Análisis del flujo de polvo mediante lidar Doppler de baja coherencia

Scientific Reports volumen 13, número de artículo: 4086 (2023) Citar este artículo

820 Accesos

1 altmétrica

Detalles de métricas

La visualización del flujo de polvo y la dinámica del viento cerca de la superficie del suelo es esencial para comprender la mezcla y la interacción entre la geosfera y la atmósfera cerca de la superficie. Conocer el flujo temporal de polvo es beneficioso para abordar la contaminación del aire y los problemas de salud. Los flujos de polvo cerca de la superficie del suelo son difíciles de monitorear debido a su pequeña escala temporal y espacial. En este estudio, proponemos un lidar Doppler de baja coherencia (LCDL) para medir el flujo de polvo cerca del suelo con altas resoluciones temporales y espaciales de 5 ms y 1 m, respectivamente. Demostramos el rendimiento de LCDL en experimentos de laboratorio utilizando harina y partículas de carbonato de calcio liberadas en el túnel de viento. Los resultados del experimento LCDL muestran una buena concordancia con la medición del anemómetro en velocidades del viento que oscilan entre 0 y 5 m/s. La técnica LCDL puede revelar la velocidad de distribución del polvo, que se ve afectada por la masa y el tamaño de las partículas. Como resultado, se pueden utilizar diferentes perfiles de distribución de velocidad para determinar el tipo de polvo. Los resultados de la simulación del flujo de polvo coinciden bien con los resultados experimentales.

Los flujos de polvo están activos cerca de la superficie del suelo, donde el flujo del viento es complejo. Es importante para comprender la mezcla y la interacción entre la geología y la atmósfera superficial. La dispersión del polvo depositado en la superficie del suelo es un problema importante no sólo para la conservación del medio ambiente, sino también para la salud humana, como las enfermedades respiratorias, y para la contaminación del aire por polvo antropogénico en las zonas urbanas1,2,3. En particular, el flujo de polvo en la atmósfera inferior se ve complicado por la topografía y las estructuras. El comportamiento del polvo que se dispersa en el campo es pronunciado. Al visualizar los vientos urbanos locales entre los edificios, llamados cañones callejeros4, se puede predecir la distribución del flujo de polvo en el área local y comprender su impacto en las áreas habitables. Cerca de la superficie de la atmósfera, ciertos obstáculos, como montañas y edificios, bloquean y modifican drásticamente el flujo de polvo. La atmósfera superior, por el contrario, tiene pocos obstáculos y el flujo de polvo es algo gradual. El flujo del viento en la atmósfera depende de la altitud5. Cuanto mayor es la altitud, mayor es la masa de la celda de aire y la atmósfera superior vertical tiene una escala espacial y temporal mayor6. La fuerte demanda de mediciones del flujo del viento se ha producido en la atmósfera superior vertical desde el punto de vista de la seguridad para el despegue y aterrizaje de aeronaves y el control eficiente de las plantas de energía eólica7,8. Para las mediciones del viento se utilizan anemómetros de hélice, radiosondas, sodares Doppler y lidares Doppler9,10,11,12. Los anemómetros in situ requieren su instalación en el espacio de medición, aunque pueden cambiar el propio campo de viento. Doppler sodar y Doppler lidar, por otro lado, pueden adquirir de forma remota la información del viento en la medición13,14. Son eficaces para mediciones de campos de viento a larga distancia15. El lidar Doppler se instala en los aeropuertos y mide la atmósfera superior vertical en un amplio rango de medición desde 200 ma varios kilómetros durante un largo período de tiempo de varios minutos de acuerdo con la gran escala espacial y temporal de la atmósfera16,17,18. El lidar Doppler montado en la góndola se instala en plantas de energía eólica y mide la atmósfera horizontal19. La resolución espacial de la medición sigue siendo de varias decenas de metros. Los muestreadores de polvo convencionales recogen el polvo durante un período de tiempo determinado. Sin embargo, este método no puede producir información en tiempo real sobre el transporte de polvo. La teledetección es la mejor opción para detectar polvo cerca del suelo ya que el campo de viento no se altera durante la medición20,21. Las mediciones de alta resolución y alta velocidad son criterios esenciales para detectar polvo y aerosoles cerca del suelo. El lidar Doppler convencional actual no puede capturar el flujo de polvo localizado y en constante cambio cerca del suelo, ya que la atmósfera inferior tiene una pequeña escala espacial y temporal de unos pocos segundos y metros. También está disponible la velocimetría de seguimiento de partículas mediante láseres de láminas, pero no proporciona resultados cuantitativos. Tiene limitaciones importantes, como la necesidad de entornos oscuros, y no es conveniente para uso en el campo22,23,24. En este artículo, desarrollamos un lidar Doppler de baja coherencia (LCDL) que apunta horizontalmente con altas resoluciones espaciales y temporales de 1 my 5 ms, respectivamente, para medir el flujo de polvo local. LCDL es una especie de interferómetro óptico de baja coherencia. Se obtiene una señal de interferencia sólo cuando la diferencia de la longitud del camino óptico entre los caminos de referencia y de medición coincide con la longitud de coherencia. Además, para monitorear cambios repentinos en el flujo de polvo, el tiempo de integración se reduce a milisegundos para una medición de alta velocidad. Los objetivos de este artículo son: (1) diseñar y desarrollar el concepto de sistema LCDL, (2) verificar el rendimiento del sistema LDCL y (3) aplicar este método a diferentes dispersores y evaluar la distribución de velocidad de los dispersores.

