CN116295852A - 一种基于图神经网络的中子散射实验样品温度场监测方法 - Google Patents
一种基于图神经网络的中子散射实验样品温度场监测方法 Download PDFInfo
- Publication number
- CN116295852A CN116295852A CN202310269071.0A CN202310269071A CN116295852A CN 116295852 A CN116295852 A CN 116295852A CN 202310269071 A CN202310269071 A CN 202310269071A CN 116295852 A CN116295852 A CN 116295852A
- Authority
- CN
- China
- Prior art keywords
- radiation
- hyperspectral
- temperature
- sample surface
- measurement
- 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.)
- Pending
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000012544 monitoring process Methods 0.000 title claims abstract description 12
- 238000001956 neutron scattering Methods 0.000 title claims abstract description 12
- 230000005855 radiation Effects 0.000 claims abstract description 85
- 239000002245 particle Substances 0.000 claims abstract description 82
- 238000005259 measurement Methods 0.000 claims abstract description 47
- 238000009529 body temperature measurement Methods 0.000 claims abstract description 19
- 238000000701 chemical imaging Methods 0.000 claims abstract description 15
- 230000002452 interceptive effect Effects 0.000 claims description 18
- 238000001228 spectrum Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 15
- 238000002474 experimental method Methods 0.000 claims description 14
- 230000005540 biological transmission Effects 0.000 claims description 12
- 230000003287 optical effect Effects 0.000 claims description 11
- 230000003595 spectral effect Effects 0.000 claims description 11
- 230000004044 response Effects 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 7
- 238000010521 absorption reaction Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000003384 imaging method Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 6
- 239000012798 spherical particle Substances 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 4
- 238000012821 model calculation Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000004737 colorimetric analysis Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 claims description 3
- 230000005670 electromagnetic radiation Effects 0.000 claims description 3
- 238000011065 in-situ storage Methods 0.000 claims description 3
- 238000011835 investigation Methods 0.000 claims description 3
