基于物理信息神经网络和发射光谱测量的火焰多参数反演：模型构建与实验验证
摘要
提出一种基于物理信息驱动的神经网络逆辐射模型，用于从红外发射光谱测量中准确重建火焰内部的温度场和多组分摩尔分数场。该模型将测量系统的物理信息耦合到神经网络的训练过程中，使其优化目标既能与测量数据匹配，又符合物理方程，从而无需训练数据集或复杂的反演算法。利用模拟的发射光谱重建乙烯层流扩散火焰的温度，二氧化碳、一氧化碳、水的摩尔分数，以及碳烟体积分数分布。结果表明该模型具有较高的反演精度和较强的抗噪声鲁棒性。通过傅里叶变换红外光谱仪测量乙烯火焰的中红外辐射强度，进一步验证了该模型在实验火焰标量场反演重建中的有效性。基于物理信息驱动的神经网络逆辐射模型能够有效地从红外光谱数据中重建火焰内部的多个标量场，显示出高精度和强鲁棒性。
引用本文（GB/T 7714）
李洪绪 Li Hongxu, 陈玮 Chen Wei, 张辰飏 Zhang Chenyang, 等. 基于物理信息神经网络和发射光谱测量的火焰多参数反演：模型构建与实验验证[J]. Acta Optica Sinica, 2025.
引文网络
本站仅收录题录与摘要供学习参考，全文版权归属出版方；如有侵权请联系我们删除。