Multiparameter gas sensing with linear hyperspectral absorption tomography
Notice bibliographique
Résumé
Abstract Hyperspectral absorption tomography (HAT) reconstructs the distribution of key gas parameters, including composition, pressure, and temperature, from multi-beam absorbance data with numerous spectral resolution elements. There is a nonlinear relationship between the parameters of interest and the spectral absorption coefficient, which must be incorporated into the tomography algorithm. Nonlinear HAT simultaneously reconstructs the composition and temperature of a gas by minimizing a single nonconvex objective function, which combines the light attenuation and spectroscopy models, using a metaheuristic technique. The time required for this computation depends, strongly, on the assumed heuristics, but the high computational cost limits the problem size and, hence, the obtainable spatial resolution. Conversely, linear HAT reconstructs the absorption coefficient for each measurement wavenumber, individually, exploiting the linear structure of the underlying tomography problem. Local spectra are then post-processed with a spectroscopic model to recover multiple parameters. The linear technique enables accurate reconstructions on a high-resolution grid by way of an established statistical imaging algorithm. Moreover, local spectra can be employed to gauge phenomena such as multi-species broadening and line mixing with a calibrated regression model. We simulate linear and nonlinear HAT and reconstruct experimental absorbance data using the former approach to demonstrate its superior performance. Nonlinear reconstructions required a 100-fold computational effort compared to linear HAT. In our experimental test, we reconstructed the mole fraction, pressure, and temperature of water vapor in a stagnation flow, which represents the first three-parameter laser absorption tomography experiment. Simulated and experimental results in our paper make a comprehensive case for linear HAT compared to the nonlinear method.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».