- 238000013173 literature analysis Methods 0.000 claims description 3
- 239000000463 material Substances 0.000 claims description 3
- 238000013178 mathematical model Methods 0.000 claims description 3
- 239000013307 optical fiber Substances 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 239000000725 suspension Substances 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000002834 transmittance Methods 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 claims 1
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000005469 synchrotron radiation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J5/0003—Radiation pyrometry, e.g. infrared or optical thermometry for sensing the radiant heat transfer of samples, e.g. emittance meter
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J5/48—Thermography; Techniques using wholly visual means
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J5/80—Calibration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E30/00—Energy generation of nuclear origin
- Y02E30/30—Nuclear fission reactors
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Software Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Algebra (AREA)
- Biophysics (AREA)
- Databases & Information Systems (AREA)
- Operations Research (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Radiation Pyrometers (AREA)
Abstract
本发明涉及一种基于图神经网络的中子散射实验样品温度场监测方法，包括如下步骤：步骤一、研究高能粒子环境对样品表面辐射能的衰减规律，步骤二、构建样品表面辐射的高光谱成像模型，步骤三、利用多光谱辐射测温理论，完成高能粒子环境下样品表面温度场的数值重建；步骤四、结合高光谱数值图像数据，构建基于图神经网络的表面温度场测量代理模型；本发明的目的是提供一种基于图神经网络代理模型的中子散射实验样品表面温度场监测方法，实现高能粒子环境下样品表面温度场的精准测量。
Description
技术领域
本发明涉及样品表面温度场测量领域，尤其涉及一种基于图神经网络代理模型的中子散射实验样品表面温度场监测方法。
背景技术
国际上大科学装置大量开展高能粒子大科学实验；散裂中子源、同步辐射光源等高能物理大科学装置使用高能粒子(速度接近光速的质子p、电子e、π±介子、中子n、γ光子等)作为“炮弹”轰击样品，以解析样品的基元结构，由于材料的基元结构特性，包括电子自旋、原子热振动、晶体相结构转变、微观显微组织形成等均与温度密切相关，因此在高能粒子散射实验中，特别是应用最普遍的样品高温变温环境实验中，样品表面温度场的实时精准测量对保证实验结果的准确性至关重要。
现有技术中解决高能粒子环境样品表面温度场在线精准测量还存在以下问题，1、目前在高能粒子环境下主要采用接触式方法测量样品表面温度，其测量响应时间长、精度低，无法满足高能物理实验对测量实时性与精准性的要求；相较而言，非接触式测温方法具有响应时间短、测温范围广、可远距离测量温度场的优势，但对非接触式测温方法在高能粒子极端环境下应用的研究较少，高能粒子环境对非接触式测温误差的影响机制尚不清楚；2、物体表面温度场的高光谱成像测量方法已取得了一定的研究进展，但在高能粒子散射实验中，样品更换频繁，样品表面发射率往往是未知的，并且会随样品温度和光谱波段发生复杂变化，从而引起辐射测温误差。因此，如何消除表面发射率的影响，实现高能粒子环境下基于高光谱成像的样品表面温度场精准测量还有待进一步研究。
发明内容
本发明的目的是提供一种基于图神经网络代理模型的中子散射实验样品表面温度场监测方法，实现高能粒子环境下样品表面温度场的精准测量。