El tamaño del campo de viento depende de la altitud. Las células de aire en altitudes más bajas son más pequeñas y su movimiento es más rápido. La atmósfera inferior, como el campo de viento en Street Canyon, está fuertemente influenciada por la estructura y la textura del suelo. La Figura 1 muestra el diagrama esquemático del campo de viento en la atmósfera inferior. A una altitud de unos pocos metros sobre la superficie del suelo, el tamaño del campo de viento es del orden de uno a varios metros, y la turbulencia es del orden de unos pocos segundos. Además, el seguimiento detallado del flujo de polvo en bajas concentraciones requiere sensores ópticamente sensibles. Debido a que la escala espacio-temporal de la atmósfera inferior es pequeña, la mezcla del polvo en suspensión en la atmósfera es rápida y su comportamiento complejo25. En las zonas urbanas, los fuertes vientos se deben a la convección de calor debido a los edificios de hormigón y las carreteras asfaltadas26,27. En estas zonas existen puntos calientes de contaminantes atmosféricos debido a la mezcla de suelo y aire28. La visualización de estos dispersores en la atmósfera inferior acelera la comprensión del flujo de polvo que puede ayudar a mitigar la contaminación del aire y los problemas de salud. La contribución de la atmósfera superficial a las olas del mar también puede estudiarse mediante el seguimiento de la interacción entre la superficie del mar y la atmósfera. Los lidars Doppler convencionales miden grandes campos de viento en su larga escala espacial y temporal (cientos de metros y minutos) sobre el suelo. Por el contrario, el LCDL mide horizontalmente el polvo suspendido dentro de un pequeño campo de viento en su pequeña escala espacial y temporal (unos pocos metros y segundos) cerca de la superficie del suelo.

Mezcla e interacción entre la atmósfera y la superficie del suelo. Los campos de viento generados por edificios y asfaltos muestran cómo fluye el polvo a pequeña escala espacio-temporal4.

Proponemos un lidar Doppler de baja coherencia (LCDL) que se basa en un interferómetro óptico de baja coherencia29,30. Los lidars Doppler se pueden clasificar en láser de onda continua y láser de onda pulsada13. Los lidars Doppler convencionales incluyen Zephyr, Wind cube y Leosphere31. En los últimos años se utilizan habitualmente lidars Doppler que emplean láseres de onda pulsada32. En nuestro sistema, LCDL utiliza un láser de onda continua. Los métodos de detección lidar Doppler también se pueden clasificar en detecciones ópticas homodinas33 y heterodinas34,35,36. La diferencia entre la detección homodina y heterodina se encuentra en la señal y la frecuencia del oscilador local. En la detección homodina, la señal y la frecuencia del oscilador local son iguales. Esta característica no es el caso de la detección heterodina. La detección óptica homodina se adopta para LCDL porque generalmente tiene una mayor sensibilidad de recepción que la detección óptica heterodina. La mayoría de los lidars Doppler tienen detección óptica heterodina37. El sistema LCDL es un sistema homodino, que no requiere un modulador acústico-óptico (AOM) ni un oscilador local porque la fuente de luz es una onda continua y el eco lidar interfiere con sus luces de referencia. Esto simplifica el diseño óptico. La fuente de luz de baja coherencia permite mediciones de alta resolución espacial. Para igualar el pequeño campo de viento en la atmósfera inferior, el ancho espectral de la fuente de luz de baja coherencia se establece en unos pocos picómetros, lo que da como resultado un espectro que produce una longitud coherente baja y una resolución espacial más alta de menos de 1 m. Además, el tiempo de muestreo se reduce a milisegundos para que la medición de alta velocidad capture el rápido flujo de polvo en suspensión. El tiempo de muestreo corresponde a la resolución temporal. En comparación con los lidars Doppler convencionales, que tienen una longitud coherente de varios 100 my una resolución temporal de unos pocos minutos, LCDL tiene una resolución más alta tanto en el espacio como en el tiempo. Por lo tanto, el sistema LCDL obtiene la velocidad del polvo a partir de la frecuencia de la señal de interferencia desplazada por Doppler mediante el empleo de análisis de transformada rápida de Fourier (FFT). En el análisis de los datos, la resolución de frecuencia corresponde a la longitud de la trama FFT. El lidar mide la señal de frecuencia desplazada Doppler del aire/polvo para determinar su velocidad en la línea de visión, V, y se mide como38

donde fd es la frecuencia de desplazamiento Doppler y λ0 es la longitud de onda central de la fuente de luz.

