MétaCan
Menu
Retour à la cohorte
Enregistrement W2999665784 · doi:10.1109/sensors43011.2019.8956638

Structural Health Monitoring using Apodized Pi-Phase Shifted FBG: Decoupling Strain and Temperature Effects

2019· article· en· W2999665784 sur OpenAlexaff
Farinaz Kouhrangiha, Mojtaba Kahrizi, K. Khorasani

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced Fiber Optic Sensors
Établissements canadiensConcordia University
Organismes subventionnairesnon disponible
Mots-clésApodizationFiber Bragg gratingSensitivity (control systems)Materials scienceStructural health monitoringDecoupling (probability)GaussianOpticsAcousticsTemperature measurementReflection (computer programming)Computer scienceOptical fiberElectronic engineeringPhysicsEngineering

Résumé

récupéré en direct d'OpenAlex

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 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)0,000
score de la tête « metaresearch » (Gemma)0,000
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: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,002

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
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 Opus0,012
Tête enseignante GPT0,286
Écart entre enseignants0,274 · 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
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

Citations10
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetAdvanced Fiber Optic SensorsTravaux en français237 207