为了实现以上目的，本发明采用的技术方案为：一种基于图神经网络代理模型的中子散射实验样品表面温度场监测方法，包括如下步骤：
步骤一、研究高能粒子环境对样品表面辐射能的衰减规律；
步骤二、构建样品表面辐射的高光谱成像模型；
步骤三、利用多光谱辐射测温理论，完成高能粒子环境下样品表面温度场的数值重建；
步骤四、结合高光谱数值图像数据，构建基于图神经网络的表面温度场测量代理模型。
优选的，研究高能粒子环境对样品表面辐射能衰减的机理具体为：通过文献分析和实证考察的方式，调研高能粒子散射实验的典型样品材料，建立样品表面发射率随波长和温度变化的函数关系式；分析高温、超高温、高温原位变形、温度跃变、电磁悬浮等样品环境对样品表面温度场在线测量的精度和响应时间要求；分析高能粒子环境下干扰样品表面高光谱辐射测温的主要因素，拟采用麦克斯韦(Maxwell)理论分析强电磁辐射环境对辐射传输的影响；针对高温高压吸收性气体介质，拟采用碰撞增宽理论研究气体吸收谱带的压力和温度增宽效应，假设谱线为洛伦兹线形，利用最新HITRAN2012高分辨率光谱数据库和其高温版HITEMP2010数据库，拟采用指数-尾倒数统计窄谱带模型(又称Malkmus模型)获得气体介质的谱带平均透射率
式中L为路径长度，X为气体摩尔分数，P为气体压强，
为谱带内的平均吸收系数，
为谱带内的平均谱线密度，/>
为谱带内的谱线平均半宽；采用MIE散射理论计算弥散粒子(包含高能粒子)的辐射特征参数；根据MIE散射理论球形粒子的辐射特性与粒子的尺寸参数χ和粒子的复折射率m有关，球形粒子的衰减因子Qe、散射因子Qs、散射反照率ωp和散射相函数Φp可表示为：
式中G为粒子的投影面积，Θ为散射方向与入射方向间的夹角，an和bn为散射系数，S1和S2为辐射幅值函数；基于高能粒子环境辐射特性，结合普朗克定律和维恩定律定量计算高能粒子环境干扰介质浓度、介质温度、样品表面发射率等参数对不同波段和温度的目标辐射衰减率；根据衰减率最小原则确立高能粒子环境下高光谱成像仪的最优响应波段。
优选的，构建样品表面辐射的高光谱成像模型，具体为利用高光谱成像的几何光学理论和Fourier光学理论，结合高光谱成像光学镜头的几何结构和物方焦距、像方焦距、孔径角等相关参数，并使用传像光纤作为传光介质，确立高光谱数值图像上每个像素对应的样品表面辐射点位置和到达每个像素的辐射射线空间方向；根据辐射度学和色度学理论，建立不同温度和波段的样品表面辐射与高光谱数值图像灰度值的对应关系；利用数字化成像方法将图像灰度值由模拟量转化为离散量，获得由不同像素点灰度值组成的数组结构；针对均匀温度场，采用平面精度数学模型分析高光谱图像不同像素测量结果间的差异性，并对其进行一致性补偿；分析高光谱光学系统成像非均匀性、测量距离、视场角、暗电流和噪声等因素对辐射测量误差的影响，并结合黑体炉标定实验修正辐射测量误差；综合以上研究方案，高光谱数值图像灰度值G与样品表面辐射强度分布I之间的关系可表示为：
式中A1矩阵可由辐射测量误差标定实验确定，G＝(g1,g2...gk...gn)，gk代表k谱段的灰度值，n为高光谱的谱段总数，i代表高光谱图像某一像素点，N为的高光谱图像像素点总数，j代表样品表面物像上某一像素点，M为的物像点总数。
优选的，高能粒子环境下样品表面温度场的数值重建具体为利用高能粒子环境辐射特性计算结果和介质辐射传输理论，建立高能粒子环境辐射传递方程组、辐射能量方程和辐射边界条件，采用逆蒙特卡洛方法(Backward Monte Carlo)数值迭代求解上述方程组；参数化分析高能粒子环境干扰介质温度、浓度和测量距离等因素的测量不确定度对高光谱辐射测温精度的影响，明确高光谱辐射测温误差随各影响因素的演变规律，基于误差分析理论建立消除高能粒子环境干扰的样品表面温度校准算法；结合样品表面发射率随波长和温度变化的函数关系式，利用高光谱图像包含的高维光谱信息和多光谱辐射测温理论，消除样品表面未知发射率的影响，获得测量辐射强度I与样品表面真实温度T之间的对应关系：
式中A2矩阵可由修正高能粒子环境和样品表面未知发射率影响的校准算法确定，再结合高光谱数值图像灰度值G与样品表面辐射强度分布I之间的关系公式，实现由高光谱数值图像灰度值G到样品表面温度场T的数值重建。
优选的，构建基于高光谱数值图像的图神经网络温度场测量模型具体为：利用理论模型计算和实验测试获得的高光谱图像样本数据,训练图神经网络模型实现温度场的回归测量；针对高光谱数值图像数据的特点，研究相应的数据降维和特征提取方法；将数据预处理后的高光谱数值图像转化为图结构，图结构上的每一个节点都对应高光谱数值图像上的一个像素点；然后为图结构的每一个节点训练一个全连接层深度学习神经网络，将原始的全局温度场重建问题分解为多个较为简单的局部重建问题；考虑到每一个像素点的温度与其上下左右以及斜上下左右像素点的温度存在较大的相关性，因此网络输入参数为该像素点和其上下左右以及斜上下左右像素点的谱段灰度值(Gl,G2,....Gk-1,Gk)、测量光路距离L、干扰气体介质浓度Xg、干扰气体介质压强Pg、干扰气体介质温度Tg、干扰粒子介质浓度XP、干扰粒子介质温度TP、干扰粒子介质的粒径DP、样品表面发射率ε、测量环境温度TS，网络输出参数为该像素点对应的样品表面温度T：
T＝f(Pf；h(Ph；D))
