燃烧仿真与实验技术：光谱分析在燃烧实验中的应用

燃烧仿真与实验技术：光谱分析在燃烧实验中的应用1燃烧仿真基础1.1燃烧反应机理燃烧是一种化学反应，其中燃料与氧气反应，产生热能和光能。燃烧反应机理是描述燃烧过程中化学反应的详细步骤，包括反应物、产物、中间产物以及反应速率的理论模型。这些机理通常基于动力学方程，考虑了温度、压力、反应物浓度等因素对反应速率的影响。1.1.1详细内容燃烧反应机理可以分为几个主要部分：链引发：通常由热分解或光化学反应开始，产生自由基。链传播：自由基与燃料分子反应，产生更多的自由基和最终产物。链终止：自由基相互反应或与非反应性分子反应，终止反应链。1.1.2示例考虑甲烷（CH4）在空气中燃烧的简化机理：链引发：氧气的热分解产生自由基。O链传播：甲烷与氧气反应，产生CO2、H2O和更多的自由基。C链终止：自由基H与O2反应，终止反应链。H1.2数值模拟方法数值模拟是通过数学模型和计算机算法来预测燃烧过程中的物理和化学行为。在燃烧仿真中，数值模拟方法通常包括有限体积法、有限元法和蒙特卡洛方法等，用于解决流体动力学、传热和化学反应的复杂方程。1.2.1详细内容有限体积法：将计算域划分为许多小体积，然后在每个体积上应用守恒定律，如质量、动量和能量守恒。有限元法：适用于处理复杂的几何形状和边界条件，通过将域分解为有限数量的单元，然后在每个单元上求解方程。蒙特卡洛方法：在随机性较高的问题中使用，如辐射传热，通过大量的随机抽样来估计燃烧过程中的物理量。1.2.2示例使用Python和SciPy库进行简单的有限体积法模拟，以解决一维的扩散方程：importnumpyasnp

fromscipy.sparseimportdiags

fromscipy.sparse.linalgimportspsolve

#参数设置

L=1.0#域的长度

N=100#网格点数

dx=L/(N-1)#网格间距

D=0.1#扩散系数

dt=0.01#时间步长

t_end=1.0#模拟结束时间

#初始条件

x=np.linspace(0,L,N)

u0=np.sin(2*np.pi*x/L)

#边界条件

u_left=0.0

u_right=0.0

#构建矩阵

A=diags([-1,2,-1],[-1,0,1],shape=(N,N)).toarray()*(D*dt/dx**2)

A[0,:]=0

A[-1,:]=0

A[0,0]=1

A[-1,-1]=1

#模拟过程

u=u0.copy()

whileu[-1]*t_end<u[-1]:

u=spsolve(A,u)

u[0]=u_left

u[-1]=u_right

#输出结果

print(u)这段代码使用有限体积法模拟了一维扩散过程，通过解线性方程组来更新每个时间步的浓度分布。1.3仿真软件介绍燃烧仿真软件是专门设计用于模拟燃烧过程的工具，它们集成了复杂的物理模型和化学反应机理，提供用户友好的界面和强大的后处理功能。常见的燃烧仿真软件包括：AnsysFluent：广泛用于工业和学术研究，能够处理复杂的流体动力学和传热问题。STAR-CCM+：提供高度可定制的物理模型，适用于多相流和燃烧仿真。OpenFOAM：开源的CFD（计算流体动力学）软件，具有丰富的物理模型和化学反应库。1.3.1详细内容这些软件通常包括以下功能：网格生成：自动或手动创建计算网格。物理模型：如湍流模型、辐射模型和化学反应模型。求解器：用于求解流体动力学和传热方程的算法。后处理：可视化结果，如温度、速度和化学物种浓度的分布。1.3.2示例在OpenFOAM中设置一个简单的燃烧仿真案例，使用simpleFoam求解器和chemReactingIncompressibleFoam求解器进行流体动力学和化学反应的模拟：创建网格：使用blockMesh生成计算网格。设置物理模型：在constant目录下设置湍流模型和化学反应机理。运行求解器：在终端中运行simpleFoam和chemReactingIncompressibleFoam。#创建网格

