Addressing Uncertainty on Machine Learning Models for Long-Period Fiber Grating Signal Conditioning Using Monte Carlo Method
Publicado em IEEE Transactions on Instrumentation and Measurement, 2024
O problema
A crescente adoção de modelos de aprendizado de máquina (ML) na instrumentação e medição levanta questões sobre a validade e a estimativa de erros desses modelos, especialmente em cenários complexos como a interrogação de sensores de grade de fibra de longo período (LPFG).
Abordagem utilizada
Neste estudo, revisamos os modelos de ML para interrogação de sensores LPFG, realizando uma análise abrangente da propagação de incerteza através do condicionamento de sinal. Empregamos o método de Monte Carlo para simular a propagação da incerteza, considerando ruído optoeletrônico e flutuações na posição do LPFG.
Resultados
Os resultados demonstram que os modelos de ML são capazes de atenuar ruídos optoeletrônicos sem induzir erros sistemáticos. Além disso, o efeito de atenuação de ruído dos modelos de ML não impacta a resolução do interrogador.
Perspectivas
Esperamos que este trabalho sirva como guia metodológico para avaliar a incerteza em interrogadores de sensores ópticos baseados em ML, contribuindo para a confiabilidade e a robustez desses sistemas. Assim como para outros sensores que usam ML como modelo de medição.
Citação recomendada: Felipe Barino, Alexandre Santos, "Addressing Uncertainty on Machine Learning Models for Long-Period Fiber Grating Signal Conditioning Using Monte Carlo Method." IEEE Transactions on Instrumentation and Measurement, 2024.