式中，f(·)表示非线性回归测量函数，Pf表示非线性回归测量函数的参数，h(·)表示基于图神经网络的特征提取函数，Ph表示图神经网络领域内部单元节点的参数，D代表图神经网络模型的样本数据。本发明的技术效果为：首先研究高能粒子环境对样品表面辐射能的衰减规律，建立并求解样品表面温度场的高光谱成像测量理论模型，剔除高能粒子环境和表面发射率的影响，确立高光谱数值图像与样品表面温度场对应关系的基本理论和算法；然后利用理论模型计算和实验测试获得的高光谱图像样本数据，结合高性能的图神经网络模型构建快速测量样品表面温度场的代理模型，以期提升高能物理大科学装置实验测试的精准性。
具体实施方式
本申请的关键技术方案如下，
1、高能粒子环境对样品表面辐射能衰减的机理研究
通过文献分析和实证考察的方式，调研高能粒子散射实验的典型样品材料，建立样品表面发射率随波长和温度变化的函数关系式，分析高温、超高温、高温原位变形、温度跃变、电磁悬浮等样品环境对样品表面温度场在线测量的精度和响应时间要求，分析高能粒子环境下干扰样品表面高光谱辐射测温的主要因素拟采用麦克斯韦(Maxwell)理论分析强电磁辐射环境对辐射传输的影响，针对高温高压吸收性气体介质，拟采用碰撞增宽理论研究气体吸收谱带的压力和温度增宽效应，假设谱线为洛伦兹线形，利用最新HITRAN2012高分辨率光谱数据库和其高温版HITEMP2010数据库，拟采用指数-尾倒数统计窄谱带模型(又称Malkmus模型)获得气体介质的谱带平均透射率
式中L为路径长度，X为气体摩尔分数，P为气体压强，
为谱带内的平均吸收系数，
为谱带内的平均谱线密度，/>
为谱带内的谱线平均半宽；采用MIE散射理论计算弥散粒子(包含高能粒子)的辐射特征参数；根据MIE散射理论球形粒子的辐射特性与粒子的尺寸参数χ和粒子的复折射率m有关，球形粒子的衰减因子Qe、散射因子Qs、散射反照率ωp和散射相函数Φp可表示为：
式中G为粒子的投影面积，Θ为散射方向与入射方向间的夹角，an和bn为散射系数，S1和S2为辐射幅值函数；基于高能粒子环境辐射特性，结合普朗克定律和维恩定律定量计算高能粒子环境干扰介质浓度、介质温度、样品表面发射率等参数对不同波段和温度的目标辐射衰减率；根据衰减率最小原则确立高能粒子环境下高光谱成像仪的最优响应波段。
2、构建样品表面辐射的高光谱成像模型
利用高光谱成像的几何光学理论和Fourier光学理论，结合高光谱成像光学镜头的几何结构和物方焦距、像方焦距、孔径角等相关参数，并考虑使用传像光纤作为传光介质，确立高光谱数值图像上每个像素对应的样品表面辐射点位置和到达每个像素的辐射射线空间方向，根据辐射度学和色度学理论，建立不同温度和波段的样品表面辐射与高光谱数值图像灰度值的对应关系，利用数字化成像方法将图像灰度值由模拟量转化为离散量，获得由不同像素点灰度值组成的数组结构，针对均匀温度场，拟采用平面精度数学模型分析高光谱图像不同像素测量结果间的差异性，并对其进行一致性补偿，分析高光谱光学系统成像非均匀性、测量距离、视场角、暗电流和噪声等因素对辐射测量误差的影响，并结合黑体炉标定实验修正辐射测量误差，综合以上研究方案，高光谱数值图像灰度值G与样品表面辐射强度分布I之间的关系可表示为：
式中A1矩阵可由辐射测量误差标定实验确定，G＝(g1,g2...gk...gn)，gk代表k谱段的灰度值，n为高光谱的谱段总数，i代表高光谱图像某一像素点，N为的高光谱图像像素点总数，j代表样品表面物像上某一像素点，M为的物像点总数。
3、高能粒子环境下样品表面温度场的数值重建
利用高能粒子环境辐射特性计算结果和介质辐射传输理论，建立高能粒子环境辐射传递方程组、辐射能量方程和辐射边界条件，采用逆蒙特卡洛方法(BackwardMonteCarlo)数值迭代求解上述方程组，参数化分析高能粒子环境干扰介质温度、浓度和测量距离等因素的测量不确定度对高光谱辐射测温精度的影响，明确高光谱辐射测温误差随各影响因素的演变规律，基于误差分析理论建立消除高能粒子环境干扰的样品表面温度校准算法，结合样品表面发射率随波长和温度变化的函数关系式，利用高光谱图像包含的高维光谱信息和多光谱辐射测温理论，消除样品表面未知发射率的影响，获得测量辐射强度I与样品表面真实温度T之间的对应关系：
式中A2矩阵可由修正高能粒子环境和样品表面未知发射率影响的校准算法确定，再结合高光谱数值图像灰度值G与样品表面辐射强度分布I之间的关系公式，实现由高光谱数值图像灰度值G到样品表面温度场T的数值重建。
4、高能粒子环境下样品表面温度场测量代理模型的研究方案
利用理论模型计算和实验测试获得的高光谱图像样本数据,训练图神经网络模型实现温度场的回归测量，针对高光谱数值图像数据的特点，研究相应的数据降维和特征提取方法；将数据预处理后的高光谱数值图像转化为图结构，图结构上的每一个节点都对应高光谱数值图像上的一个像素点；然后为图结构的每一个节点训练一个全连接层深度学习神经网络，将原始的全局温度场重建问题分解为多个较为简单的局部重建问题；考虑到每一个像素点的温度与其上下左右以及斜上下左右像素点的温度存在较大的相关性，因此网络输入参数为该像素点和其上下左右以及斜上下左右像素点的谱段灰度值(Gl,G2,....Gk-1,Gk)、测量光路距离L、干扰气体介质浓度Xg、干扰气体介质压强Pg、干扰气体介质温度Tg、干扰粒子介质浓度XP、干扰粒子介质温度TP、干扰粒子介质的粒径DP、样品表面发射率ε、测量环境温度TS，网络输出参数为该像素点对应的样品表面温度T：
T＝f(Pf；h(Ph；D))