blockMesh

#运行流体动力学求解器

simpleFoam

#运行化学反应求解器

chemReactingIncompressibleFoam以上命令在OpenFOAM环境中执行，用于设置和运行燃烧仿真案例。2燃烧实验技术概览2.1实验设计原则在设计燃烧实验时，遵循一系列原则至关重要，以确保实验的准确性和安全性。以下是一些关键的设计原则：明确实验目的：在开始实验设计之前，首先需要明确实验的目的是什么，比如是研究燃料的燃烧特性、燃烧产物的分析，还是燃烧效率的评估。选择合适的燃料和氧化剂：根据实验目的选择合适的燃料和氧化剂，确保它们能够产生预期的燃烧反应。例如，如果实验目的是研究柴油的燃烧特性，那么柴油将是燃料的首选。控制实验条件：燃烧实验的条件，如温度、压力、燃料与氧化剂的比例，需要精确控制。这通常通过使用精密的实验设备和传感器来实现，以确保实验结果的可重复性和准确性。数据采集与分析：设计实验时，应考虑如何有效地采集数据，包括燃烧温度、燃烧产物的成分、燃烧速率等。数据采集后，使用适当的统计和分析方法来解读数据，得出实验结论。实验的可重复性：确保实验设计能够被重复执行，这对于验证实验结果和进行进一步的研究至关重要。考虑实验的经济性和效率：在满足实验目的的前提下，尽量选择成本较低、效率较高的实验方案。2.2安全操作规程燃烧实验涉及高温和易燃物质，因此安全操作规程是实验设计中不可忽视的一部分。以下是一些基本的安全操作规程：穿戴适当的个人防护装备：实验人员在进行燃烧实验时，必须穿戴防火服、防火手套、安全眼镜和呼吸面罩，以保护自己免受高温和有害气体的伤害。使用安全的实验设备：确保所有实验设备，如燃烧室、加热器、气体供应系统等，都经过安全检查，且操作人员熟悉其使用方法。实验区域的通风：燃烧实验会产生大量的烟雾和有害气体，因此实验区域必须有良好的通风设施，以避免气体积聚和人员中毒。紧急应对措施：制定详细的紧急应对计划，包括火灾、气体泄漏等情况的处理流程，确保实验人员在紧急情况下能够迅速采取行动。实验前的检查：在实验开始前，检查所有设备是否正常工作，燃料和氧化剂的储存是否安全，以及实验区域是否有任何可能引起火灾的隐患。实验后的清理：实验结束后，彻底清理实验区域，包括处理燃烧残留物和检查设备是否关闭，以防止意外发生。2.3实验数据采集实验数据采集是燃烧实验中的关键步骤，它直接关系到实验结果的准确性和可靠性。以下是一些常见的数据采集方法：温度测量：使用热电偶或红外温度计来测量燃烧过程中的温度变化。例如，使用Python和pyserial库读取热电偶数据：importserial

importtime

#初始化串口

ser=serial.Serial('COM3',9600,timeout=1)

#读取温度数据

defread_temperature():

ser.write(b'read_temp')#发送读取温度的命令

time.sleep(1)#等待数据传输

data=ser.readline().decode('utf-8').rstrip()#读取数据并解码

returnfloat(data)#将数据转换为浮点数

#打印温度数据

for_inrange(10):

print("当前温度：",read_temperature(),"℃")

time.sleep(2)#每2秒读取一次数据这段代码通过串口与热电偶连接，发送读取温度的命令，然后读取并打印温度数据。燃烧产物分析：使用光谱分析仪来分析燃烧产物的成分。光谱分析仪通过测量不同波长的光的吸收或发射，来确定燃烧产物中的化学元素。例如，使用Python和matplotlib库来可视化光谱数据：importmatplotlib.pyplotasplt

#假设的光谱数据

wavelengths=[400,410,420,430,440,450,460,470,480,490,500]

intensities=[0.1,0.2,0.3,0.4,0.5,0.6,0.7,0.8,0.9,1.0,1.1]

