Deep learning classification and regression models for temperature values on a simulated fibre specklegram sensor
Los sensores de specklegram de fibra óptica utilizan el patrón de interferencia modal (o specklegram) para determinar la magnitud de una perturbación. Los métodos de interrogación más utilizados para estos sensores se han centrado en mediciones puntuales de la intensidad o en correlaciones entre spe...
| Autores: | , , , , , , |
|---|---|
| Tipo de recurso: | artículo |
| Estado: | Versión publicada |
| Fecha de publicación: | 2021 |
| País: | Colombia |
| Institución: | Universidad Cooperativa de Colombia |
| Repositorio: | Repositorio UCC |
| OAI Identifier: | oai:repository.ucc.edu.co:20.500.12494/46365 |
| Acceso en línea: | https://hdl.handle.net/20.500.12494/46365 |
| Access Level: | acceso abierto |
| Palabra clave: | sensores de fibra óptica, métodos electromagnéticos computacionales, aproximación numérica y análisis, detección y sensores ópticos, interferometría de Speckle. fiber optics sensors, computational electromagnetic methods, numerical approximation and analysis, optical sensing and sensors, speckle interferometry. |
| Sumario: | Los sensores de specklegram de fibra óptica utilizan el patrón de interferencia modal (o specklegram) para determinar la magnitud de una perturbación. Los métodos de interrogación más utilizados para estos sensores se han centrado en mediciones puntuales de la intensidad o en correlaciones entre specklegrams, con limitaciones en cuanto a sensibilidad y rango de medición útil. Para investigar métodos alternativos de interrogación de specklegrams que mejoren el rendimiento de los sensores de specklegrams de fibra, implementamos y comparamos dos modelos de aprendizaje profundo: un modelo de clasificación y un modelo de regresión. Para probar y entrenar los modelos, utilizamos modelos físico-ópticos y simulaciones por el método de elementos finitos para crear una base de datos de imágenes de specklegram, que cubren el rango de temperatura entre 0 °C y 100 °C. Con las pruebas de predicción, demostramos que ambos modelos pueden cubrir el de temperatura propuesto y alcanzar una precisión del 99,5%, para el modelo de clasificación y un error absoluto medio de 2,3 °C en el modelo de regresión. Creemos que estos resultados que las estrategias implementadas pueden mejorar las capacidades metrológicas de este tipo de sensor. |
|---|