Mejora de la precisión de la detección de la forma de fibra de múltiples núcleos mediante un modelo basado en...

Área de la Ciencia:

• Optoelectrónica y sus derivados
• Detección por fibra óptica
• Aprendizaje automático para el análisis de datos de sensores

Sus antecedentes:

• Las rejillas de Bragg de fibra de múltiples núcleos (MCFBG) son sensores avanzados para la detección de formas.
• La reconstrucción precisa de la forma a partir de los datos de MCFBG es un desafío y a menudo requiere extensos datos experimentales.
• Los métodos actuales pueden carecer de la precisión necesaria para aplicaciones exigentes.

Objetivo del estudio:

• Proponer un nuevo modelo de predicción de coordenadas forma-espacio para los sensores MCFBG.
• Aprovechar el aprendizaje profundo, la formación previa y la transferencia de aprendizaje para mejorar la precisión y la eficiencia de los datos.
• Establecer un mapeo de extremo a extremo de los datos de longitud de onda del MCFBG a las coordenadas del espacio de forma.

Principales métodos:

• Desarrollo de una arquitectura de aprendizaje profundo para el análisis de datos MCFBG.
• Integración de estrategias de formación previa y transferencia de aprendizaje para mejorar el rendimiento del modelo.
• Estableciendo un mapeo directo de los datos de longitud de onda central a las coordenadas de espacio de forma.

Principales resultados:

• El modelo demuestra una mejor precisión en la detección de formas basada en MCFBG.
• Se observó una reducción significativa de los requisitos de datos de entrenamiento experimental.
• El mejor modelo logró un error de punto terminal mediano con un error relativo tan bajo como el 0,76%.

Conclusiones:

• El modelo propuesto ofrece un método altamente preciso para la detección de la forma de MCFBG.
• Este enfoque muestra potencial para reducir los costos y el tiempo de adquisición de datos.
• El método es adecuado para aplicaciones que exigen una reconstrucción de forma de alta precisión.