式中，f(·)表示非线性回归测量函数，Pf表示非线性回归测量函数的参数，h(·)表示基于图神经网络的特征提取函数，Ph表示图神经网络领域内部单元节点的参数，D代表图神经网络模型的样本数据。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实例的说明只是用于帮助理解本发明的方法及其核心思想。以上所述仅是本发明的优选实施方式，应当指出，由于文字表达的有限性，而客观上存在无限的具体结构，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进、润饰或变化，也可以将上述技术特征以适当的方式进行组合；这些改进润饰、变化或组合，或未经改进将发明的构思和技术方案直接应用于其它场合的，均应视为本发明的保护范围。
Claims (5)
1.一种基于图神经网络的中子散射实验样品温度场监测方法，其特征在于，包括如下步骤：
步骤一、研究高能粒子环境对样品表面辐射能的衰减规律；
步骤二、构建样品表面辐射的高光谱成像模型；
步骤三、利用多光谱辐射测温理论，完成高能粒子环境下样品表面温度场的数值重建；
步骤四、结合高光谱数值图像数据，构建基于图神经网络的表面温度场测量代理模型。
2.根据权利要求1所述的一种基于图神经网络的中子散射实验样品温度场监测方法，其特征在于，研究高能粒子环境对样品表面辐射能衰减的机理具体为：通过文献分析和实证考察的方式，调研高能粒子散射实验的典型样品材料，建立样品表面发射率随波长和温度变化的函数关系式；分析高温、超高温、高温原位变形、温度跃变、电磁悬浮等样品环境对样品表面温度场在线测量的精度和响应时间要求；分析高能粒子环境下干扰样品表面高光谱辐射测温的主要因素，拟采用麦克斯韦(Maxwell)理论分析强电磁辐射环境对辐射传输的影响；针对高温高压吸收性气体介质，拟采用碰撞增宽理论研究气体吸收谱带的压力和温度增宽效应，假设谱线为洛伦兹线形，利用最新HITRAN2012高分辨率光谱数据库和其高温版HITEMP2010数据库，拟采用指数-尾倒数统计窄谱带模型(又称Malkmus模型)获得气体介质的谱带平均透射率
式中L为路径长度，X为气体摩尔分数，P为气体压强，
为谱带内的平均吸收系数，/>
为谱带内的平均谱线密度，/>
为谱带内的谱线平均半宽；采用MIE散射理论计算弥散粒子(包含高能粒子)的辐射特征参数；根据MIE散射理论，球形粒子的辐射特性与粒子的尺寸参数χ和粒子的复折射率m有关，球形粒子的衰减因子Qe、散射因子Qs、散射反照率ωp和散射相函数Φp可表示为：
式中G为粒子的投影面积，Θ为散射方向与入射方向间的夹角，an和bn为散射系数，S1和S2为辐射幅值函数；基于高能粒子环境辐射特性，结合普朗克定律和维恩定律定量计算高能粒子环境干扰介质浓度、介质温度、样品表面发射率等参数对不同波段和温度的目标辐射衰减率；根据衰减率最小原则确立高能粒子环境下高光谱成像仪的最优响应波段。
3.根据权利要求2所述的一种基于图神经网络的中子散射实验样品温度场监测方法，其特征在于，构建样品表面辐射的高光谱成像模型，具体为利用高光谱成像的几何光学理论和Fourier光学理论，结合高光谱成像光学镜头的几何结构和物方焦距、像方焦距、孔径角等相关参数，并使用传像光纤作为传光介质，确立高光谱数值图像上每个像素对应的样品表面辐射点位置和到达每个像素的辐射射线空间方向；根据辐射度学和色度学理论，建立不同温度和波段的样品表面辐射与高光谱数值图像灰度值的对应关系；利用数字化成像方法将图像灰度值由模拟量转化为离散量，获得由不同像素点灰度值组成的数组结构；针对均匀温度场，采用平面精度数学模型分析高光谱图像不同像素测量结果间的差异性，并对其进行一致性补偿；分析高光谱光学系统成像非均匀性、测量距离、视场角、暗电流和噪声等因素对辐射测量误差的影响，并结合黑体炉标定实验修正辐射测量误差；综合以上研究方案，高光谱数值图像灰度值G与样品表面辐射强度分布I之间的关系可表示为：
式中A1矩阵可由辐射测量误差标定实验确定，G＝(g1,g2...gk...gn)，gk代表k谱段的灰度值，n为高光谱的谱段总数，i代表高光谱图像某一像素点，N为的高光谱图像像素点总数，j代表样品表面物像上某一像素点，M为的物像点总数。
4.根据权利要求3所述的一种基于图神经网络的中子散射实验样品温度场监测方法，其特征在于，高能粒子环境下样品表面温度场的数值重建具体为利用高能粒子环境辐射特性计算结果和介质辐射传输理论，建立高能粒子环境辐射传递方程组、辐射能量方程和辐射边界条件，采用逆蒙特卡洛方法(BackwardMonte Carlo)数值迭代求解上述方程组；参数化分析高能粒子环境干扰介质温度、浓度和测量距离等因素的测量不确定度对高光谱辐射测温精度的影响，明确高光谱辐射测温误差随各影响因素的演变规律，基于误差分析理论建立消除高能粒子环境干扰的样品表面温度校准算法；结合样品表面发射率随波长和温度变化的函数关系式，利用高光谱图像包含的高维光谱信息和多光谱辐射测温理论，消除样品表面未知发射率的影响，获得测量辐射强度I与样品表面真实温度T之间的对应关系：
式中A2矩阵可由修正高能粒子环境和样品表面未知发射率影响的校准算法确定，再结合高光谱数值图像灰度值G与样品表面辐射强度分布I之间的关系公式，实现由高光谱数值图像灰度值G到样品表面温度场T的数值重建。
