一个ML增强的基于激光的甲滑动传感器,使用波长调制光谱学
Mhanna Mhanna1, Jeremy Rochussen1, Patrick Kirchen1
1Department of Mechanical Engineering, University of British Columbia, 2054-6250 Applied Science Lane, Vancouver, British Columbia V6T 1Z4, Canada.
ACS sensors
|January 15, 2025
概括
一个新的激光传感器使用机器学习来准确测量天然气发动机的甲滑落. 这项创新使得清洁交通和环境效益的实时监控成为可能.
科学领域:
- 环境科学 环境科学
- 工程 工程师 工程师 工程师
- 传感器技术 传感器技术
背景情况:
- 天然气 (NG) 是一种可持续的运输燃料,但其温室气体效益取决于控制甲排放.
- 现有的甲滑坡测量方法通常是昂贵的,需要经常校准,并与动态发动机条件作斗争.
- 准确的实时监测甲 (CH4) 排放对于实现天然气汽车的环境优势至关重要.
研究的目的:
- 开发一种新的,机器学习增强的基于激光的传感器,用于快速,准确和无校准的发动机排气中的甲滑落测量.
- 解决传统甲滑落监测技术的局限性,包括校准需求,成本和适合动态操作的适用性.
- 为天然气发动机提供可靠的传感器系统,用于实际应用,以支持减排战略.
主要方法:
- 使用波长调制光谱 (WMS) 与分布式反 (DFB) 激光二极管在1.65微米.
- 采用机器学习方法,特别是高斯过程回归 (GPR),以逆转WMS信号,降低计算成本和噪声不确定性.
- 在模拟和测量WMS数据上训练了GPR模型,以提高预测准确度.
主要成果:
- 机器学习增强的传感器在模型训练过程中实现了0.24%的平均绝对百分比误差 (MAPE).
- 在天然气船舶的实地测试显示,与参考福里埃变换红外光谱 (FTIR) 测量相比,平均绝对差异为3.95%.
- 该系统在动态排气条件下展示了快速,准确和无校准的甲 (CH4) 测量能力.
结论:
- 开发的ML增强的WMS传感器代表了天然气发动机实时甲滑落监测的重大进步.
- 这种技术可以降低计算需求和提高准确性,促进发动机优化和监管合规性.
- 准确的甲滑坡数据对于验证天然气作为运输燃料的环境效益和为可持续能源政策提供信息至关重要.
