基于可调谐二极管激光吸收光谱法(TDLAS)和传统的反演重建算法对轴对称火焰的二维温度场和CO2浓度场的同步重建通常需要进行空间轴向和径向的多视线扫描式测量,测量系统相对复杂,反演重建效率不佳。本文基于4.2 μm 中红外TDLAS激光测量系统,针对轴对称层流扩散火焰,建立了能够同步反演火焰温度场和CO2浓度场的机器学习模型。与传统的反演重建方法相比,采用机器学习的反演模型只需要对火焰中心轴向进行扫描式测量就能同步、高效地重建轴对称层流扩散火焰的二维温度场和CO2浓度场,在相同的硬件条件下需要更

可调谐半导体激光吸收光谱（TDLAS）技术结合层析成像（CT）算法能实现流场温度、浓度等信息的二维重建测量。为研究层析成像算法对温度场二维重建质量的影响，实现了两种典型重建算法：代数迭代重建算法（ART）和模拟退火（SA）算法。在不同的射线分布和吸收谱线数目情况下，使用两种算法对给定单峰温度场和双峰温度场分别进行重建仿真，比较分析了两种算法的重建结果。仿真结果表明，影响代数迭代重建算法重建质量的主要因素是射线分布，而模拟退火算法则对吸收谱线数较为敏感；对于单峰温度场，代数迭代重建算法重建结果的最