Analysis of evanescent fiber optic sensors using Meep as a simulation tool
Notice bibliographique
Résumé
Optical fibers are commonly used as evanescent wave sensors. Many factors affect the performance of fiber optic-based evanescent sensors, including, but not limited to, cladding thickness and the refractive index of the external medium. A lot has been done on analytical and numerical models to predict the effects of these factors in order to aid sensor design. However, many of these models are often complicated and difficult to solve. In this paper, the free open source finitedifference time-domain (FDTD) simulation software called Meep (MIT Electromagnetic Equation Propagation) is used to predict the performance of a fiber optic evanescent wave sensor. The software is based on Maxwell’s equations and it is used for this analysis due to its simplicity of setting up the simulation as well as its reasonable running time. Electromagnetic flux is calculated at various points along the structure to determine the power loss based on the physical dimensions and refractive indices of the structure. The dimensions used in the simulation are relative and therefore the results offered in this work are mainly qualitative. However, they are useful in guiding the overall design of evanescent fiber optic sensors. To validate the accuracy of the simulation results experimentally, optical fibers of 105μm diameter core are etched with sensing regions of length 13mm and cladding thicknesses of 0.1-0.4μm. The change in transmitted power is then measured when an external medium of refractive index up to 1.466 is put in contact to the sensing region. The results are used to explore the advantages and limitations of using this free and open source software in the design, modeling and characterization of this type of photonic sensors.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».