MétaCan
Menu
Retour à la cohorte
Enregistrement W4405022215 · doi:10.1109/jsen.2024.3506744

Compensation of Scanning Speed Instability in a Wavelength-Swept Laser for Dynamic Fiber Optic Sensors

2024· article· en· W4405022215 sur OpenAlexfundno aff
Byeong Kwon Choi, Sung Yoon Cho, Soyeon Ahn, Ji Su Kim, Jae Ok Yoo, Min Yong Jeon

Notice bibliographique

RevueIEEE Sensors Journal · 2024
Typearticle
Langueen
DomaineEngineering
ThématiqueSemiconductor Lasers and Optical Devices
Établissements canadiensnon disponible
Organismes subventionnairesNational Research Foundation of KoreaKorea Institute for Advancement of TechnologyOntario Ministry of Research, Innovation and Science
Mots-clésCompensation (psychology)Fiber laserOpticsOptical fiberMaterials scienceWavelengthInstabilityFiber optic sensorLaserFiberOptoelectronicsPhysics

Résumé

récupéré en direct d'OpenAlex

The scanning speed stability of a wavelength-swept laser (WSL) with a polygon-scanner-based wavelength filter (PSWF) is affected by the speed of the brushless direct current (BLDC) motor driving a polygonal scanner mirror (PSM). In particular, the PSM running at low speeds experiences fluctuations in rotational speed, causing the output of the WSL to fluctuate in the temporal domain. The speed variation of the WSL causes critical measurement errors in the fiber Bragg grating (FBG) interrogator sensors. In this study, we successfully corrected the output error of the FBG array sensor caused by the PSM rotational speed fluctuations in a WSL running at a low scanning rate. The FBG array used five FBGs, and the time intervals of the FBGs were corrected according to the PSM rotation speed variation based on the periodic interval of the array signal. A WSL with a scanning rate of 1.0 kHz suggested a 97% improvement after compensating for rotational speed variations of the PSM.

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: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
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
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
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 Opus0,017
Tête enseignante GPT0,260
Écart entre enseignants0,243 · 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

Citations2
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIEEE Sensors JournalMême sujetSemiconductor Lasers and Optical DevicesTravaux en français237 207