Engineering nanoparticle features to tune Rayleigh scattering in nanoparticles-doped optical fibers
Notice bibliographique
Résumé
Rayleigh scattering enhanced nanoparticles-doped optical fibers are highly promising for distributed sensing applications, however, the high optical losses induced by that scattering enhancement restrict considerably their sensing distance to few meters. Fabrication of long-range distributed optical fiber sensors based on this technology remains a major challenge in optical fiber community. In this work, it is reported the fabrication of low-loss Ca-based nanoparticles doped silica fibers with tunable Rayleigh scattering for long-range distributed sensing. This is enabled by tailoring nanoparticle features such as particle distribution size, morphology and density in the core of optical fibers through preform and fiber fabrication process. Consequently, fibers with tunable enhanced backscattering in the range 25.9-44.9 dB, with respect to a SMF-28 fiber, are attained along with the lowest two-way optical losses, 0.1-8.7 dB/m, reported so far for Rayleigh scattering enhanced nanoparticles-doped optical fibers. Therefore, the suitability of Ca-based nanoparticles-doped optical fibers for distributed sensing over longer distances, from 5 m to more than 200 m, becomes possible. This study opens a new path for future works in the field of distributed sensing, since these findings may be applied to other nanoparticles-doped optical fibers, allowing the tailoring of nanoparticle properties, which broadens future potential applications of this technology.
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 | 0,001 |
| 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 ».