TDR and FDR Identification of Bad Splices in Telephone Cables
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
To facilitate the widespread deployment of DSL Internet access technicians must be able to identify and locate even minor discontinuities in transmission lines. Discontinuities cause a portion of the signal to be reflected backward and this leads to intersymbol interference and impairment of high speed digital transmission. In addition, discontinuities introduce signal loss that can limit the distance of transmission. Telephone line technicians identify corroded splices as a frequent "trouble" that impairs DSL video service. The paper first reviews the frequency domain reflectometry (FDR) method and how the reflection phase angle can be determined through use of the FFT. We are able to detect a bad splice because it introduces a small series resistance that increases the apparent impedance of the remaining cable and causes reflections. Sensitive coherent detection allows the FDR method to detect the very small reflections caused by 10-ohm series resistance at a distance of 2900 m. In contrast, commercial TDR instruments are not able to detect this discontinuity at distances beyond 1200 m. Telephone cable characteristic impedance is slightly capacitive in the DSL frequency range and the 10-ohm series resistance makes the apparent impedance somewhat more real, resulting in a reflection with positive phase angle (~10 degrees). This reflection angle can be used to distinguish the bad splice discontinuity from other types of impairments and knowledge of the type of fault allows effective dispatch of a repair crew. Previous work has shown reflection angles for water in the cable (~160deg), and bridged taps (180deg). Through measurements, this paper compares bad splice reflection angles (~10deg;) with those from gauge changes (~135deg)
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.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 découle