基于机器学习方法的太赫兹光子晶体光纤传感器用于硝化甘油和RDX爆炸物检测

本研究针对爆炸物检测中传统方法成本高、操作复杂、易受干扰等问题，提出了一种基于方形空心核心光子晶体光纤(PCF)的太赫兹传感器，结合随机森林回归器(RFR)机器学习方法，实现了对硝化甘油和皇家拆解炸药(RDX)的高灵敏度检测。通过有限元法(FEM)优化结构参数，在2 THz频率下获得了98.09%（硝化甘油）和88.25%（RDX）的相对灵敏度，同时实现了极低的有效材料损失(EML)和限制损耗(CL)。该传感器设计兼容现有制造技术，为安全检测和反恐应用提供了高效可靠的解决方案。

　　

在当今全球反恐和安全防护领域，爆炸物的快速、准确检测始终是一项重大挑战。硝化甘油(Nitroglycerine)和皇家拆解炸药(RDX)作为两种常见的高能爆炸物，不仅对公共安全构成严重威胁，还会对环境造成污染，甚至通过水源污染影响人类健康。传统的爆炸物检测技术如质谱法、表面增强拉曼散射(SERS)以及荧光和化学发光法等，虽然各具特色，但普遍存在设备昂贵、操作复杂、易受环境干扰等局限性。太赫兹时域光谱(THz-TDS)技术虽然能进行宽带分析，但需要大型光学装置且光-分析物相互作用有限；超材料和超表面传感器虽然灵敏度高，但工作频带窄且对加工精度要求极高。

正是在这样的背景下，来自巴基斯坦科学技术大学电子与电气工程系的A.H.M. Iftekharul Ferdous、Md. Safiul Islam、Abdullah Al Mamun、Md. Hanif Reza、Md. Jakir Hossen和Md. Shamim Anower研究团队，在《Journal of Hazardous Materials Advances》上发表了一项创新性研究，开发了一种基于方形空心核心光子晶体光纤(Photonic Crystal Fiber, PCF)的太赫兹传感器，专门用于检测硝化甘油和RDX爆炸物，并结合机器学习方法对传感器性能进行预测优化。

研究人员采用有限元法(Finite Element Method, FEM)进行数值模拟分析，使用COMSOL MULTIPHYSICS 6.1软件在1-2.8 THz频率范围内对传感器性能进行仿真。传感器以Zeonex为基底材料，采用方形空心核心设计，包含39个空气孔，通过优化结构参数（间距p=340 μm，方形核心尺寸1.05*p=357 μm）获得最佳性能。同时，应用随机森林回归器(Random Forest Regressor, RFR)机器学习算法，使用Python的scikit-learn模块建立预测模型，将数据集按80:20的比例分为训练集和测试集，设置100个决策树(n_estimators=100)，对传感器的相对灵敏度(Relative Sensitivity, RS)、有效材料损失(Effective Material Loss, EML)、限制损耗(Confinement Loss, CL)、有效面积(Effective Area, A_eff)、数值孔径(Numerical Aperture, NA)和光斑尺寸(Spot Size)等关键参数进行预测。

模型设计

研究团队设计了一种方形空心核心PCF传感器，采用Zeonex作为基底材料，其折射率为1.53。传感器结构包含方形和弧形空气孔，以及方形核心以确保良好的覆盖范围。Zeonex具有低光学衰减、高透明度和与生物材料良好的相容性，适合用于爆炸物检测。传感器设计中，空气的折射率为1，硝化甘油的折射率为1.489，RDX的折射率为1.358。完美匹配层(Perfectly Matched Layer, PML)被应用于光纤外部，有效减少背向反射，提高计算精度。网格划分采用"超细"级别，包含9,170个域元素，平均元素质量为0.8525。

实验设置与制造可行性分析

研究提出了完整的实验设置方案，包括太赫兹源、特制PCF传感器、相互作用室、探测器和数据采集系统。虽然本研究主要基于数值模拟，但团队充分考虑了制造可行性，指出可以通过堆叠拉伸、毛细管堆叠、钻孔、溶胶-凝胶、挤出和3D打印等现有技术进行制造。英国光电研究中心和澳大利亚阿德莱德大学已经证明了使用挤出和3D打印技术制造类似方形空心核心PCF结构的可行性。

结果评估

在频率为2 THz、间距为340 μm的最优条件下，传感器对硝化甘油的相对灵敏度达到98.09%，对RDX达到88.25%。硝化甘油的有效材料损失为0.0047 cm^-1，RDX为0.0197 cm^-1。限制损耗极低，硝化甘油为4.81×10^-13 dB/m，RDX为5.01×10^-14 dB/m。数值孔径方面，硝化甘油为0.266，RDX为0.246。有效面积分别为9.36×10^-08 m²（硝化甘油）和1.10×10^-07 m²（RDX），光斑尺寸分别为3.49×10^-04 μm和4.13×10^-04 μm。

机器学习预测

随机森林回归器在大多数参数预测上表现出色，相对灵敏度的R2分数为0.9889，有效材料损失为0.9974，数值孔径为0.9986，光斑尺寸为0.9727。然而，对于限制损耗的预测效果不佳（R2=-0.1847），表明模型难以捕捉其复杂的物理相互作用模式。

研究结论表明，这种方形核心PCF传感器在太赫兹区域对硝化甘油和RDX爆炸物表现出极高的检测灵敏度，同时具有极低的信号损耗。传感器设计兼容现有制造技术，具备实际应用的可行性。结合随机森林回归器机器学习方法，能够准确预测传感器性能参数，为传感器优化设计提供了有效工具。

这项研究的重要意义在于：首先，它提出了一种新型的方形空心核心PCF传感器设计，首次同时针对硝化甘油和RDX两种爆炸物进行检测；其次，将机器学习方法引入PCF传感器研究领域，实现了对传感器性能参数的准确预测；第三，传感器表现出极高的灵敏度（98.09%）和极低的损耗，远超以往报道的大多数PCF传感器；最后，该研究为安全检测、反恐行动和环境监测提供了一种高效、可靠且可能实现便携化的检测解决方案。

尽管研究取得了显著成果，但仍存在一些局限性。机器学习模型对限制损耗的预测效果不佳，需要在未来研究中开发更先进的模型来处理振荡和周期性数据模式。此外，研究基于理想化的结构参数，未来需要进一步研究制造公差对传感器性能的影响，通过蒙特卡洛模拟等方法评估在实际制造条件下的性能稳定性。

总体而言，这项研究通过创新性地结合光子晶体光纤技术和机器学习方法，为爆炸物检测领域提供了一种新的解决方案，具有重要的理论价值和实际应用前景，特别是在公共安全、环境保护和工业安全等领域具有广泛的应用潜力。