#绘制光谱图

plt.figure(figsize=(10,5))

plt.plot(wavelengths,intensities,label='SpectralIntensity')

plt.xlabel('Wavelength(nm)')

plt.ylabel('Intensity')

plt.title('SpectralAnalysisofCombustionProducts')

plt.legend()

plt.grid(True)

plt.show()这段代码创建了一个光谱图，显示了不同波长下的光强度，有助于分析燃烧产物的化学成分。燃烧速率测量：通过测量燃料消耗量或燃烧产物生成量随时间的变化，来计算燃烧速率。这通常需要精确的称重设备和时间记录装置。通过遵循上述设计原则、安全操作规程和数据采集方法，可以有效地进行燃烧实验，同时确保实验的安全性和数据的准确性。3光谱分析原理3.1光谱学基础光谱学是研究物质与光相互作用的科学，它通过分析物质吸收、发射或散射的光谱来确定物质的组成、结构和状态。光谱可以分为不同的类型，包括吸收光谱、发射光谱和散射光谱。在燃烧实验中，我们主要关注的是发射光谱，因为燃烧过程中产生的高温会导致物质发射特定波长的光，这些光谱信息可以用来分析燃烧产物的化学成分和燃烧过程的动态特性。3.1.1光谱的产生光谱的产生与原子和分子的能级跃迁有关。当原子或分子从一个能级跃迁到另一个能级时，会吸收或发射特定波长的光。这些波长构成了光谱的特征线，可以用来识别不同的元素或化合物。3.1.2光谱的分类吸收光谱：当光通过物质时，某些波长的光被物质吸收，形成吸收光谱。发射光谱：当物质被激发后，会发射特定波长的光，形成发射光谱。散射光谱：光在物质中散射时，其波长可能会发生改变，形成散射光谱。3.2燃烧光谱特性燃烧过程中，由于高温和化学反应，会产生复杂的光谱信号。这些信号包含了燃烧产物的信息，如自由基、分子和原子的浓度，以及燃烧的温度和压力等。燃烧光谱分析是通过解译这些光谱信号来获取燃烧过程的详细信息。3.2.1自由基的光谱特征在燃烧过程中，自由基如OH、CH、C2H2等的光谱特征非常显著，它们的光谱线可以用来监测燃烧的进程和效率。3.2.2分子和原子的光谱特征燃烧产物中的分子和原子也会产生特定的光谱信号，如CO2、H2O、N2等，这些信号可以用来分析燃烧产物的组成。3.3光谱分析技术光谱分析技术在燃烧实验中扮演着重要角色，它可以帮助我们理解燃烧过程的化学动力学和热力学特性。常见的光谱分析技术包括：3.3.1分光光度法分光光度法是一种基于物质对特定波长光的吸收来分析物质浓度的技术。在燃烧实验中，可以通过测量特定波长的光强度来确定燃烧产物的浓度。3.3.1.1示例代码假设我们使用分光光度法来测量燃烧产物中OH自由基的浓度，可以使用以下Python代码：importnumpyasnp

importmatplotlib.pyplotasplt

#假设数据

wavelengths=np.linspace(300,800,500)#波长范围

intensities=np.exp(-0.01*wavelengths)#光强度，假设OH自由基的吸收系数为0.01

#绘制光谱图

plt.figure()

plt.plot(wavelengths,intensities,label='OHradicalspectrum')

plt.xlabel('Wavelength(nm)')

plt.ylabel('Intensity')

plt.title('SpectrumofOHRadical')

plt.legend()

plt.show()这段代码生成了一个OH自由基的假想光谱图，展示了光强度随波长的变化。在实际应用中，需要使用光谱仪来测量真实的数据，并通过分析光谱强度的变化来计算OH自由基的浓度。3.3.2激光诱导荧光（LIF）激光诱导荧光是一种高灵敏度的光谱技术，通过激光激发燃烧产物中的特定分子或原子，使其发射荧光，然后分析荧光光谱来获取燃烧过程的信息。3.3.2.1示例代码使用激光诱导荧光技术测量燃烧产物中C2H2的浓度，可以设计实验并使用以下Python代码进行数据处理：importnumpyasnp

importmatplotlib.pyplotasplt

#假设数据

wavelengths=np.linspace(400,600,500)#波长范围

fluorescence=np.sin(2*np.pi*wavelengths/50)+0.5#模拟C2H2的荧光强度

#绘制荧光光谱图

plt.figure()

plt.plot(wavelengths,fluorescence,label='C2H2fluorescencespectrum')

plt.xlabel('Wavelength(nm)')

plt.ylabel('FluorescenceIntensity')

plt.title('Laser-InducedFluorescenceSpectrumofC2H2')

plt.legend()