La luz transmitida se utiliza parcialmente como luz de referencia. La luz recibida del telescopio se combina con la luz de referencia en un acoplador de fibra para obtener señales de interferencia. En este proceso, la longitud del camino de referencia determina la distancia de medición. La distancia se puede cambiar libremente ajustando la longitud de la fibra de la ruta de referencia.

El LCDL utiliza un elemento masivo de diodo láser de retroalimentación distribuida (DFB-LD) de 975 nm (Hamamatsu Photonics LE0697CWLD) como fuente de luz. La potencia de salida del DFB-LD es de aproximadamente 1 W. Esta potencia de salida permite la detección de polvo en bajas concentraciones. Como característica de la fuente de luz, es necesaria una anchura espectral de unos pocos picómetros para lograr una alta resolución espacial de 1 mo menos. General DFB-LD tiene una alta estabilidad de longitud de onda y anchos espectrales estrechos. Además tienen una pequeña potencia de salida de unos 100 mW39,40. Por otro lado, se puede cambiar el ancho espectral del DFB-LD utilizado en este sistema41. La longitud de coherencia y la potencia de salida se ajustan controlando la corriente de accionamiento y la temperatura del elemento. La relación entre la longitud coherente y la corriente de accionamiento LD se muestra en la Fig. 2. La longitud de coherencia de 0,8 m se logra cuando la corriente de accionamiento y la temperatura del elemento se establecen en 2 A y 35 °C, respectivamente. En esta condición, la potencia de salida es de 0,7 W. El sistema LCDL consta de un transmisor, un receptor, un sistema de fibra óptica, una detección homodina y una unidad de procesamiento de señales como se muestra en la Fig. 3. Para el sistema transmisor, una parte La luz del DFB-LD se introduce en la fibra de referencia mediante un divisor de haz. Esta intensidad de luz de referencia está optimizada en aproximadamente 1 mW. Para el sistema receptor se utiliza un telescopio refractor con una apertura de 61 mm. En la fibra óptica, la detección homodina se realiza con la interferencia entre la luz de referencia y la luz recibida en el acoplador de fibra 50:50. Las áreas de medición se pueden determinar arbitrariamente ajustando la longitud de la fibra de referencia usando un selector de fibra. El análisis FFT se realiza en el sistema de procesamiento de señales. La frecuencia de muestreo y el tiempo de adquisición se establecen en 250 MSa/s y 5 ms, respectivamente. Cada cuadro FFT es de 10 μs y se promedian 500 cuadros para producir una señal de desplazamiento Doppler de alta resolución. El ancho de banda del detector balanceado (BD) es de 200 MHz. En el análisis FFT, la resolución de frecuencia es inversamente proporcional al tiempo. La resolución de frecuencia mediante análisis FFT es de 0,1 MHz. La Tabla 1 resume los parámetros del lidar LCDL.

Relación de longitud de coherencia entre corriente y temperatura en el DFB-LD. Los puntos redondos, cuadrados y triangulares representan la temperatura del elemento de 15 °C, 25 °C y 35 °C, respectivamente. La longitud de coherencia se puede controlar ajustando la corriente y la temperatura.

Descripción del sistema LCDL. (a) Diagrama esquemático del sistema LCDL y (b) configuración de LCDL. LCDL consta de transmisión, recepción, sistema de fibra óptica, detección homodina y procesamiento de señales.

Se realiza una medición del desplazamiento Doppler en interiores utilizando una caja de túnel de viento de 130 cm de longitud y un lado cuadrado de 30 cm utilizando un circulador para suspender el polvo. El diagrama esquemático del sistema experimental se muestra en la Fig. 4. Los dispersores utilizados en el experimento son partículas de harina y carbonato de calcio. El túnel de viento está situado aproximadamente a 6,5 m de distancia del LCDL. La dirección del viento procedente del circulador es un viento en contra en la dirección de la línea de visión del lidar. Dentro del túnel de viento se coloca un anemómetro (testo 405i Smart Probe). Luego, los datos del pequeño anemómetro se comparan con la velocidad de las partículas de polvo medidas por el LCDL. El polvo se libera desde una posición frente al circulador y el viento lo dispersa en el túnel de viento. Dentro del túnel de viento se disponen cinco bandejas a una distancia de 25 cm para recoger las partículas de polvo y examinar la distribución granulométrica del polvo. Las cantidades de harina y carbonato de calcio liberadas en 1 min son aproximadamente 200 gy 130 g, respectivamente.

Experimento de flujo de polvo. El polvo es liberado y arrastrado a través del túnel de viento por el viento. El flujo de polvo se controla mediante LCDL a 6,5 m del túnel de viento y al mismo tiempo se mide la velocidad del viento en el túnel de viento mediante un anemómetro. El polvo liberado se recoge en las cinco bandejas situadas en el interior del túnel de viento.

La Figura 5 muestra la distribución de los pesos de polvo recogidos en las bandejas dentro del túnel de viento a intervalos de 25 cm. La posición cero está justo debajo de la posición en la que se liberó el polvo. Los resultados muestran que las partículas de carbonato de calcio se concentran cerca de la posición cero, mientras que las partículas de harina están ampliamente distribuidas. Estos resultados son esperados ya que la densidad de la harina es menor que la del carbonato de calcio, lo que indica que las partículas de harina fluyen en el aire por más tiempo.

