近日，中国科学院合肥物质院安光所高晓明研究员、刘锟研究员团队在层析吸收光谱燃烧流场温度、浓度分布测量方面取得新进展，相关研究以《基于深度学习吸光度恢复和层析吸收光谱的发动机尾焰温度浓度分布测量》为题发表在国际知名期刊Fuel上。
基于层析吸收光谱的燃烧流场温度、组分浓度分布测量可为先进燃烧系统的设计、监测和诊断提供更全面的数据，具有速度快、灵敏度高、抗干扰能力强的优点，在燃烧诊断方面展现出巨大的发展前景。然而受吸光度畸变的影响，传统的吸收光谱单路径测量误差较大，限制了层析吸收光谱的量化精度。
针对基线误差导致的吸光度畸变问题，团队刘锟研究员、王贵师副研究员、博士后王瑞峰等提出一种基于深度学习的吸光度恢复新方法。该方法通过建立神经网络模型，从导数信号恢复吸光度，具有抑制基线误差，降低吸光度畸变的效果，将吸收光谱单路径测量精度提高约1个数量级。利用此方法，该团队使用12束激光对柴油驱动的微型涡喷发动机尾焰温度和H2O浓度分布进行了非接触、高速测量，测量速度达到20kHz，温度测量误差与热电偶仅相差0.9%。这一技术突破有望提高层析吸收光谱量化精度。
层析吸收光谱微型涡喷发动机尾焰测量系统示意图
尾焰温度、H2O浓度分布图