机器学习在Brillouin分布式光纤传感器中的方法
Christos Karapanagiotis1, Katerina Krebber1
1Bundesanstalt für Materialforschung und-Prüfung, Unter den Eichen 87, 12205 Berlin, Germany.
Sensors (Basel, Switzerland)
|July 14, 2023
概括
机器学习增强了Brillouin分布式光纤传感器 (DFOSs) 的功能,用于准确的温度和应变监测. 这些进步改善了工业应用,如结构健康监测和管道完整性.
科学领域:
- 光电子和传感器技术
- 机器学习应用 机器学习应用
- 光纤传感传感器是指光纤传感器.
背景情况:
- 布里卢恩的分布式光纤传感器 (DFOS) 提供连续的,远程的温度和应变监测.
- 工业应用包括对基础设施和管道的结构健康监测.
- 传统的信号处理限制了测量速度和分辨率.
研究的目的:
- 审查用于Brillouin DFOSs的机器学习 (ML) 方法.
- 突出ML对测量精度,速度和分辨率的影响.
- 讨论这个跨学科领域的未来研究方向.
主要方法:
- 在Brillouin DFOS信号处理中使用的ML算法的文献综述.
- 分析ML在增强Brillouin光学时域分析 (BOTDA) 和Brillouin光学频域分析 (BOFDA) 中的作用.
- 基于其在DFOS数据分析中的应用而对ML技术的分类.
主要成果:
- 机器学习集成导致更快,更准确的温度,应变和湿度测量.
- ML可以提高BOTDA系统中的空间分辨率.
- ML显著减少了BOFDA系统的测量时间,没有额外的成本.
- 机器学习可以为复杂的传感场景提供增强的数据分析.
结论:
- 机器学习是Brillouin分布式光纤传感的转型技术.
- ML为关键工业监控提供了具有成本效益的性能改进.
- 未来的研究应该专注于先进的机器学习模型,以获得更大的传感能力.