Relación entre el peso del polvo recolectado y la distancia de cada posición de bandeja para (a) harina y (b) partículas de carbonato de calcio. La mayoría de las partículas de carbonato de calcio se recogen cerca de 0 cm de la posición de liberación, mientras que las partículas importantes de harina se recogen hasta 125 cm de distancia de la posición de liberación.

Las Figuras 6a yb muestran las señales FFT simultáneas de LCDL y la velocidad del viento del anemómetro cuando se liberó la harina. Las Figuras 6c yd también muestran los resultados cuando se liberó carbonato de calcio. En las Figs. 6a yc, las formas de onda adquiridas son el resultado promediado de 500 formas de onda en 5 ms después de su análisis FFT. En las Figs. 6b yd, la resolución temporal del anemómetro es 1 s. La frecuencia de desplazamiento Doppler de la partícula de harina en la Fig. 6a es de 2,46 a 4,01 MHz con una posición máxima de 3,76 MHz, y son iguales a un ancho de velocidad de 1,20 a 1,95 m/s con una velocidad máxima de 1,83 m/s para flujo de partículas. Los resultados del anemómetro en la Fig. 6b muestran una velocidad que oscila entre 1,32 y 2,07 m/s y una velocidad promedio de 5 minutos de 1,74 m/s para el flujo de aire. Esto muestra una buena concordancia entre los resultados del LCDL y del anemómetro. De manera similar, la frecuencia de desplazamiento Doppler de las partículas de carbonato de calcio varía de 3,54 a 3,95 MHz con una posición máxima a 3,68 MHz. Estos cambios de frecuencia equivalen a un ancho de velocidad de 1,73 a 1,92 m/s y una velocidad máxima de 1,79 m/s. Los resultados del anemómetro en la Fig. 6d muestran el ancho de velocidad de 0,99 a 2,11 m/s y esta velocidad promedio de 5 minutos de 1,66 m/s. A diferencia del resultado de las partículas de harina, el rango más pequeño de cambios de frecuencia para el carbonato de calcio significa un ancho de velocidad más estrecho. La distribución espacial de las partículas de harina en este campo de viento indica que estas partículas tienden a flotar en el aire durante más tiempo. Por el contrario, las partículas de carbonato de calcio no flotan en el aire tanto como las partículas de harina, por lo que su rango de velocidad es estrecho. Las formas de onda del anemómetro de harina y carbonato de calcio también son diferentes. Las formas de onda del anemómetro para las partículas de carbonato de calcio tienen un pico debido a que las partículas cayeron rápidamente en poco tiempo. Por otro lado, este pico no se observa en el caso de las partículas de harina y muestra fluctuaciones relativamente lentas.

Señales de flujo de polvo de (a) partículas de harina del LCDL, (b) flujo de harina del anemómetro, (c) partículas de carbonato de calcio del LCDL y (d) flujo de carbonato de calcio del anemómetro. Los resultados de LCDL del flujo de partículas de carbonato de calcio muestran un rango de velocidad más estrecho en comparación con el de las partículas de harina.

Las Figuras 7a yb muestran la correlación entre LCDL y las mediciones de velocidad del anemómetro para los flujos de harina y partículas de carbonato de calcio, respectivamente. Los marcadores azules representan las posiciones máximas. Las líneas verticales adjuntas a los marcadores representan los anchos de velocidad estimados a partir de los anchos de frecuencia del desplazamiento Doppler. En el rango de velocidad de 0 a 5 m/s, las velocidades medidas por el LCDL y el anemómetro muestran una buena concordancia lineal. En el caso de partículas de harina, las posiciones de los picos no están centradas en su ancho de velocidad. En general, la velocidad de la harina es de aproximadamente 0,7 a 1 m/s, mientras que la del carbonato de calcio es más estrecha, de aproximadamente 0,3 m/s. La pendiente del flujo de carbonato de calcio es menor que la de la harina. Esta diferencia muestra la naturaleza inherente de las partículas de polvo y se analiza en la siguiente sección.

Relación entre la velocidad del polvo de (a) partículas de harina y (b) partículas de carbonato de calcio medidas por LCDL y la velocidad del viento por el anemómetro. Se observa una concordancia lineal en el rango de velocidad del viento de 0 a 5 m/s. La pendiente del flujo de carbonato de calcio es menor que la de la harina.

