打破FBG传感器的交叉敏感性退化:一个基于物理的共同设计框架,用于强大的歧视

科学领域:

• 光学传感传感器是什么?
• 材料科学 材料科学 材料科学
• 人工智能的人工智能

背景情况:

• 纤维布拉格格 (FBG) 传感器由于布拉格波长交叉灵敏性而难以同时测量应变和温度.
• 现有的机器学习方法往往无法解释FBG光谱反应的物理限制,导致数据模两可.
• 提出了一种新的传感器-算法联合设计方法来解决这些局限性.

研究的目的:

• 挑战仅仅依赖于先进的算法来处理物理模两可的传感器数据.
• 为了证明强大的应变和温度歧视需要传感器架构中独特的,正交的物理签名.
• 引入和验证物理信息神经网络 (PINN) 战略,用于数据稀缺的人工智能驱动的传感.

主要方法:

• 使用转移矩阵方法 (TMM) 和4x4偏振分析来评估三个FBG架构.
• 作为基线,量化评估了一种标准的正方形切割FBG (QC-FBG).
• 验证了两个共同设计的架构:带有ANN的振幅调制超结构FBG (S-FBG) 和带有4x4K矩阵的极化多变反高斯式FBG (IG-FBG).
• 通过将TMM物理嵌入到损失函数中,实现了一个物理信息的神经网络 (PINN).

主要成果:

• 标准的QC-FBG表现出特征空间崩 (Kcond>4600),无法区分应变和温度.
• S-FBG/ANN通过利用热诱导的工作周期变化,实现了高精度 (~3.4°C误差).
• 在IG-FBG/4x4 K-矩阵中,使用应变诱导的双断率 (Kcond≈64) 证明了有效的歧视.
• 与标准模型相比,PINN策略提高了数据效率2.2倍,减轻了数据稀缺性.

结论:

• 使用FBG进行强大的应变和温度传感需要共同设计方法,将传感器架构与算法集成在一起.
• 拟议的S-FBG和IG-FBG架构,当与适当的算法配对时,为交叉敏感性提供了有效的解决方案.
• PINNs提供了一种可行的方法来提高人工智能驱动的光学传感中的数据效率,解决关键的数据稀缺问题.