Para resolver o problema grave de interferência acoplada no sensor composto de fluxo e temperatura de Grade de Bragg de Fibra Óptica (Fiber Bragg Grating, FBG), propõe-se um algoritmo de desacoplamento baseado no Kernel Extreme Learning Machine otimizado pelo algoritmo Harris Hawks Optimizer (Harris Hawks Optimizer algorithm Optimized Kernel Extreme Learning Machine, HHO-KELM), tendo como objeto de estudo um sensor composto compacto tipo sonda para fluxo e temperatura FBG. Primeiro, projetou-se um sensor composto compacto tipo sonda com uma viga em balanço cilíndrica oca como portador da carga, revelando a relação de mapeamento entre o deslocamento do comprimento de onda do sensor e o fluxo e temperatura; em seguida, construiu-se um sistema experimental para realizar experimentos compostos de fluxo e temperatura, analisando as características de acoplamento; por fim, usando o algoritmo Harris Hawks Optimizer, obteve-se a combinação ótima de coeficiente de regularização e parâmetros da função kernel do Kernel Extreme Learning Machine, estabelecendo o modelo HHO-KELM de desacoplamento de fluxo e temperatura. Após o desacoplamento, o fluxo esteve na faixa de 2~30 m³/h, com erro médio de fluxo de 0.038 m³/h, erro quadrático médio de 1,91×10^-3 m³/h, erro médio de temperatura de 0.027 ℃ e erro quadrático médio de 1,03×10^-3 ℃. Para verificar o efeito do desacoplamento, os resultados do algoritmo HHO-KELM foram comparados com os dos algoritmos BP e ELM. Os resultados experimentais mostram que o algoritmo HHO-KELM possui boa precisão e eficiência de desacoplamento, podendo reduzir efetivamente as interferências acopladas de fluxo e temperatura, melhorando a precisão e estabilidade do sensor, permitindo o desacoplamento dinâmico em tempo real de fluxo e temperatura.

Grade de Bragg de Fibra Óptica; sensor composto de fluxo e temperatura; interferência acoplada; Kernel Extreme Learning Machine; algoritmo Harris Hawks