plt.show()这段代码生成了一个C2H2的假想荧光光谱图，展示了荧光强度随波长的变化。在实际应用中，需要精确测量激光激发后的荧光信号，并通过分析荧光光谱来确定C2H2的浓度。3.3.3光谱成像技术光谱成像技术结合了光谱分析和成像技术，可以同时获取燃烧区域的光谱信息和空间分布，这对于理解燃烧过程的动态特性非常有帮助。3.3.3.1示例代码使用光谱成像技术分析燃烧区域的温度分布，可以使用以下Python代码进行数据处理：importnumpyasnp

importmatplotlib.pyplotasplt

#假设数据

x=np.linspace(0,10,100)#空间坐标

y=np.linspace(0,10,100)#空间坐标

X,Y=np.meshgrid(x,y)

temperature=np.exp(-((X-5)**2+(Y-5)**2)/20)*1000+300#模拟温度分布

#绘制温度分布图

plt.figure()

plt.imshow(temperature,extent=[0,10,0,10],origin='lower',cmap='hot')

plt.colorbar(label='Temperature(K)')

plt.xlabel('XPosition(cm)')

plt.ylabel('YPosition(cm)')

plt.title('TemperatureDistributioninCombustionRegion')

plt.show()这段代码生成了一个燃烧区域的假想温度分布图，展示了温度随空间位置的变化。在实际应用中，需要使用光谱成像设备来获取燃烧区域的光谱图像，并通过分析光谱强度来计算温度分布。通过上述技术，我们可以深入理解燃烧过程的化学和物理特性，为燃烧仿真和实验设计提供重要的数据支持。4光谱分析在燃烧实验中的应用4.1实验光谱采集4.1.1原理光谱采集是燃烧实验中光谱分析的基础步骤，它涉及使用光谱仪来测量燃烧过程中产生的光谱。光谱仪通过将光分解成其组成颜色或波长，从而捕捉到燃烧产物的特征光谱。这些光谱包含了燃烧过程中化学反应、温度、压力等关键信息，是分析燃烧特性的关键数据。4.1.2内容选择合适的光谱仪：根据实验需求选择合适的光谱范围和分辨率的光谱仪。设置光谱采集参数：包括积分时间、光谱范围、分辨率等。光谱采集：在燃烧实验中，将光谱仪对准燃烧区域，开始采集光谱数据。4.1.3示例假设我们使用一个Python库pySpectra来模拟光谱采集过程。以下是一个简单的代码示例：importpySpectra

#创建光谱仪实例

spectrometer=pySpectra.Spectrometer()

#设置光谱采集参数

spectrometer.set_integration_time(100)#设置积分时间为100毫秒

spectrometer.set_wavelength_range(400,700)#设置光谱范围为400到700纳米

#开始采集光谱数据

data=spectrometer.capture_spectrum()

#输出采集到的光谱数据

print(data)4.2数据处理与分析4.2.1原理数据处理与分析是将采集到的原始光谱数据转换为可解释信息的过程。这包括去除背景噪声、校正光谱仪的响应、识别和量化光谱中的特征等。通过这些步骤，可以提取燃烧过程中的化学成分、温度、压力等关键参数。4.2.2内容数据预处理：去除噪声、平滑数据、校正光谱仪响应。光谱特征识别：使用化学计量学方法识别光谱中的特征。数据量化：通过光谱强度与已知标准比较，量化燃烧产物的浓度。4.2.3示例使用Python进行光谱数据的预处理和特征识别：importnumpyasnp

importmatplotlib.pyplotasplt

fromscipy.signalimportsavgol_filter

#假设data是采集到的光谱数据

wavelengths=np.linspace(400,700,len(data))

smoothed_data=savgol_filter(data,51,3)#使用Savitzky-Golay滤波器平滑数据

#绘制平滑后的光谱

plt.plot(wavelengths,smoothed_data)

plt.xlabel('波长(nm)')

plt.ylabel('强度')

plt.title('平滑后的光谱')

plt.show()4.3燃烧诊断技术4.3.1原理燃烧诊断技术是利用光谱分析结果来诊断燃烧过程的技术。通过分析光谱数据，可以确定燃烧效率、污染物排放、燃烧稳定性等关键指标。这些技术对于优化燃烧过程、减少排放和提高能源效率至关重要。4.3.2内容燃烧效率分析：通过光谱中特定化学成分的浓度来评估燃烧效率。污染物排放评估：识别并量化燃烧过程中产生的污染物，如NOx、SOx等。燃烧稳定性判断：分析光谱随时间的变化，判断燃烧过程的稳定性。4.3.3示例假设我们已经分析了光谱数据，并得到了燃烧产物中NOx的浓度。以下是一个简单的代码示例，用于评估NOx排放是否符合环保标准：#假设NOx_concentration是通过光谱分析得到的NOx浓度

