av,j表示第j个网格内Av的密度,P(j)[atm]为第j个网格处的压力,T(j)[K]为第j个网格处的温度,Xabs(j)为第j个网格处测量的水蒸气分子的气体摩尔百分比(气体浓度),S(T(j))[cm-2atm-1]为跃迁时的吸收谱线的线强度,φ[cm]为线型函数且满足归一化条件,因此L[cm]为单位网格长度,结合G角度激光器模型,确定G个角度Y条激光束的几何位置,大小为Y×M2的灵敏度矩阵L可以写为:
一般地,上式可以写为:
Aν=Laν (4)
以上述步骤中得到的400个截面上,5个角度下由120条激光获得的投影值 作为神经网络的输入,对应400个截面上待测OH基浓度分布作为神经网络的对应输出,训练误差反向传播神经网络,实现根据水蒸气分子多角度的吸收谱信息估计被测区域中OH基的浓度分布;
步骤三、根据吸收组分多角度吸收谱信息估计被测区域中待测组分的浓度分布XOH,j,以上述步骤中得到的400个截面上,5个角度下水蒸气分子在120条激光路径上的积分吸收面积 作为神经网络的输入,对应400个截面上OH自由基的浓度分布,XOH,j(j=1,2,…,2500)作为神经网络的对应输出,训练误差反向传播神经网络,第k组(k=1,2,…,400)的输入、输出分别为:
Ak=[Ak_1 … Ak_Y Ak_Y+1 … Ak_2Y] (5)
Ak_1…Ak_120是第k组输入样本中,中心频率为1391.8nm在120条激光路径上的积分吸收率,Ak_121…Ak_240是第k组输入样本中,中心频率为1343.4nm在120条激光路径上的积分吸收率,表示被测区域中2500个网格上待测OH自由基的浓度;
选择三层神经网络,其中输入层的节点数目为240,隐含层的节点数目设置为200,输出层的节点数目为2500;随机分配每一层的权值W和阈值β,其中:
其中a、b、c分别表示输入层、隐含层、输出层的节点编号,w1_a,b表示输入层第a个节点到隐含层第b个节点的权值,其中w2_b,c,表示隐含层第b个节点到输出层第c个节点的权值,β1_b、β2_c分别表示隐含层第b个节点和输出层第c个节点的阈值;
设定神经网络的参数,选择输入层和隐含层的的激励函数为双曲正切S函数tansig,即选择Tan-sigmoid激活函数产生神经元的输出,如式(8)所示,它把可能在较大范围内变化的输入值z挤压到(-1,1)输出值范围内。选择输出层的激励函数为线性函数purelin,得到任意范围内的输出值。选择trainlm函数训练神经网络,即采用Levenberg-Marquardt算法调整权值,从而得到目标函数的最佳逼近;对于第k组输入样本,k=1,2,…,400,神经网络隐含层每个节点的输出如式(9):
输出层每个节点的输出为:
误差可以根据下式计算:
用训练好的神经网络对待测组分浓度分布进行预测,与数值仿真结果对比,分析基于神经网络的利用水蒸气分子的5角度吸收谱线信息对OH自由基浓度分布的预测效果,重新设置甲烷—空气当量比为0.68,按照步骤二计算一组输入输出作为测试样本:其中t(j),j=1,2,…,2500,是每个网格上OH自由基的浓度,即训练神经网络时给定的输出参数,y(j),j=1,2,…,2500,是利用训练好的神经网络对测试组数据计算得到的每个网格上OH自由基的浓度,即神经网络真实的输出结果,每个像素点上,神经网络对待测组分浓度估计的误差定义为
e(j)=t(j)-y(j) (12)
在该截面上,结合神经网络算法,利用5角度下120条激光路径上水蒸气分子在υ1、υ2的两个波段上的光谱吸收面积,对待测区域中OH自由基的浓度分布估计的归一化相对误差可以表示为:
用训练好的神经网络对测试组的待测组分浓度分布进行预测,与数值仿真结果对比,分析基于神经网络的单一组分多角度下的谱线信息对多种组分浓度分布的预测效果,根据式(12)、(13)计算神经网络算法对测试组数据估计的归一化相对误差,任一测试组神经网络的输出和燃烧仿真得到的OH自由基分布之间的归一化误差不超过10%,估计效果较好;
以上对本发明及其实施方式的描述,并不局限于此,附图中所示仅是本发明的实施方式之一。在不脱离本发明创造宗旨的情况下,不经创造地设计出与该技术方案类似的结构或实施例,均属于本发明保护范围。
Claims (3)
1.一种基于单一组分吸收光谱的多组分浓度分布的估计方法,其特征在于,利用激光吸收光谱技术测量气体浓度,控制可调谐二极管发射一束涵盖测量气体特征吸收频率的扇形激光束,激光通过待测空间时被相应组分气体吸收后被多个光电探测器接收,利用多个角度的扇形激光束可以得到吸收组分在多条激光路径上的吸收谱信息,并结合数值仿真得到的燃烧场参数分布,训练神经网络模型,实现根据燃烧过程中单一组分在多角度下的激光吸收光谱信息对其他组分的浓度分布的估计。