Los resultados de las mediciones para partículas de harina y carbonato de calcio mostraron diferencias en el ancho de la velocidad (ancho de frecuencia de desplazamiento Doppler). En el experimento, las partículas de polvo se recogen en cada posición de caída. Su distribución de peso refleja el radio y las cantidades de las partículas. Simulamos el flujo de polvo en términos de la masa y el radio de la partícula. Si no hay viento horizontal, el polvo caerá directamente después de su liberación. Sin embargo, la posición horizontal desde la que caen las partículas de polvo cambia bajo la influencia del viento cruzado. En el experimento, el viento fluye en la dirección de la línea de visión del lidar con una velocidad de 3,5 m/s. El polvo cae al suelo con un viento cruzado de 3,5 m/s. Los experimentos se realizaron en el rango de velocidad del viento de 0 a 5 m/s, y las simulaciones se realizan a 3,5 m/s para igualar los resultados experimentales. Bajo la configuración experimental, se supone que la distancia vertical recorrida por una partícula de polvo es de 30 cm y se supone que la resistencia del aire es viscosa. La velocidad de las partículas en una resistencia viscosa viene dada por la ecuación. (2):

donde m es la masa de una partícula de polvo; g es la aceleración gravitacional; k es el coeficiente de resistencia del aire; y t es el tiempo de viaje. Se supone que el coeficiente de resistencia del aire sigue la ley de Stoke (6πμr). La ecuación (2) se integra y se transforma en una ecuación para la distancia de caída. La masa del polvo se calcula a partir del tiempo y la distancia que recorre el polvo. Dado que esta masa de polvo refleja la densidad y el volumen, se puede estimar el radio del polvo. Las densidades de la harina y del carbonato de calcio son 600 kg m-3 y 2600 kg m-3, respectivamente. El radio de la partícula se convierte a partir de la masa para obtener el coeficiente de extinción α mediante la ecuación. (3):

donde N es el número de partículas por volumen, r es el radio de la partícula y Qext es la eficiencia de extinción. Como las partículas de harina y carbonato de calcio son suficientemente mayores que la longitud de onda óptica, se puede suponer que Qext es igual a 2.

Basándose en el coeficiente de extinción, se simula la señal de interferencia de LCDL. Los resultados calculados de los coeficientes de extinción se muestran en la Fig. 8. El coeficiente de extinción de partículas de la harina es mayor que el del carbonato de calcio. Este resultado se puede atribuir al número de partículas N según este experimento. Las partículas de harina tenían un radio de partícula promedio más pequeño y un mayor número de partículas que el carbonato de calcio. La Figura 9 muestra la distribución del tamaño de partícula calculada en base a los resultados experimentales de la distribución del peso del polvo en la Fig. 5. La distancia de interferencia de LCDL es de 80 cm y la magnitud de la señal de interferencia varía según la distancia. Se supone que la distribución de la señal de interferencia es una distribución gaussiana. Después de convertir la masa al número de partículas, la distribución del tamaño de las partículas se obtiene considerando la distribución de la señal de interferencia. Se estima que el radio modal de las partículas de harina y carbonato de calcio es de alrededor de 9 μm y 14 μm, respectivamente. Dado que la posición de caída de las partículas refleja el radio, la densidad y la velocidad del viento de las partículas, se puede discutir la relación entre la frecuencia (velocidad) Doppler y el número de partículas.

Simulación de coeficientes de extinción para harina y carbonato cálcico. La densidad de la harina se establece en 600 kg m-3 y la densidad del carbonato de calcio es 2600 kg m-3. El coeficiente de extinción de la harina es mayor que el del carbonato de calcio porque la cantidad de partículas de harina liberadas es mayor que la del carbonato de calcio.

Distribución del tamaño de partícula de harina y carbonato de calcio. El eje vertical representa el número de partículas y el eje horizontal representa el radio de la partícula.

También se realiza una simulación de señales Lidar con los resultados experimentales de la distribución del peso del polvo. La Figura 10 muestra resultados simulados (círculo negro) de (a) harina y (b) flujo de partículas de carbonato de calcio junto con los resultados experimentales de LCDL (línea continua). Los resultados de la simulación han demostrado coincidir bien con las señales LCDL. Las distribuciones de señales simuladas se reflejan en la distribución del tamaño de partícula en la Fig. 9. Las partículas de harina tienen un rango de velocidad en todo el ancho más amplio de 0,70 m/s en comparación con el carbonato de calcio que tiene un rango de velocidad en todo el ancho más estrecho de 0,3 m/s. El desplazamiento del pico de frecuencia Doppler desde el centro hacia el lado de mayor frecuencia contribuye al hecho de que el radio modal de las partículas está sesgado en el lado más pequeño que el centro con respecto a la distribución del tamaño de las partículas, como se muestra en la Fig. 9. La frecuencia de desplazamiento Doppler de las partículas de harina alcanza hasta 7 MHz, mientras que la de las partículas de carbonato de calcio es sólo de aproximadamente 6,5 MHz, lo que indica que el flujo de harina tiene un componente de alta velocidad. Además, el flujo de partículas en el lado de alta frecuencia es agudo, mientras que el aumento en el lado de baja frecuencia es gradual, lo que indica que las partículas con velocidades más lentas amplían considerablemente el rango de velocidad. Como resultado, esto confirma que la distribución del tamaño de las partículas puede estimarse mediante la señal Doppler LCDL. En esta simulación, cuando la velocidad del viento se establece en 3,5 m/s, esto produce una diferencia de 0,2 MHz entre las posiciones máximas del flujo de harina y carbonato de calcio. La diferencia entre las velocidades máximas representa la diferencia en la velocidad del polvo debido al radio del modo. La Figura 7 también muestra que la pendiente de las partículas de carbonato de calcio es menor que la de la harina. Esto indica que la fuerza neta sobre las partículas de carbonato de calcio en la dirección de la caída es más significativa debido a la masa más pesada de las partículas de carbonato de calcio, lo que resulta en una velocidad más baja en la dirección de la línea de visión del LCDL. La resolución de alta frecuencia del sistema LCDL nos permite capturar estas dos ligeras diferencias de flujo del orden de unos pocos centímetros y ligeras diferencias en el radio de las partículas del orden de unos pocos micrómetros. El análisis de las señales LCDL de las mediciones del flujo de harina y carbonato de calcio puede proporcionar información sobre la distribución del tamaño del polvo suspendido en función de la velocidad del polvo observada. Las simulaciones se han realizado con varias velocidades de viento de 0 a 5 m/s y el ancho de frecuencia del desplazamiento Doppler simulado es equivalente a los resultados experimentales. LCDL puede identificar el polvo y ayudar a monitorear su distribución espacial. Las relaciones señal-ruido de las señales simuladas son grandes (~ 7 dB), mientras que el sistema experimental tiene una relación señal-ruido de 3 dB. La baja relación señal-ruido del sistema se debe a la menor relación de acoplamiento entre la óptica transmisora y receptora. Este resultado indica que la eficiencia del sistema lidar se puede mejorar para tener una relación señal-ruido más alta que conduzca a la detección del viento mismo, es decir, el flujo atmosférico.

