红外光气体检测:1.分子振动与红外吸收、检测系统的基本模型和红外敏感元件

news2024/11/13 10:25:01
  1. 分子振动与红外吸收

    • 分子偶极矩的变化频率分子内原子振动状态有关:μ=qd,其中μ是偶极矩,q是电荷,d是正负电荷中心距离。                                                                                           

      分子在振动时,如果它的正电荷中心和负电荷中心之间的距离发生变化,那么这个分子就有一个叫做“偶极矩”的特性。偶极矩的大小取决于电荷量(q)和这两个电荷中心之间的距离(d)。当分子振动时,这个距离会改变,因此偶极矩也会随之变化。这种变化与分子内部原子的振动状态紧密相关。简单来说,就是分子振动时,如果它的电荷分布发生变化,那么它就会吸收或发射红外光,这种现象是红外光谱分析的基础。
    • 红外光谱的产生与分子振动能级之间的跃迁有关:ΔE振​=EL​,其中ΔE振​是振动能级间隔,EL​是光量子能量。                                                                                                    当一个分子从一个振动状态跳到另一个振动状态时,它需要吸收或释放一定的能量,这个能量的大小就是“振动能级间隔”(ΔE振)。这个能量间隔正好等于一个“光量子”的能量(EL),也就是光的一个基本能量单位。换句话说,分子振动状态的改变需要通过吸收或发射一个光量子来实现,这个光量子的能量与分子振动能级的间隔是相等的。这就像是说,如果你想让一个分子从一个振动模式切换到另一个,你需要给它刚好足够的一个光能量包(光量子),不多也不少。                                                                                                     
    • 双原子分子只有伸缩振动v = \frac{1}{2\pi c} \sqrt{\frac{k}{\mu}},其中v是振动频率,c是光速,k是力常数,μ是折合质量。公式表明,振动频率与化学键的强度(力常数)的平方根成正比,与折合质量的平方根成反比。这意味着,如果化学键越强(k越大),振动频率就越高;如果两个原子越轻(μ越小),振动频率也会越高。

    • 红外吸收光谱产生条件:ΔE振​=EL​,且分子在振动过程中必须有瞬间偶极矩的改变。
  2. 检测系统的基本模型

    • 气体检测模型I = I_0 e^{-\alpha L c}其中I是透射光强度,I_0​是入射光强度,α是吸收系数,L是光程,c是气体浓度。它表明透射光强度随着气体浓度的增加、光程的增加或吸收系数的增加而指数式地减少。这是因为气体分子会吸收特定波长的红外光,吸收的量与气体浓度、光程和吸收系数成正比。 
    • 曲线形状:我们不妨写一段Python代码绘制一下该模型的大致曲线,代码如下:         
      import numpy as np
      import matplotlib.pyplot as plt
      plt.rcParams['axes.unicode_minus'] = False
      plt.rcParams['font.sans-serif'] = ['SimHei']
      # 参数设置
      I0 = 1.0  # 入射光强度
      alpha = 0.5  # 吸收系数
      L = 10.0  # 光程
      c = np.linspace(0, 1, 100)  # 气体浓度范围从0到1
      
      # 透射光强度
      I = I0 * np.exp(-alpha * L * c)
      
      plt.figure(figsize=(10, 6))
      plt.plot(c, I, label='I = I0 * exp(-alpha * L * c)')
      plt.xlabel('气体浓度 (c)')
      plt.ylabel('透射光强度 (I)')
      plt.title('透射光强度随气体浓度变化曲线')
      plt.legend()
      plt.grid(True)
      plt.show()
      

                             
  3. 红外敏感元件及探测器的设计

    • 热探测器的基本参数D^* = \frac{1}{\text{NEP}},其中D∗是比探测率,是一个衡量探测器性能的参数,表示在单位带宽内,探测器能够检测到的最小信号功率。D*越高,探测器的灵敏度越高。NEP是等效噪声功率,是指探测器能够检测到的最小信号功率,这个功率与探测器的噪声水平相等。NEP越小,探测器的灵敏度越高
    • 热释电探测器原理i_d = \omega P A_d \Delta T_d,其中i_d是热释电电流,是由于温度变化在热释电材料中产生的电流;ω是入射辐射的频率;P是热电系数,是热释电材料的一个特性参数,表示材料对温度变化的电响应能力;Ad​是响应元面积,即探测器响应辐射的面积;ΔTd​是由于吸收辐射导致的探测器温度变化。
    • 滤光片的作用\tau_F​是滤光片允许特定波长光通过的能力。传输率越高,滤光片对特定波长光的透过能力越强。
    • 探测器信号的初级检测技术A = 1 + \frac{R_3}{R_2},其中A是放大器增益,即放大器放大输入信号的能力。增益越高,输出信号相对于输入信号的放大倍数越大。R3​和R2​是放大器电路中的两个电阻值,它们的比例决定了放大器的增益。
  4. 探测器性能实验测试与分析

    • 频率与热响应关系R = \frac{V_s}{\Phi_s} = \frac{\omega \alpha \tau_F A_s P}{G_T} \frac{1}{R} \frac{1}{\sqrt{1 + (\omega \tau_T)^2}} \frac{1}{\sqrt{1 + (\omega \tau_E)^2}}其中R是响应率,它衡量了探测器对辐射功率的响应强度。简单来说,响应率高的探测器能更灵敏地反映出辐射功率的变化。Vs​是信号电压,即辐射功率转换成的电信号的电压值。Φs​是辐射功率,也就是探测器接收到的辐射能量。ω是角频率,它与辐射的频率有关,定义了辐射波形变化的速度。α是吸收率,指探测器能吸收的辐射能量的比例。\tau_F​是滤光片传输率,表示滤光片允许通过的光的比例。As​是敏感元件面积,即探测器用于接收辐射能量的部分的面积。P是热电系数,表示材料对热能转换为电能的效率。​​​​​​​G_T​是热导,指热量通过材料的传递能力。R是电阻。\tau_T是热时间常数,\tau_E​是电时间常数,它们定义了系统响应热和电变化的速度。
    • 频率与热探测率关系D^* = D (\frac{A_d \Delta f}{\text{NEP}}),其中D∗是比探测率,一个衡量探测器性能的标准,特别是在单位频带宽度内的灵敏度。D是探测率,它衡量探测器对辐射能量的响应能力。Ad​是探测器光敏面面积,决定探测器能接收到的辐射能量的多少。Δf是测量电路带宽,定义了系统能够处理信号频率变化的范围。NEP是等效噪声功率。,衡量了探测器在没有信号时输出的噪声电功率。它是一个关键指标,影响探测器灵敏度的高低。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/1908610.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

【AI大模型】赋能儿童安全:楼层与室内定位实践与未来发展

文章目录 引言第一章:AI与室内定位技术1.1 AI技术概述1.2 室内定位技术概述1.3 楼层定位的挑战与解决方案 第二章:儿童定位与安全监控的需求2.1 儿童安全问题的现状2.2 智能穿戴设备的兴起 第三章:技术实现细节3.1 硬件设计与选择传感器选择与…

如何在Excel中对一个或多个条件求和?

在Excel中,基于一个或多个条件的求和值是我们大多数人的常见任务,SUMIF函数可以帮助我们根据一个条件快速求和,而SUMIFS函数可以帮助我们对多个条件求和。 本文,我将描述如何在Excel中对一个或多个条件求和? 在Excel中…

【详细教程】PowerDesigner导出表结构word文档

📖【详细教程】PowerDesigner导出表结构word文档 ✅第一步:新建报告✅第二步:配置导出的参数✅第三步:导出 ✅第一步:新建报告 ✅第二步:配置导出的参数 如果你只需要导出纯粹的表结构,那么下面…

html——VSCode的使用

快捷键 快速生成标签:标签名tab 保存文件:CtrlS 设置自动保存【文件】→【自动保存】 快速查看网页效果:右击→Open in Default Browser 快捷键:altb 注意:必须安装了open in brows…

【C语言】return 关键字详解

在C语言中,return是一个关键字,用于从函数中返回值或者结束函数的执行。它是函数的重要组成部分,负责将函数的计算结果返回给调用者,并可以提前终止函数的执行。 主要用途和原理: 返回值给调用者: 当函数执…

YOLOv10改进 | EIoU、SIoU、WIoU、DIoU、FocusIoU等二十余种损失函数

一、本文介绍 这篇文章介绍了YOLOv10的重大改进,特别是在损失函数方面的创新。它不仅包括了多种IoU损失函数的改进和变体,如SIoU、WIoU、GIoU、DIoU、EIOU、CIoU,还融合了“Focus”思想,创造了一系列新的损失函数。这些组合形式的…

充分利用视觉信息多问多答合成数据,提升多模态大模型数学推理能力

©PaperWeekly 原创 作者 | 史文浩 单位 | 电子科技大学 论文题目: Math-LLaVA: Bootstrapping Mathematical Reasoning for Multimodal Large Language Models 论文链接: https://arxiv.org/abs/2406.17294 开源链接: https://github.c…

鸿蒙开发HarmonyOS NEXT (三) 熟悉ArkTs (上)

一、自定义组件 1、自定义组件 自定义组件,最基础的结构如下: Component struct Header {build() {} } 提取头部标题部分的代码,写成自定义组件。 1、新建ArkTs文件,把Header内容写好。 2、在需要用到的地方,导入…

Django 新增数据 create()方法

1,添加模型 Test/app11/models.py from django.db import modelsclass Book(models.Model):title models.CharField(max_length100)author models.CharField(max_length100)publication_date models.DateField()price models.DecimalField(max_digits5, decim…

后门攻击检测指南--windowsLinuxweb

免责声明:本文仅做技术交流与学习... 目录 Win d o w s - 后 门 - 常 规 & 权 限 维 持& 内 存 马 Lin u x - 后 门 - 常 规 & 权 限 维 持 & R o o t kit& 内 存 马 关于Rootkit的检测: web层面-后门--内存马 Win d o w s - 后 门 - 常 规…

构建LangChain应用程序的示例代码:58、如何使用 Nomic 的新嵌入模型构建和部署一个检索增强生成(RAG)应用

Nomic 嵌入模型 Nomic 发布了一个新的嵌入模型,在长上下文检索方面表现出色(8k上下文窗口)。 本教程将介绍使用 Nomic 嵌入构建和部署(通过 LangServe)RAG 应用的过程。 注册 获取您的 API 令牌,然后运行: ! nomic login然后使用您生成的 API 令牌运行 ! nomic login <…

vue-使用Worker实现多标签页共享一个WebSocket

文章目录 前言一、SharedWorker 是什么SharedWorker 是什么SharedWorker 的使用方式SharedWorker 标识与独占 二、Demo使用三、使用SharedWorker实现WebSocket共享 前言 最近有一个需求&#xff0c;需要实现用户系统消息时时提醒功能。第一时间就是想用WebSocket进行长连接。但…

WordPress开发进群V2主题源码,多种引流方法,引私域二次变现

WordPress开发进群V2主题源码&#xff0c;多种引流方法&#xff0c;引私域二次变现 全新前端UI界面&#xff0c;多种前端交互特效让页面不再单调&#xff0c;进群页面群成员数&#xff0c;群成员头像名称&#xff0c;每次刷新页面随机更新不重复&#xff0c;最下面评论和点赞也…

产品经理-交互设计动手实践(11)

业内有很多画交互的工具&#xff0c;这里不过多介绍&#xff0c;互联网公司最常用的工具是Axure,墨刀,蓝湖,小瀑 它是一个专业的快速原型设计工具&#xff0c;使用它能够快速创建线框图、流程图、原型和规格说明文档。 它能快速、高效地创建原型&#xff0c;同时支持多人协作设…

Java进阶----继承

继承 一.继承概述 继承是可以通过定义新的类&#xff0c;在已有类的基础上扩展属性和功能的一种技术. 案例&#xff1a;优化 猫、狗JavaBean类的设计 狗类&#xff1a;Dog 属性&#xff1a;名字 name&#xff0c;年龄 age 方法&#xff1a;看家 watchHome()&#xff0c;Gett…

机器学习统计学基础 - 最大似然估计

最大似然估计&#xff08;Maximum Likelihood Estimation, MLE&#xff09;是一种常用的参数估计方法&#xff0c;其基本原理是通过最大化观测数据出现的概率来寻找最优的参数估计值。具体来说&#xff0c;最大似然估计的核心思想是利用已知的样本结果&#xff0c;反推最有可能…

自定义类TMyLabel继承自QLabel ,实现mouseDoubleClickEvent

自定义类TMyLabel &#xff0c;继承自QLabel TMyLabel 中重新实现了 event 方法&#xff0c;重写了mouseDoubleClickEvent 发射信号 在主窗体中放入TMyLabel组件&#xff0c;将TMyLabel mouseDoubleClickEvent 信号&#xff0c; 绑定到实现方法do_doubleClick()槽函数 TMy…

知识付费系统3.0整站源码知识付费网课平台网创资源付费带自动采集同步插件

程序说明&#xff1a; 1.修复更新到最新版本 2.自动采集插件重写 3.关闭采集授权域名直接对接 4.更新插件主动请求同步资源 5.带自动采集插件 原始功能 支持分类替换 将主站同步过来的文章分类进行替换 支持自定义文章作者&#xff08;选择多个作者则同步到的文章作者将会随机分…

已解决 javax.xml.transform.TransformerFactoryConfigurationError 异常的正确解决方法,亲测有效!!!

已解决 javax.xml.transform.TransformerFactoryConfigurationError 异常的正确解决方法&#xff0c;亲测有效&#xff01;&#xff01;&#xff01; 目录 一、问题分析 二、报错原因 三、解决思路 四、解决方法 五、总结 博主v&#xff1a;XiaoMing_Java 博主v&#x…

Desktop docker 部署 WordPress

Desktop Docker 部署 WordPress 之前都是在Linux里面玩的&#xff0c;今天看到别人在windwos下安装docker&#xff0c;一时兴起装了一个试试&#xff0c;效果一般&#xff0c;很吃硬盘空间和内存。 首先在docker官方下载桌面版&#xff0c;安装下一步一直到完成。 安装完docke…