MétaCan
Menu
Retour à la cohorte
Enregistrement W2925797259 · doi:10.1109/jsen.2019.2907867

Fiber Bragg Grating High Impact Force Sensors With Adjustable Sensitivity and Dynamic Range

2019· article· en· W2925797259 sur OpenAlexafffund
Hannah Dinovitzer, Albane Laronche, Jacques Albert

Notice bibliographique

RevueIEEE Sensors Journal · 2019
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced Fiber Optic Sensors
Établissements canadiensCarleton University
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésFiber Bragg gratingMaterials scienceRangingSensitivity (control systems)ProjectileMillisecondLoad cellOpticsFiberWavelengthOptoelectronicsComposite materialStructural engineeringElectronic engineeringPhysicsEngineering

Résumé

récupéré en direct d'OpenAlex

This paper presents the development of a fiber Bragg grating sensor system for loads applied perpendicularly to the fiber axis. The sensor design allows for adjustable sensitivity and high impact resistance. Two designs were tested, each containing a fiber Bragg grating embedded in a polymer material and encased in aluminum. Testing with a rate controlled load press was used to show the dependence of the response on loading conditions with loads reaching kN levels. Projectile drop tests further showed the response of both types of sensors with forces applied over millisecond durations. The magnitudes of the measured wavelength shift loading and unloading rates ranged from 0.203 to 0.507 nm/ms. Static structural simulations were completed and are in agreement with the experimental results. Loading rates of 1.667 mm/s with contact areas ranging from 38.5 to 113 mm <sup xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">2</sup> resulted in respective sensitivities ranging from 0.154 to 0.064 nm/kN. Simulations and experiments further demonstrated the ability to increase the sensitivity up to 99% through modifications of lid thickness, cavity diameter, and loading area.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,055
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

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

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.

Tête enseignante Opus0,005
Tête enseignante GPT0,213
Écart entre enseignants0,208 · 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 tête enseignante, pas un consensus.

Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

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

En bref

Citations7
Publié2019
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueIEEE Sensors JournalMême sujetAdvanced Fiber Optic SensorsTravaux en français237 207