5.根据权利要求1所述的一种基于图神经网络的中子散射实验样品温度场监测方法，其特征在于，构建基于高光谱数值图像的图神经网络温度场测量模型具体为：利用理论模型计算和实验测试获得的高光谱图像样本数据，训练图神经网络模型实现温度场的回归测量；针对高光谱数值图像数据的特点，研究相应的数据降维和特征提取方法；将数据预处理后的高光谱数值图像转化为图结构，图结构上的每一个节点都对应高光谱数值图像上的一个像素点；然后为图结构的每一个节点训练一个全连接层深度学习神经网络，将原始的全局温度场重建问题分解为多个较为简单的局部重建问题；考虑到每一个像素点的温度与其上下左右以及斜上下左右像素点的温度存在较大的相关性，因此网络输入参数为该像素点和其上下左右以及斜上下左右像素点的谱段灰度值(Gl,G2,....Gk-1,Gk)、测量光路距离L、干扰气体介质浓度Xg、干扰气体介质压强Pg、干扰气体介质温度Tg、干扰粒子介质浓度XP、干扰粒子介质温度TP、干扰粒子介质的粒径DP、样品表面发射率ε、测量环境温度TS，网络输出参数为该像素点对应的样品表面温度T：
T＝f(Pf；h(Ph；D))
式中，f(·)表示非线性回归测量函数，Pf表示非线性回归测量函数的参数，h(·)表示基于图神经网络的特征提取函数，Ph表示图神经网络领域内部单元节点的参数，D代表图神经网络模型的样本数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310269071.0A CN116295852A (zh) | 2023-03-20 | 2023-03-20 | 一种基于图神经网络的中子散射实验样品温度场监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310269071.0A CN116295852A (zh) | 2023-03-20 | 2023-03-20 | 一种基于图神经网络的中子散射实验样品温度场监测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116295852A true CN116295852A (zh) | 2023-06-23 |
Family
ID=86837606
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310269071.0A Pending CN116295852A (zh) | 2023-03-20 | 2023-03-20 | 一种基于图神经网络的中子散射实验样品温度场监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116295852A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117313553A (zh) * | 2023-11-28 | 2023-12-29 | 四川物科光学精密机械有限公司 | 一种基于神经网络的多光谱辐射测温反演计算方法 |
| CN117474815A (zh) * | 2023-12-25 | 2024-01-30 | 山东大学 | 一种高光谱图像校准方法及系统 |
-
2023
- 2023-03-20 CN CN202310269071.0A patent/CN116295852A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117313553A (zh) * | 2023-11-28 | 2023-12-29 | 四川物科光学精密机械有限公司 | 一种基于神经网络的多光谱辐射测温反演计算方法 |
| CN117313553B (zh) * | 2023-11-28 | 2024-02-06 | 四川物科光学精密机械有限公司 | 一种基于神经网络的多光谱辐射测温反演计算方法 |
| CN117474815A (zh) * | 2023-12-25 | 2024-01-30 | 山东大学 | 一种高光谱图像校准方法及系统 |
| CN117474815B (zh) * | 2023-12-25 | 2024-03-19 | 山东大学 | 一种高光谱图像校准方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chapman et al. | Spectral and radiometric calibration of the next generation airborne visible infrared spectrometer (AVIRIS-NG) | |
| CN116295852A (zh) | 一种基于图神经网络的中子散射实验样品温度场监测方法 | |
| Crossfield et al. | A global cloud map of the nearest known brown dwarf | |
| Zhang et al. | First observation of tropospheric nitrogen dioxide from the Environmental Trace Gases Monitoring Instrument onboard the GaoFen-5 satellite | |