Simulaciones de señales Doppler de (a) harina y (b) flujo de partículas de carbonato de calcio. El eje vertical del lado izquierdo del resultado del experimento LCDL indica el nivel de señal (dBm) y el eje vertical derecho de la simulación muestra el número de partículas (recuentos). El eje horizontal es la frecuencia. La velocidad del viento se simula a 3,5 m/s (= 7 MHz).

Este trabajo muestra que el sistema LCDL puede medir el flujo de polvo cercano al suelo con altas resoluciones temporales y espaciales. La velocidad del polvo detectada por el sistema LCDL muestra una buena relación con las mediciones del anemómetro. LCDL también puede monitorear diferentes flujos de polvo. Las simulaciones bajo condiciones experimentales muestran que las diferencias en el ancho de la velocidad se deben al radio y la masa de las partículas de polvo. Con base en la distribución de velocidad obtenida por LCDL, se puede inferir la distribución del tamaño de las partículas y las diferencias en la distribución del tamaño pueden proporcionar información sobre el tipo de polvo suspendido en la atmósfera. Además, este trabajo ha demostrado que LCDL puede ayudar en la visualización detallada del flujo de polvo en tiempo real. Este resultado permite una mayor discusión e interpretación de la mezcla y la interacción entre el polvo derivado de la superficie y la atmósfera inferior. Este es el siguiente paso que exploraremos para tener un conjunto de datos completo y detallado que capture el movimiento del polvo en el trabajo de campo real.

Los datos estarán disponibles a través del autor correspondiente previa solicitud.

Gregorio, E. et al. LIDAR como alternativa a los recolectores pasivos para medir la deriva de la pulverización de pesticidas. Atmos. Reinar. 82, 83–93 (2014).

Artículo ADS CAS Google Scholar

Weon, BM & Je, JH Humectación de aerosoles inducida por carga. Aplica. Física. Letón. 96, 194101 (2010).

ADS del artículo Google Scholar

Singh, R., Su, P., Kimerling, L., Agarwal, A. y Anthony, BW Hacia la espectroscopia de aerosol fotónico de infrarrojo medio en chip. Aplica. Física. Letón. 113, 231107 (2018).

ADS del artículo Google Scholar

Johnson, WB, Ludwig, FL, Dabberdt, WF y Allen, RJ Un modelo de simulación de difusión urbana para monóxido de carbono. J. Contaminación del aire. Asociación de Control. 23, 490–498 (1973).

Artículo CAS PubMed Google Scholar

You, J., You, K., Park, M. & Lee, C. Características del flujo de aire según el cambio en la altura y la tasa de porosidad de los techos de los edificios para la instalación eficiente de pequeños generadores de energía eólica. Sostenibilidad 13, 5688 (2021).

Artículo de Google Scholar

Diao, W. y col. Desarrollo de lidar coherente pulsado totalmente por fibra para mediciones de perfiles de viento en capas límite. Mentón. Optar. Letón. 12, 072801 (2014).

ADS del artículo Google Scholar

Gernowo, R. y col. Dinámica atmosférica y sistemas de alerta temprana de cizalladura del viento de bajo nivel para mitigar los peligros en las pistas de aeropuertos. J. Física. Conf. Ser. 1943, 012029 (2021).

Artículo de Google Scholar

Lunney, E., Ban, M., Duic, N. y Foley, A. Una revisión de vanguardia y un análisis de viabilidad de la energía eólica a gran altitud en Irlanda del Norte. Renovar. Sostener. Energía Rev. 68, 899–911 (2017).

