Machine Learning-Based long-period fiber grating demodulation: A promising tool for cost-effective in-field implementation
Publicado em repositório institucional da Universidade Federal de Juiz de Fora, 2025
O problema
Sensores de grade de fibra de longo período (LPGs) são dispositivos ópticos versáteis que ganharam atenção significativa nos últimos anos devido à sua capacidade de medir uma ampla gama de parâmetros. No entanto, a adoção generalizada destes tem sido dificultada pela complexidade e custo dos métodos tradicionais de interrogação, que geralmente dependem de equipamentos volumosos e caros. Esses métodos geralmente são projetados para interpretar apenas um único sensor, o que aumenta a complexidade do sistema e reduz o custo por sensor em implantações em grande escala. Além disso, a largura espectral ampla dos LPGs apresenta desafios para aplicações de sensoriamento quase distribuído, pois limita o número de dispositivos que podem ser multiplexados de forma eficaz.
Abordagem utilizada
Nesta tese uma nova abordagem para interrogação de LPGs é proposta. Ela utiliza um banco de filtros ópticos esparsos e algoritmos de aprendizado de máquina para obter medições confiáveis e com boa relação custo-benefício. A abordagem proposta é investigada por meio de três métodos distintos, cada um construído sobre o anterior, culminando em uma rede neural totalmente conectada baseada em autoatenção. Essa abordagem final permite o uso de FBGs com posições arbitrárias em uma configuração multissensor, melhorando a relação custo-benefício do sistema e incorporando recursos de detecção multiponto.
Resultados
Os resultados demonstram a eficácia da abordagem proposta, mostrando sua alta precisão, robustez ao ruído e capacidade de generalização para uma ampla gama de sensores LPG e configurações de sensores FBG. O uso de dados sintéticos para treinamento supera as limitações de aquisição de grandes conjuntos de dados, permitindo o desenvolvimento de modelos mais robustos e complexos. Para avaliar a efetividade da técnica proposta, um sensor de índice de refração foi construído e interrogado pelo sistema proposto com erro menor que 0,2%.
Perspectivas
Foi obtida uma contribuição significativa para o campo da interrogação de sensores LPG, oferecendo uma solução promissora. A solução proposta é ideal para aplicações como: monitoramento de saúde estrutural, sensoriamento ambiental e controle de processos industriais. Ou seja, a solução encontrada abre caminho para avanços adicionais na tecnologia de sensoriamento LPG e sua ampla adoção em campo. As técnicas de aprendizado de máquina e o uso de filtros ópticos esparsos podem levar a sistemas de interrogação mais eficientes, compactos e versáteis. Além disso, o uso de dados sintéticos para treinamento e a capacidade de integrar sensores FBG e LPG em uma única rede abrem caminho para o desenvolvimento de sistemas de sensoriamento quase distribuído mais poderosos e econômicos
Artigos publicados
Abordagem multi sensor e treinamento sintético
Citação recomendada: Felipe Barino, "Machine Learning-Based long-period fiber grating demodulation: A promising tool for cost-effective in-field implementation." repositório institucional da Universidade Federal de Juiz de Fora, (Tese de Doutorado) 2025.