NOx_standard=100#环保标准中允许的NOx排放浓度

ifNOx_concentration>NOx_standard:

print("NOx排放超标，需要调整燃烧条件以减少排放。")

else:

print("NOx排放符合标准，燃烧条件良好。")以上示例展示了如何在燃烧实验中应用光谱分析技术，从数据采集、处理到燃烧诊断的全过程。通过这些步骤，可以深入理解燃烧过程，为燃烧技术的优化提供科学依据。5燃烧仿真与实验的结合5.1仿真结果验证5.1.1原理燃烧仿真结果的验证是通过比较仿真数据与实验数据来评估模型的准确性和可靠性。这一过程通常涉及统计分析、误差计算以及可视化比较，以确保仿真模型能够准确反映实际燃烧过程的物理和化学特性。5.1.2内容数据收集：首先，需要收集实验数据，这些数据包括燃烧温度、火焰结构、产物浓度等关键参数。仿真模型建立：基于燃烧理论，使用软件如OpenFOAM、Cantera等建立燃烧仿真模型。结果比较：将仿真结果与实验数据进行对比，使用指标如均方根误差（RMSE）、平均绝对误差（MAE）等来量化差异。误差分析：分析误差来源，可能是模型假设、边界条件设定或实验测量误差等。模型调整：根据误差分析结果，调整模型参数，以提高仿真精度。5.1.3示例假设我们有以下实验数据和仿真数据，用于验证一个燃烧模型的温度预测准确性：#实验数据

experimental_data=[1200,1250,1300,1350,1400]

#仿真数据

simulation_data=[1210,1240,1310,1360,1390]

#计算均方根误差（RMSE）

importnumpyasnp

defcalculate_rmse(experimental,simulation):

"""计算实验数据与仿真数据之间的均方根误差"""

returnnp.sqrt(np.mean((np.array(experimental)-np.array(simulation))**2))

rmse=calculate_rmse(experimental_data,simulation_data)

print(f"RMSE:{rmse}")5.2实验数据反演5.2.1原理实验数据反演是利用实验测量结果来推断燃烧过程中的未知参数或条件。这通常涉及到逆问题的求解，即从结果反推原因，可以使用优化算法、机器学习方法或物理模型的反演来实现。5.2.2内容确定反演目标：明确需要反演的参数，如燃料的化学反应速率、燃烧效率等。建立反演模型：基于物理模型或数据驱动模型，建立反演算法。数据预处理：对实验数据进行清洗和预处理，确保数据质量。参数优化：使用优化算法（如梯度下降、遗传算法）来调整模型参数，以使模型预测与实验数据最接近。结果验证：验证反演得到的参数是否合理，是否能够改善模型的预测能力。5.2.3示例使用遗传算法对燃烧模型中的化学反应速率进行反演：#实验数据

experimental_concentration=[0.05,0.1,0.15,0.2,0.25]

#初始反应速率

initial_reaction_rate=0.01

#使用DEAP库实现遗传算法

importrandom

fromdeapimportbase,creator,tools,algorithms

#定义问题

creator.create("FitnessMin",base.Fitness,weights=(-1.0,))

creator.create("Individual",list,fitness=creator.FitnessMin)

#初始化种群

toolbox=base.Toolbox()

toolbox.register("attr_reaction_rate",random.uniform,0.001,0.05)

toolbox.register("individual",tools.initIterate,creator.Individual,toolbox.attr_reaction_rate)

toolbox.register("population",tools.initRepeat,list,toolbox.individual)

#定义评估函数

defevaluate(individual):

"""评估函数，计算模型预测与实验数据之间的误差"""

#假设模型预测与反应速率成正比

predicted_concentration=[x*individual[0]forxinrange(1,6)]

returnnp.sqrt(np.mean((np.array(experimental_concentration)-np.array(predicted_concentration))**2)),

#注册评估函数

toolbox.register("evaluate",evaluate)

toolbox.register("mate",tools.cxTwoPoint)

toolbox.register("mutate",tools.mutGaussian,mu=0,sigma=0.005,indpb=0.2)

toolbox.register("select",tools.selTournament,tournsize=3)

