Développement de capteurs distribués à base de réseaux de Bragg pour la mesure de contrainte directionnelle
Bibliographic record
Abstract
Les capteurs distribués qui font appel à des réseaux de Bragg inscrits dans des fibres optiques multicœurs sont de plus en plus utilisés pour mesurer différents paramètres physiques délocalisés. En utilisant l'information qui provient de chacun des cœurs de la fibre, il est possible de reconstruire sa forme tridimensionnelle, ce qui trouve actuellement de nombreuses applications innovantes, notamment en robotique et dans le domaine médical. Dans le cadre du programme Sentinelle Nord, le principal objectif de mon projet de maîtrise était de développer de tels capteurs pour le suivi des impacts du dégel du pergélisol dans les régions nordiques. Deux applications avaient initialement été ciblées. La première application consistait à mesurer la vitesse (et la direction) des écoulements d'eau souterraine qui jouent un rôle important dans la transmission de chaleur et qui doivent être considérés dans la modélisation numérique des processus physiques pour simuler la dynamique du pergélisol. La deuxième application consistait à suivre les tassements au dégel du pergélisol en reconstruisant le profil 3D d'un capteur à fibre optique qui y serait enfouie. Un modèle théorique de leur sensibilité à un écoulement d'eau a été développé et a permis de conclure que la vitesse des écoulements d'eau souterraine typiques était beaucoup trop faible pour être mesurée. Afin de s'attaquer à la seconde application, nous avons développé une nouvelle technologie de fibre multicœur où 3 fibres optiques ont été assemblées dans une préforme microstructurée en polycarbonate en l'étirant directement sur une tour à fibre. La caractérisation des réseaux de Bragg de cette fibre hybride verre-polymère a montré qu'elle est 7 fois plus sensible que les fibres optiques multicœurs traditionnelles. Les développements réalisés pour cette seconde application ont fait l'objet d'une publication d'un article scientifique dans le journal Optics Express. Dans le cadre de ce projet, et en parallèle à ces travaux, une méthode flexible d'inscription de réseaux de Bragg distribués sur une fibre optique avec un seul masque de phase uniforme a été développée. Grâce à cette méthode, une accordabilité record de 70 nm, soit plus de 15 fois supérieure à tout ce qui a été obtenu auparavant, a été atteinte.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".