| Shen et al. | Hyperspectral estimation of soil organic matter content using different spectral preprocessing techniques and PLSR method | |
| Hou et al. | Review on infrared imaging technology | |
| Stegmann et al. | A deep learning approach to fast radiative transfer | |
| Kuhlmann et al. | An algorithm for in-flight spectral calibration of imaging spectrometers | |
| Ren et al. | Efficient two-dimensional scalar fields reconstruction of laminar flames from infrared hyperspectral measurements with a machine learning approach | |
| Le et al. | Application of machine learning to hyperspectral radiative transfer simulations | |
| Lee et al. | Deep learning for high-resolution and high-sensitivity interferometric phase contrast imaging | |
| CN115222707A (zh) | 一种全谱段高光谱对地遥感成像测量不确定度分析方法 | |
| Li et al. | Rapid sensing of hidden objects and defects using a single-pixel diffractive terahertz sensor | |
| Ren et al. | Machine learning applied to the retrieval of three-dimensional scalar fields of laminar flames from hyperspectral measurements | |
| Gao et al. | Determination of the key comparison reference value from multiple field calibration of Sentinel-2B/MSI over the Baotou site | |
| Li et al. | Simultaneously retrieving of soot temperature and volume fraction in participating media and laminar diffusion flame using multi-spectral light field imaging | |
| Han et al. | Modeling the space-based optical imaging of complex space target based on the pixel method | |
| Wei et al. | Tomographic reconstruction of refractive index fields based on laser beam deflection measurement | |
| Dai et al. | 3-D soot temperature and volume fraction reconstruction of afterburner flame via deep learning algorithms | |
| Koner et al. | Maximizing the information content of ill-posed space-based measurements using deterministic inverse method | |
| CN110646099A (zh) | 基于实测数据反演目标红外辐射图像的方法和装置 | |
| Popova et al. | A new intensity adjustment technique of emission spectral analysis when measured at the upper limit of the dynamic range of charge-coupled devices | |
| CN114061766A (zh) | 一种颗粒燃烧过程多光谱重建测温装置与方法 | |
| Wu et al. | Infrared Gas Detection and Concentration Inversion Based on Dual-Temperature Background Points | |
| Hu et al. | First scanning Fabry–Perot interferometer developed in China |
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 |