2.按照权利要求1所述的一种基于单一组分吸收光谱的多组分浓度分布的估计方法,其特征在于该方法包括以下步骤:
步骤一、采用计算流体力学软件对给定燃烧器的预混燃烧火焰进行数值模拟,针对具有对称性的预混火焰结构,燃烧区域的几何模型可以简化为二维模型进行计算,首先对火焰纵截面建立二维的几何模型,划分成M×N个网格,出口边界设置为压力出口,结合层流有限速率化学反应模型和详细的化学动力学反应机理进行离散数值计算,得到待测区燃烧参数,包括燃烧场的温度、压力、吸收组分以及待测组分浓度的二维分布,改变燃气入口处的当量比,获取E组工况下该给定燃烧器预混燃烧待测区每个网格上的温度、压力、吸收组分以及待测组分的浓度二维分布信息;
步骤二、根据步骤一中得到的燃烧场参数分布,记录一组火焰在不同高度的燃烧参数,包括每个网格中的温度、压力,吸收组分,如水蒸气分子,以及待测组分,如CO2、NOX、OH自由基组分的浓度分布,每个工况下记录H组,共N组数据,N=EH,由于火焰结构的对称性,被测区域中燃烧场参数在一个火焰横截面上的二维分布可以通过该截面上任意一条路径上燃烧参数的旋转得到,故对每组数据中M个网格上的参数进行处理,可以得到N组截面上M2个网格处的燃烧参数分布;结合激光器模型,得到吸收组分在多个角度下的吸收谱,对于G角度激光器,每个视角发射一束涵盖频率为υ1、υ2的扇形激光束,每个扇形激光束穿过感兴趣区域并被D个光电探测器接收,由G个视角发出的扇形激光束共可获得2Y个投影值,即2Y个吸收组分吸收率的积分吸收面积这里Y=GD;
步骤三、为了提高吸收谱的利用率,根据吸收组分多角度吸收谱信息估计被测区域中待测组分的浓度分布Xtest,j(j=1,2,…,M2),以上述步骤中得到的N个截面上,G个角度下由Y条激光获得的投影值 作为神经网络的输入,对应N个截面上待测组分的浓度分布Xtest,j作为神经网络的对应输出,训练误差反向传播神经网络,第k组,k=1,2,…,N的输入、输出分别为:
Ak=[Ak_1 … Ak_Y Ak_Y+1 … Ak_2Y] (1)
Ak_1…Ak_Y是第k组输入样本中,中心频率为v1在Y条激光路径上的积分吸收率,Ak_Y+1…Ak_2Y是第k组输入样本中,中心频率为v2在Y条激光路径上的积分吸收率,表示被测区域中M2个网格上待测组分的浓度;
根据问题的复杂性初始化神经网络,设定网络的深度Q,选择常用的三层神经网络,即Q=2,其中m0是输入层的节点数目,m1是第一个隐含层的节点数目,m2输出层的节点数目;随机分配每一层的权值W和阈值β,其中:
其中a、b、c分别表示输入层、隐含层、输出层的节点编号,w1_a,b表示输入层第a个节点到隐含层第b个节点的权值,其中w2_a,b表示隐含层第b个节点到输出层第c个节点的权值,β1_b、β2_c分别表示隐含层第b个节点和输出层第c个节点的阈值;
选择神经网络隐含层的激励函数f,对于常用的Tan-Sigmoid函数,具有式(4)的形式,对于第k组输入样本,k=1,2,…,N,神经网络隐含层每个节点的输出如式(5):
输出层每个节点的输出为:
误差可以根据下式计算:
用训练完成的神经网络对待测组分浓度分布进行预测,与数值仿真结果对比,分析基于神经网络的单一组分多角度下的吸收谱线信息对多种组分浓度分布的预测效果,重新设置工况,按照步骤二计算一组输入输出作为测试样本:其中t(j),j=1,2,…,M2,是每个网格上测试组待测组分的浓度,即训练神经网络时给定的输出参数,y(j),j=1,2,…,M2,是利用训练完成的神经网络对测试组数据计算得到的每个网格上待测组分浓度,即神经网络真实的输出结果,每个像素点上,神经网络对待测组分浓度估计的误差定义为:
e(j)=t(j)-y(j) (8)
在该截面上,结合神经网络算法,利用G个角度下Y条激光路径上吸收组分的激光吸收光谱信息,对待测组分浓度分布估计的归一化相对误差可以表示为:
用训练完成的神经网络对测试组的待测组分浓度分布进行估计,与数值仿真结果对比,分析基于神经网络的单一组分多角度下的谱线信息对多种组分浓度分布的预测效果,根据式(8)、(9)计算神经网络算法对测试组数据估计的归一化相对误差,用来表征神经网络的方法对测试组数据的待测组分浓度分布的估计效果。
3.按照权利要求1所述的一种基于单一组分吸收光谱的多组分浓度分布的估计方法,其特征在于按照如下步骤获取神经网络的输入样本:积分吸收面积以及输出样本:待测组分浓度分布Xtest,j,j=1,2,…,M2:
以权利要求2中燃烧的数值仿真得到的待测组分浓度分布作为神经网络的输出样本,以数值仿真结果为基础,根据Beer-Lambert吸收定律,结合HITRAN数据库,假设待测区域每个网格上压力、吸收组分浓度均匀分布,第j个网格在中心频率为υ1、υ2的两个波段上的光谱吸收率,即第j个网格内中心频率为υ1、υ2的两个波段上的积分吸收面积密度可以由式(10)表示:
