使用长期纤维网格和机器学习数值分析进行分布式曲率传感

科学领域:

• 光子学和光学传感器
• 在工程领域的人工智能.
• 光纤传感器 光纤传感器

背景情况:

• 长期纤维网格 (LPG) 对外部干扰非常敏感.
• 精确测量纤维曲率对于各种应用至关重要.
• 传统的曲率传感方法可能复杂且不那么精确.

研究的目的:

• 提出和数值验证一个光纤分布式曲率传感器.
• 为了利用神经网络来分析LPG频谱传输数据.
• 评估传感器在检测不均的曲形状方面的性能.

主要方法:

• 使用 EigenMode 扩展和合模式理论,对 6 厘米的液化天然气结构进行数值模拟.
• 分析对应于不同纤维曲率配置文件的光学传输光谱.
• 用模拟数据训练一个四层密度神经网络.

主要成果:

• 开发的神经网络模型实现了曲配置文件的0.40%的相对中位数估计误差.
• 证明了有效分析不均扰动的能力.
• 验证了液化天然气与人工智能一起用于传感应用的潜力.

结论:

• 基于神经网络的光学传感器对于分析不均扰动非常有效.
• 长期纤维网格是先进的曲率传感系统的有希望的候选者.
• 这种方法为光纤传感提供了高精度,AI驱动的解决方案.