Artículo de Google Scholar

Bu, L., Qiu, Z., Gao, H., Zhu, X. y Liu, J. LIDAR Doppler coherente de pulso de fibra y sus validaciones. Optar. Ing. 54, 123103 (2015).

ADS del artículo Google Scholar

Kumer, VM, Reuder, J. & Furevik, BR Una comparación de mediciones de viento con LiDAR y radiosondas. Procedia energética 53, 214–220 (2014).

Artículo de Google Scholar

Reddy, GKK, Reddy, SV y Ramkumar, TK Desarrollo de un anemómetro de hélice con sensor Hall para medir la velocidad del viento mediante un controlador integrado. En Actas de la Conferencia Internacional sobre Comunicaciones, Dispositivos y Sistemas Inteligentes de 2012, CODIS (2012).

Wei, T. y col. Mejora de la probabilidad de inversión de CDWL totalmente de fibra mediante modelado de ruido y ajuste robusto. Optar. Expreso 28, 29662–29675 (2020).

Artículo ADS CAS PubMed Google Scholar

Liu, H. y col. Validación del rendimiento de un lidar Doppler coherente pulsado de 1,54 μm totalmente de fibra para la medición del perfil del viento. Optar. Ing. 59, 014109 (2020).

Artículo ADS CAS Google Scholar

Chaurasiya, PK, Ahmed, S. y Warudkar, V. Observación de las características del viento utilizando Doppler-SODAR para aplicaciones de energía eólica. Recurso. Ef. Tecnología. 3, 495–505 (2017).

Google Académico

Dolfi-Bouteyre, A. et al. Monitoreo del viento de largo alcance en tiempo real con lidar coherente optimizado. Optar. Ing. 56, 031217 (2016).

ADS del artículo Google Scholar

Abdelazim, S., Santoro, D., Arend, MF, Moshary, F. y Ahmed, S. Desarrollo y análisis operativo de un sistema lidar Doppler coherente totalmente de fibra para detección de viento y elaboración de perfiles de aerosoles. Traducción IEEE. Geociencias. Sensores remotos 53, 6495–6506 (2015).

ADS del artículo Google Scholar

Besson, C. y col. Desarrollos Doppler LIDAR para la aeronáutica. Aerosp. Laboratorio J. 12, 1-17 (2016).

Anuncios Google Scholar

Wildmann, N., Gerz, T. & Lundquist, JK Mediciones lidar Doppler de largo alcance de las estelas de turbinas eólicas y su interacción con el flujo turbulento de la capa límite atmosférica en Perdigao 2017. J. Phys. Conf. Ser. 1618, 032034 (2020).

Artículo de Google Scholar

Debnath, M. y col. Coherencia longitudinal y predicción de la velocidad del viento a corto plazo basada en un lidar Doppler montado en una góndola. J. Física. Conf. Ser. 1618, 032051 (2020).

Artículo de Google Scholar

Rieker, GB y cols. Teledetección de gases de efecto invernadero basada en peines de frecuencia en trayectorias aéreas de kilómetros. Óptica 1, 290–298 (2014).

Artículo ADS CAS Google Scholar

Im, KS et al. Velocimetría de seguimiento de partículas mediante imágenes rápidas de contraste de fases de rayos X. Aplica. Física. Letón. 90, 091919 (2007).

ADS del artículo Google Scholar

Kiyozumi, T. y col. Demostración piloto de LiDAR en el dominio de correlación para la detección de vibraciones de alta velocidad. Fotón APL. 6, 101302 (2021).

ADS del artículo Google Scholar

Guinot, B., González, B., Perim De Faria, J. y Kedia, S. Caracterización de partículas en una acería mediante muestreo convencional y observaciones lidar innovadoras. Particuología 28, 43–51 (2016).

Artículo CAS Google Scholar

Ceolato, R., Bedoya-Velásquez, AE y Mouysset, V. Microlidar de retrodispersión elástica de corto alcance para perfiles cuantitativos de aerosoles con alto rango y resolución temporal. Sensores remotos 12, 3286 (2020).

ADS del artículo Google Scholar

Courvoisier, F. y col. Los pulsos de láser de femtosegundo distinguen las bacterias de los aerosoles urbanos de fondo. Aplica. Física. Letón. 87, 063901 (2005).

ADS del artículo Google Scholar

Ho, TCE, Surry, D. & Davenport, AG Variabilidad de cargas de viento bajas en edificios debido al entorno. J. Viento Ing. Indiana Aerodyn. 38, 297–310 (1991).

Artículo de Google Scholar

Mittal, H., Sharma, A. & Gairola, A. Una revisión sobre el estudio del viento urbano a nivel de peatones alrededor de los edificios. J. Construir. Ing. 18, 154-163 (2018).

Artículo de Google Scholar

Solé-Ribalta, A., Gómez, S. & Arenas, A. Descongestión de zonas urbanas con hotspot pricing. Neto. Escupió. Economía. 18, 33–50 (2018).

Artículo MathSciNet Google Scholar

Zhu, J., He, X. & Chen, Z. Perspectiva: desafíos actuales y soluciones de la tomografía de coherencia óptica Doppler y la angiografía para neuroimagen. Fotón APL. 3, 120902 (2018).

