详情

原文传递一种基于单一组分吸收光谱的多组分浓度的估计方法

专利名称：	一种基于单一组分吸收光谱的多组分浓度的估计方法
摘要：	本发明提供一种基于单一组分吸收光谱的多组分浓度的估计方法。包括以下步骤：该方法以燃烧的数值仿真结果为基础，结合神经网络算法，获得一个从激光路径上单一组分的吸收谱信息到该路径上其余组分平均浓度的网络模型，从而根据燃烧过程单一组分的激光吸收光谱信息估计路径上其余待测组分的平均浓度。本发明的效果是在吸收信息有限的情况下，利用单一组分的少量吸收谱信息实现对其余组分浓度的估计，减少了激光吸收光谱技术中多组分浓度同时测量时需要的吸收谱线数目，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信息估计燃烧场中其余组分的浓度，避免了有些组分由于吸收谱信息获取困难导致的信息缺失问题，具有广阔的应用前景。
专利类型：	发明专利
申请人：	北京航空航天大学
发明人：	徐立军;曹章;杨亚如;黄昂;陆方皞
专利状态：	有效
申请日期：	1900-01-20T17:00:00+0805
发布日期：	1900-01-20T01:00:00+0805
申请号：	CN202010096169.7
公开号：	CN111089850A
分类号：	G01N21/39;G01N31/12;G;G01;G01N;G01N21;G01N31;G01N21/39;G01N31/12
申请人地址：	100191 北京市海淀区学院路37号
主权项：	1.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激光，根据Beer-Lambert吸收定律，激光通过待测空间，相应组分气体产生特定吸收，出射激光被光电探测器接收，得到测量的吸收组分的吸收谱，根据吸收组分的吸收谱信息可以计算出激光吸收路径上的平均温度进而求出吸收组分的平均浓度。本发明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，其特征在于，该方法以数值仿真得到的燃烧场参数分布结果为基础，利用HITRAN数据库求解吸收组分的光谱吸收信息，并结合神经网络算法，训练一个由燃烧场中测量的吸收组分的吸收光谱到路径上其余待测组分平均浓度的网络模型，从而实现根据燃烧过程中吸收组分的激光吸收光谱信息预测路径上其余待测组分的平均浓度。 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种组分浓度的估计方法，其特征在于该方法包括以下步骤：步骤一、燃烧的数值仿真：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：首先针对具有对称结构的火焰建立二维几何模型，并划分成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、吸收组分以及待测组分浓度的分布，过改变甲烷—空气的当量比，获取E组工况下甲烷—空气预混燃烧待测区的温度、压力、吸收组分以及待测组分的浓度分布；步骤二、神经网络的训练：根据步骤一中得到的燃烧场参数分布，记录一组火焰沿不同高度上的燃烧参数，包括每个网格中的温度、压力以及吸收组分，如水蒸气分子，待测组分，如CO2、NOX、OH自由基等组分的浓度，每个工况下记录H组，共N组数据(N＝EH)；根据Beer-Lambert吸收定律，使用直接吸收光谱技术实现双线法测温，结合HITRAN数据库，中心频率为υ1、υ2的两个波段上，在网格总数为M的一条路径上，假设每个网格上压力、吸收组分浓度均匀分布，测量组分在第i个网格上的的光谱吸收率(i＝1，2，…，M)可以由式(1)表示，其中，P(i)[atm]为第i个网格处的压力,T(i)[K]为第i个网格处的温度，Xabs(i)为第i个网格处测量的吸收组分气体摩尔百分比(气体浓度)，S(T(i))[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Li[cm]为每个网格的路径长度，每个网格上吸收率α(v)对波数的积分A[cm-1](积分吸收率)可以由式(2)表示：将路径上所有网格上的积分吸收率相加，可以得到一条路径上吸收组分的积分吸收面积，即神经网络的输入样本：该路径上待测组分的平均浓度Xtest可以由式(4)计算出来，其中Xtest，i(i＝1，2，…，M)是路径上每个网格点处待测组分的浓度，即神经网络的输出样本：为了提高吸收谱的利用率，根据吸收组分的少量吸收谱信息预测其余待测组分的平均浓度Xtest，以步骤二中得到的N条路径上的吸收组分的吸收光谱信息作为神经网络的输入，步骤二中得到的对应N条路径上待测组分的平均浓度作为神经网络的对应输出，训练误差反向传播(BP)神经网络；步骤三、误差的计算：要测试步骤二中训练好的神经网络对待测组分估计的效果，重新设置工况，按照步骤二计算N’组吸收组分在中心频率为υ1、υ2的两个波段上的积分吸收面积作为测试组输入样本，对应路径上待测组分平均浓度作为测试输出样本：其中t(j)，j＝1，2，…，N′，是燃烧仿真得到的待测组分平均浓度值，即训练神经网络时给定的输出；y(j)，j＝1，2，…，N′，是利用神经网络算法对测试组输入进行计算得到的待测组分的平均浓度，即利用训练好的神经网络对待测组数据计算得到的真实输出，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) (5) 相对误差可以表示为： (6) 用训练好的神经网络对测试组的待测组分浓度进行预测，与数值仿真结果对比，分析基于神经网络的单一组分吸收谱信息对多种组分浓度的预测效果，根据式(5)、(6)计算神经网络算法对测试组数据估计的相对误差，用来表征神经网络的方法对测试组数据的待测组分平均浓度的估计效果。 3.按照权利要求1所述的一种基于燃烧场单一组分激光吸收光谱信息估计多种组分浓度的方法，其特征在于神经网络按照如下步骤训练：根据吸收组分的少量吸收谱信息预测其余待测组分的平均浓度Xtest，以权利要求2中得到的N条路径上的吸收组分的吸收光谱信息作为神经网络的输入，对应N条路径上待测组分的平均浓度作为神经网络的输出，训练误差反向传播(BP)神经网络，第k组(k＝1，2，…，N)的输入、输出分别为： Ak＝[Ak_1 Ak_2] (7) 其中，Ak_1、Ak_2分别是第k组输入样本中，吸收组分在中心频率为υ1、υ2的两个波段上的积分吸收面积，Xtest_k是对应的第k组输出样本，即该路径上待测组分的平均浓度；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(m0＝2)，m1是第一个隐含层的节点数目，m2输出层的节点数目(m2＝1)；随机分配每一层的权值W和阈值β，其中：其中a、b、c分别是输入层、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(10)的形式，则对于第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(11)：输出层每个节点的输出为：误差可以根据下式计算：0 其中Tk_c为每个输出节点上的期望输出，即仿真得到的燃烧区域待测组分的平均浓度Xtest_k；当相邻两次计算误差小于神经网络的预设参数时，完成训练。
所属类别：	发明专利