其中,j表示网格的编号,和分别表示第j个网格内中心频率为υ1、υ2的两个波段积分吸收面积和的密度,P(j)[atm]为第j个网格处的压力,T(j)[K]为第j个网格处的温度,Xabs(j)为第j个网格处测量的吸收组分气体摩尔百分比(气体浓度),S(T(j))[cm- 2atm-1]为跃迁时的吸收谱线的线强度,φ[cm]为线型函数且满足归一化条件,因此L[cm]为单位网格长度,结合G角度激光器模型,确定G个角度Y条激光束的几何位置,大小为Y×M2的灵敏度矩阵L可以写为:
一般地,上式可以写为:
Aν=Laν (13)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010096173.3A CN111272680B (zh) | 2020-02-17 | 2020-02-17 | 一种基于单一组分吸收光谱的多组分浓度分布的估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010096173.3A CN111272680B (zh) | 2020-02-17 | 2020-02-17 | 一种基于单一组分吸收光谱的多组分浓度分布的估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111272680A CN111272680A (zh) | 2020-06-12 |
CN111272680B true CN111272680B (zh) | 2021-09-28 |
Family
ID=70999374
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010096173.3A Active CN111272680B (zh) | 2020-02-17 | 2020-02-17 | 一种基于单一组分吸收光谱的多组分浓度分布的估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111272680B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112798550B (zh) * | 2021-04-14 | 2021-07-13 | 四川大学 | 一种宽测量范围的激光吸收光谱燃烧诊断方法 |
CN113192034B (zh) * | 2021-04-30 | 2024-02-02 | 西安理工大学 | 基于反向传播神经网络的混合染液浓度检测方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1616207B1 (en) * | 2003-03-31 | 2018-02-28 | Zolo Technologies, Inc. | Method and apparatus for the monitoring and control of combustion |
CN106815878B (zh) * | 2015-12-02 | 2021-02-05 | 北京航空航天大学 | 一种基于多视角多光谱层析成像的图像重建方法 |
CN107247034B (zh) * | 2017-05-24 | 2019-11-12 | 东南大学 | 一种基于吸收光谱技术的双频率波长调制方法 |
CN109556731A (zh) * | 2018-12-13 | 2019-04-02 | 北京航空航天大学 | 一种基于神经网络和激光吸收光谱的路径温度直方图测量系统与方法 |
CN110596040A (zh) * | 2019-09-10 | 2019-12-20 | 上海东富龙科技股份有限公司 | 一种基于tdlas技术的气体检测装置、系统及方法 |
-
2020
- 2020-02-17 CN CN202010096173.3A patent/CN111272680B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111272680A (zh) | 2020-06-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110823849B (zh) | 一种瞬态燃烧场定量测量方法及装置 | |
Niu et al. | A novel parametric level set method coupled with Tikhonov regularization for tomographic laser absorption reconstruction | |
