基于新型滚筒式光声谐振腔与密集卷积网络的高精度光声传感器研究

为解决光声光谱(PAS)系统中噪声干扰导致的检测精度受限问题，研究人员创新性地将滚筒式三腔光声谐振器与129层密集卷积网络(DenseNet)相结合，开发出高灵敏度CH4检测系统。该系统通过COMSOL仿真优化声场分布，利用DenseNet实现信号噪声抑制，使信噪比(SNR)最高提升至987，检测限达0.128 ppb，归一化噪声等效吸收(NNEA)系数为6.45×10-10 cm-1 W Hz-1/2，为环境监测提供了突破性解决方案。

　　

在环境监测和工业安全领域，痕量气体检测技术始终面临灵敏度与抗干扰能力的双重挑战。传统光声光谱(PAS)技术虽兼具激光吸收光谱的高选择性与声学检测的高灵敏度，但电子设备噪声、光学干涉条纹噪声和环境声学噪声等干扰因素，使得系统难以达到理论检测极限。现有解决方案如调制消除法(MOCAM)需频繁校准，差分傅里叶变换红外系统(DFTIR-PAS)体积庞大，多谐振腔光声池结构复杂，均制约着实际应用。

安徽理工大学的研究团队在《Sensors and Actuators B: Chemical》发表的研究中，提出了一种融合新型滚筒式谐振腔与深度学习的创新方案。该团队设计的三圆柱腔体结构通过COMSOL有限元分析优化声场分布，结合129层密集卷积网络(DenseNet)的动态特征学习能力，实现了从硬件设计到信号处理的全链条优化。关键技术包括：采用有限元法(FEM)仿真谐振腔频率响应；构建含4个denseblock层的DenseNet架构；对64 ppm CH₄/N₂/O₂混合气体进行长期连续测量验证稳定性。

Architecture of DenseNet
研究团队设计的网络包含3×1卷积核预处理层和跨层连接的密集块结构，通过特征重用机制提取光声信号中的浓度、压力等多维特征。

Results and discussion
实验数据显示，系统在2 ppm CH₄检测中SNR从15提升至638，浓度直方图呈高斯分布，半峰宽(FWHM)显著收窄。对比传统PAS，测量精度从2.2 ppm跃升至4.5 ppb，NNEA系数达亚ppb级。

Conclusions
该研究通过"谐振腔设计-算法优化"协同创新，突破性地将深度学习引入光声传感领域。DenseNet的动态学习特性克服了传统降噪方法依赖物理结构的局限，滚筒式谐振腔的小型化设计则解决了复杂腔体的应用瓶颈。Yanan Cao团队的工作不仅为CH₄监测提供了0.128 ppb检测限的新工具，更开创了人工智能赋能光学传感的新范式，对大气成分分析、工业泄漏预警等应用具有重要价值。