Rompimiento de la Degeneración de la Cruz-Sensibilidad en Sensores FBG: Un Marco de Co-Diseño Informado por la Física...

Área de la Ciencia:

• Detección Óptica
• Ciencia de Materiales
• Inteligencia Artificial

Sus antecedentes:

• Los sensores de Red de Bragg de Fibra (FBG) luchan con la medición simultánea de deformación y temperatura debido a la cruz-sensibilidad de la longitud de onda de Bragg.
• Los enfoques de aprendizaje automático existentes a menudo no tienen en cuenta las limitaciones físicas de las respuestas espectrales de FBG, lo que lleva a datos ambiguos.
• Se propone una nueva metodología de Co-Diseño de Sensor-Algoritmo para abordar estas limitaciones.

Objetivo del estudio:

• Desafiar la dependencia exclusiva de algoritmos avanzados para datos de sensores físicamente ambiguos.
• Demostrar que la discriminación robusta de deformación y temperatura requiere firmas físicas únicas y ortogonales en la arquitectura del sensor.
• Introducir y validar una estrategia de Red Neuronal Informada por la Física (PINN) para la detección impulsada por IA con escasez de datos.

Principales métodos:

• Se utilizó el Método de Matriz de Transferencia (TMM) y el análisis de polarización 4x4 para evaluar tres arquitecturas FBG.
• Se evaluó cuantitativamente un FBG Chirped Cuadráticamente (QC-FBG) estándar como línea base.
• Se validaron dos arquitecturas co-diseñadas: FBG de Superestructura Modulada en Amplitud (S-FBG) con ANN y FBG de Gaussiana Inversa Polarización-Diversa (IG-FBG) con una matriz K de 4x4.
• Se implementó una Red Neuronal Informada por la Física (PINN) incrustando la física de TMM en la función de pérdida.

Principales resultados:

• El QC-FBG estándar exhibió un colapso del espacio de características (Kcond>4600), fallando en distinguir entre deformación y temperatura.
• El S-FBG/ANN logró una alta precisión (error de ~3.4 °C) al aprovechar las variaciones del ciclo de trabajo inducidas térmicamente.
• El IG-FBG/4x4 K-matrix demostró una discriminación efectiva utilizando la birrefringencia inducida por deformación (Kcond≈64).
• La estrategia PINN mejoró la eficiencia de los datos 2.2 veces en comparación con los modelos estándar, mitigando la escasez de datos.

Conclusiones:

• La detección robusta de deformación y temperatura con FBG requiere un enfoque de co-diseño, integrando la arquitectura del sensor con algoritmos.
• Las arquitecturas S-FBG e IG-FBG propuestas, cuando se combinan con los algoritmos apropiados, ofrecen soluciones efectivas para la cruz-sensibilidad.
• Las PINN proporcionan un método viable para mejorar la eficiencia de los datos en la detección óptica impulsada por IA, abordando problemas críticos de escasez de datos.