Grauer et al. | Multiparameter gas sensing with linear hyperspectral absorption tomography | |
CN111272680B (zh) | 一种基于单一组分吸收光谱的多组分浓度分布的估计方法 | |
CN108645623B (zh) | 发动机燃烧室燃烧效率测量装置及其测量方法 | |
Grauer et al. | Volumetric emission tomography for combustion processes | |
CN106896191B (zh) | 一种用于提高气体二维重建计算效率的正则化方法 | |
CN102034266B (zh) | 激发荧光断层成像的快速稀疏重建方法和设备 | |
CN111089850B (zh) | 一种基于单一组分吸收光谱的多组分浓度的估计方法 | |
Si et al. | Hierarchical temperature imaging using pseudoinversed convolutional neural network aided TDLAS tomography | |
Shi et al. | An inversion method for estimating strong point carbon dioxide emissions using a differential absorption Lidar | |
CN108627272A (zh) | 一种基于四角度激光吸收光谱的二维温度分布重建方法 | |
CN109556731A (zh) | 一种基于神经网络和激光吸收光谱的路径温度直方图测量系统与方法 | |
CN109100044A (zh) | 基于单光路多光谱的气体温度概率密度分布拟合重建方法 | |
Xia et al. | Numerical study of two-dimensional water vapor concentration and temperature distribution of combustion zones using tunable diode laser absorption tomography | |
Ren et al. | Efficient two-dimensional scalar fields reconstruction of laminar flames from infrared hyperspectral measurements with a machine learning approach | |
CN114384548A (zh) | 生物气溶胶数浓度廓线拉曼荧光激光雷达系统及预测方法 | |
Mingyuan et al. | An efficient regulation approach for tomographic reconstruction in combustion diagnostics based on TDLAS method | |
Zhou et al. | Mobile sensing of point-source gas emissions using Bayesian inference: An empirical examination of the likelihood function | |
CN109061220A (zh) | 一种基于激光吸收光谱层析成像技术的气流二维速度分布测量方法 | |
Si et al. | A spatially progressive neural network for locally/globally prioritized TDLAS tomography | |
Liu et al. | 3D tomography integrating view registration and its application in highly turbulent flames | |
CN101231235A (zh) | 激光器相对螺旋运动重建烟气浓度温度分布的方法及系统 | |
CN108593557B (zh) | 基于te-ann-awf移动污染源遥测误差补偿方法 | |
Torniainen et al. | Tomographic analysis of unsteady, reacting flows: Numerical investigation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |