近日，中国科学院合肥物质院安光所李相贤研究员团队在恶劣工况下复杂烟气红外光谱智能定量反演领域取得重要突破。相关研究成果分别以“FTIR quantitative analysis of high concentration CO2 overcoming saturation effects via an MIV-GWO-ELM integration framework”和“Overcoming nonlinearity in FTIR spectroscopy: A hybrid PSO-ELM approach for robust carbon monoxide monitoring in steel sintering flue gas”为题，发表在Analytical Chemistry和Infrared Physics and Technology上。
复杂高温烟气在线监测，是工业领域落实超低排放、推进碳减排工作的关键技术支撑。其中，傅里叶变换红外光谱技术（FTIR）凭借分辨率高、可同时监测多组分等优势，已成为工业复杂高温烟气在线监测的重要手段。但在实际应用中，受限于红外仪器光谱分辨率的限制，加之工业现场复杂环境因素的干扰，烟气吸光度与气体浓度之间呈现明显的非线性特征，这一问题一直是恶劣工况下，复杂烟气成分高精度检测的前沿技术瓶颈，严重制约了监测数据的准确性。
针对上述难题，研究团队创新地将傅里叶变换红外光谱（FTIR）技术与人工智能优化算法相结合，通过精简、实用的算法架构，成功实现了对烟气中一氧化碳CO和二氧化碳CO2浓度的精准反演，有效提升了复杂工况下的监测精度。
在二氧化碳高浓度饱和定量分析中，研究团队则提出了由平均影响值和灰狼优化算法（模拟狼群狩猎和等级来寻找最优解的群智能算法）改进的极限学习机模型（MIV-GWO-ELM）。该模型首先选择在2250-2400 cm⁻¹范围的二氧化碳特征光谱区间，利用MIV算法筛选出核心光谱变量，从物理源头上减轻饱和效应的影响；再利用灰狼优化算法（GWO）对网络权重、偏置参数进行深度寻优，进一步提升了模型在极端强非线性条件下，二氧化碳浓度的预测精度。
在一氧化碳监测方面，团队采用粒子群优化算法（PSO）的极限学习机（ELM）混合预测模型（PSO-ELM）。该方法首先通过airPLS基线校正算法减小背景漂移造成的监测误差，同时选取2050-2145 cm⁻¹这一特征波段，规避水汽与二氧化碳的重叠干扰，保证监测信号的纯粹性；随后利用粒子群算法（PSO）的全局搜索能力对网络参数进行寻优，有效克服了传统极限学习机（ELM）因随机初始化而导致的预测数值不稳定的问题。
该研究为工业复杂工况下的红外光谱定量分析，提供了新的解决方案，有望推动红外光谱智能化在线监测技术的落地应用与快速发展，为工业超低排放和碳减排工作提供更精准的技术支撑。
中国科学院合肥物质院与聊城大学联合培养硕士研究生赵天翔为论文第一作者，中国科学院合肥物质院李相贤研究员和聊城大学朱存光副教授为论文通讯作者。该研究得到国家重点研发计划青年科学家项目、国家重点研发计划项目的支持。
图1. 工业烟气多组分红外在线监测系统示意图
图2. MIV-GWO-ELM混合预测模型的运行机制
图3. (a) CO2浓度预测模型单样本相对误差分布；(b) CO浓度预测下不同回归模型性能与计算效率对比