#运行遗传算法

pop=toolbox.population(n=50)

hof=tools.HallOfFame(1)

stats=tools.Statistics(lambdaind:ind.fitness.values)

stats.register("avg",np.mean)

stats.register("std",np.std)

stats.register("min",np.min)

stats.register("max",np.max)

pop,logbook=algorithms.eaSimple(pop,toolbox,cxpb=0.5,mutpb=0.2,ngen=100,stats=stats,halloffame=hof,verbose=True)

#输出最优反应速率

print(f"OptimizedReactionRate:{hof[0][0]}")5.3模型优化与验证5.3.1原理模型优化与验证是通过调整模型参数，使模型预测结果更接近实验数据的过程。验证则是在优化后，通过独立的实验数据集来评估模型的泛化能力。5.3.2内容参数识别：确定模型中需要优化的参数。优化算法选择：选择合适的优化算法，如梯度下降、粒子群优化等。模型训练：使用实验数据训练模型，调整参数。模型验证：使用未参与训练的实验数据来验证模型的预测能力。模型评估：通过评估指标如精度、召回率、F1分数等，评估模型性能。5.3.3示例使用粒子群优化算法（PSO）优化燃烧模型中的多个参数：#实验数据

experimental_data={

'temperature':[1200,1250,1300,1350,1400],

'concentration':[0.05,0.1,0.15,0.2,0.25]

}

#初始参数

initial_parameters=[0.01,0.02,0.03]

#使用PySwarms库实现PSO

importpyswarmsasps

frompyswarms.utils.functionsimportsingle_objasfx

#定义目标函数

defobjective_function(x):

"""目标函数，计算模型预测与实验数据之间的误差"""

#假设模型预测与参数成线性关系

predicted_temperature=[x[0]*i+x[1]foriinrange(1,6)]

predicted_concentration=[x[2]*iforiinrange(1,6)]

error_temperature=np.sqrt(np.mean((np.array(experimental_data['temperature'])-np.array(predicted_temperature))**2))

error_concentration=np.sqrt(np.mean((np.array(experimental_data['concentration'])-np.array(predicted_concentration))**2))

returnerror_temperature+error_concentration

#初始化PSO

options={'c1':0.5,'c2':0.3,'w':0.9}

#调用PSO优化器

optimizer=ps.single.GlobalBestPSO(n_particles=10,dimensions=3,options=options)

cost,pos=optimizer.optimize(objective_function,iters=1000)

#输出最优参数

print(f"OptimizedParameters:{pos}")通过上述示例，我们可以看到，无论是验证仿真结果、反演实验数据还是优化模型参数，都需要结合实验数据和仿真模型，通过数学和计算方法来实现。这些过程不仅能够提高模型的准确性，还能加深我们对燃烧过程的理解。6案例研究与实践6.1工业燃烧器分析在工业燃烧器分析中，光谱分析技术被广泛应用于燃烧过程的监测和控制。通过分析燃烧产物的光谱，可以获取燃烧效率、污染物排放、火焰温度等关键信息。以下是一个使用Python进行光谱分析的示例，以分析工业燃烧器的燃烧产物。6.1.1示例：使用Python进行光谱分析假设我们有一组燃烧产物的光谱数据，数据格式为CSV，其中包含波长和强度两列。我们将使用Python的pandas和matplotlib库来读取数据、绘制光谱图，并识别特定燃烧产物的特征。importpandasaspd

importmatplotlib.pyplotasplt

#读取光谱数据

data=pd.read_csv('spectrum_data.csv')

#绘制光谱图

plt.figure(figsize=(10,5))

plt.plot(data['Wavelength'],data['Intensity'],label='Spectrum')

plt.xlabel('波长(nm)')

plt.ylabel('强度')

plt.title('工业燃烧器燃烧产物光谱')

plt.legend()

plt.show()

#识别特定燃烧产物的特征

#假设我们寻找在波长500nm附近的峰值

peak_wavelength=500

peak_intensity=data.loc[data['Wavelength']==peak_wavelength,'Intensity'].values[0]

print(f'在波长{peak_wavelength}nm处的强度为{peak_intensity}')6.1.2数据样例假设'spectrum_data.csv'文件包含以下数据：Wavelength,Intensity

400,100

450,150

500,200

550,180

600,160在这个