MétaCan
Menu
Retour à la cohorte
Enregistrement W2569336179 · doi:10.3390/fib5010003

Recent Developments in Micro-Structured Fiber Optic Sensors

2017· article· en· W2569336179 sur OpenAlexafffund
Yanping Xu, Ping Lü, Liang Chen, Xiaoyi Bao

Notice bibliographique

RevueFibers · 2017
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced Fiber Optic Sensors
Établissements canadiensNational Research Council CanadaUniversity of Ottawa
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésOptical fiberMiniaturizationMaterials scienceFlexibility (engineering)Fiber optic sensorOptoelectronicsComputer scienceNanotechnologyTelecommunications

Résumé

récupéré en direct d'OpenAlex

Recent developments in fiber-optic sensing have involved booming research in the design and manufacturing of novel micro-structured optical fiber devices. From the conventional tapered fiber architectures to the novel micro-machined devices by advanced laser systems, thousands of micro-structured fiber-optic sensors have been proposed and fabricated for applications in measuring temperature, strain, refractive index (RI), electric current, displacement, bending, acceleration, force, rotation, acoustic, and magnetic field. The renowned and unparalleled merits of sensors-based micro-machined optical fibers including small footprint, light weight, immunity to electromagnetic interferences, durability to harsh environment, capability of remote control, and flexibility of directly embedding into the structured system have placed them in highly demand for practical use in diverse industries. With the rapid advancement in micro-technology, micro-structured fiber sensors have benefitted from the trends of possessing high performance, versatilities and spatial miniaturization. Here, we comprehensively review the recent progress in the micro-structured fiber-optic sensors with a variety of architectures regarding their fabrications, waveguide properties and sensing applications.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,004

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,002
Science ouverte0,0000,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,001

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.

Tête enseignante Opus0,014
Tête enseignante GPT0,240
Écart entre enseignants0,226 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations69
Publié2017
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueFibersMême sujetAdvanced Fiber Optic SensorsTravaux en français237 207