ADS del artículo Google Scholar

Deng, S. y col. Un sistema de microscopía fotoacústica de coherencia óptica que utiliza un sensor de fibra óptica. Fotón APL. 6, 096103 (2021).

ADS del artículo Google Scholar

Aitken, ML, Rhodes, ME y Lundquist, JK Rendimiento de un lidar de perfilado de viento en la región de los discos del rotor de una turbina eólica. J. Atmós. Océano. Tecnología. 29, 347–355 (2012).

ADS del artículo Google Scholar

Jiang, S. y col. Rendimiento del lidar Doppler coherente de onda continua para la medición del viento. actual. Optar. Fotón. 3, 466–472 (2019).

CAS Google Académico

Abari, CF, Pedersen, AT, Dellwik, E. & Mann, J. Evaluación del rendimiento de un lidar de viento Doppler coherente homodino con rechazo de imágenes totalmente de fibra. Atmos. Medidas. Tecnología. 8, 4145–4153 (2015).

Artículo de Google Scholar

Kameyama, S., Ando, T., Asaka, K., Hirano, Y. & Wadaka, S. Sistema lidar Doppler coherente pulsado totalmente de fibra compacto para detección de viento. Aplica. Optar. 46, 1953-1962 (2007).

Artículo ADS CAS PubMed Google Scholar

Liu, B., Li, X., Zhang, Y., Xin, X. y Yu, J. Conformación probabilística para sistemas ROF con detección coherente heterodina. Fotón APL. 2, 056104 (2017).

ADS del artículo Google Scholar

Bai, Y. y col. Medición de la velocidad Doppler heterodina de objetivos en movimiento mediante láser de pulso de modo bloqueado. Optar. Expreso 20, 764–768 (2012).

Artículo ADS PubMed Google Scholar

Kameyama, S., Ando, T., Asaka, K., Hirano, Y. & Member, S. Rendimiento de estimadores de velocidad basados en transformada discreta de Fourier para un sistema lidar Doppler coherente con detección de viento en el régimen de turbulencia de Kolmogorov. Traducción IEEE. Geociencias. Sensores remotos 47, 3560–3569 (2009).

ADS del artículo Google Scholar

Sun, D., Zhong, Z., Zhou, J., Hu, H. y Kobayashi, T. Análisis de precisión del lidar de viento Doppler basado en Fabry-Perot etalon. Optar. Rev. 12, 409–414 (2005).

Artículo de Google Scholar

Loranger, S., Tehranchi, A., Winful, H. & Kashyap, R. Realización y optimización de láseres Raman de rejilla de Bragg de fibra de retroalimentación distribuida con desplazamiento de fase. Óptica 5, 295–302 (2018).

Artículo ADS CAS Google Scholar

Zou, Q. y col. Láseres de retroalimentación distribuida de tablero cuántico InAs/InP dopados tipo p resistentes a la retroalimentación para una transmisión de 10 Gb/s sin aisladores a 1,55 μm. Aplica. Física. Letón. 97, 231115 (2010).

ADS del artículo Google Scholar

Shiina, T. Lidar Doppler de baja coherencia con DFB-LD de alta potencia. En la 19a Conferencia Coherent Laser Radar, CLRC 2018 (2018).

Descargar referencias

Este trabajo cuenta con el apoyo de JST SPRRING, número de subvención JPMJSP2109.

Escuela de Graduados en Ciencias e Ingeniería, Universidad de Chiba, Chiba-Shi, Chiba, 263-8522, Japón

Kosuke Okubo, Nofel Lagrosas y Tatsuo Shiina

También puedes buscar este autor en PubMed Google Scholar.

KO: Conceptualización, redacción: borrador original, metodología, curación de datos, análisis. NL: Curación, revisión y edición de datos. TS: Conceptualización, metodología, revisión y edición, recursos, supervisión.

Correspondencia a Kosuke Okubo.

Los autores declaran no tener conflictos de intereses.

Springer Nature se mantiene neutral con respecto a reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso Abierto Este artículo está bajo una Licencia Internacional Creative Commons Attribution 4.0, que permite el uso, compartir, adaptación, distribución y reproducción en cualquier medio o formato, siempre y cuando se dé el crédito apropiado al autor(es) original(es) y a la fuente. proporcione un enlace a la licencia Creative Commons e indique si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la normativa legal o excede el uso permitido, deberá obtener permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Okubo, K., Lagrosas, N. y Shiina, T. Análisis del flujo de polvo mediante lidar Doppler de baja coherencia. Representante científico 13, 4086 (2023). https://doi.org/10.1038/s41598-023-30346-z

Descargar cita

Recibido: 09 de diciembre de 2022

Aceptado: 21 de febrero de 2023

Publicado: 11 de marzo de 2023

DOI: https://doi.org/10.1038/s41598-023-30346-z

Cualquier persona con la que comparta el siguiente enlace podrá leer este contenido:

Lo sentimos, actualmente no hay un enlace para compartir disponible para este artículo.

Proporcionado por la iniciativa de intercambio de contenidos Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.

Blog