Structural Health Monitoring using Apodized Pi-Phase Shifted FBG: Decoupling Strain and Temperature Effects
Notice bibliographique
Résumé
Fiber Bragg Gratings (FBGs) as tools for structural health monitoring are broadly used for assessing the composite structures behavior under different scenarios to secure the system in a reliable and accurate way. Due to cross-sensitivity effects in optical sensors, one way to enhance the accuracy is to disentangle the strain from other affecting parameters such as temperature or vibration for recognizing the real strain that is experienced by the composite structure. In this work, design and numerical simulations of Apodized Pi-Phase Shifted FBG (π-PSFBG) are presented to evaluate the performance of non-uniform FBG for simultaneous strain and temperature monitoring. Due to specific accuracy and spectral characteristics of the π-PSFBG, it is selected as an optical sensor to enhance the sensitivity of the measurements. Sensor signals are designed and simulated by solving coupled mode equations using the transfer matrix to represent the reflection spectrum of π-PSFBG. To accomplish spectral improvement, the Gaussian apodization function is applied to the FBG reflected spectrum in order to optimize its spectra by suppressing side lobes. Moreover, we have developed π-PSFBG sensor using Neural Networks (NNs) approach to sense and discriminate strain from other affecting gauges such as temperature. The proposed neural networks is trained to learn the relationship between the reflection spectrum and the external parameters such as strain and temperature. Our investigations not only characterize the performance of an apodized π-PSFBG to simultaneously measure two parameters with high sensitivity, but also yield the minimum error in compensation of strain from temperature.
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 | 0,000 | 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 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 ».