Self-Attention AI Model for Practical Sensor Networking: Demodulation of Long-Period Fiber Grating Sensor Cascaded with FBG Sensor Array

Acesse o artigo

O problema

As grades de fibra de período longo (LPFGs) são sensores ópticos com grande potencial devido à sua alta sensibilidade e versatilidade em diversas aplicações. No entanto, sua adoção em larga escala, especialmente em campo, é dificultada por alguns desafios importantes. A interpretação dos sinais de LPFGs (um processo chamado interrogação) geralmente requer equipamentos volumosos e caros, pois seus espectros de transmissão são largos e complexos, diferentemente das grades de Bragg em fibra (FBGs), que possuem picos de reflexão bem definidos e soluções comerciais de interrogação já estabelecidas.

Além disso, a largura espectral das LPFGs limita a quantidade de sensores que podem ser monitorados simultaneamente em um mesmo cabo óptico (multiplexação), o que encarece sistemas que necessitam de muitos pontos de medição. Apesar de serem mais fáceis de fabricar e capazes de medir uma gama maior de parâmetros que as FBGs (especialmente devido à sua sensibilidade ao índice de refração, útil em biossensores, na indústria alimentícia e no monitoramento de estruturas), esses desafios de interrogação e multiplexação precisam ser superados para que as LPFGs se tornem sensores práticos e amplamente utilizados fora do ambiente de laboratório.

Abordagem utilizada

Para enfrentar esses desafios, este trabalho propõe uma solução inovadora e de baixo custo para a interrogação de sensores LPFG, integrando-os a uma rede de sensores ópticos. A ideia central é utilizar um conjunto de sensores FBG, já bem estabelecidos e com interrogadores comerciais disponíveis, de uma maneira nova: o espectro de reflexão das FBGs é modulado (alterado) pelo espectro de transmissão da LPFG. Ou seja, a LPFG “filtra” a luz refletida pelas FBGs.

Para decodificar essa modulação espectral e extrair o comprimento de onda ressonante da LPFG (a informação chave do sensor), foi desenvolvido um modelo de Inteligência Artificial (IA) baseado em “autoatenção” (self-attention). Esse modelo de IA consegue analisar dinamicamente os espectros de reflexão das FBGs e focar apenas nas características mais relevantes para a demodulação da LPFG, filtrando informações desnecessárias ou ruído.

Uma característica importante desta abordagem é que o modelo de IA foi treinado inteiramente com dados sintéticos, ou seja, dados gerados por simulação computadorizada que imitam o comportamento dos sensores. Isso elimina a necessidade de um processo demorado e custoso de coleta de uma grande quantidade de dados experimentais para treinar modelos complexos de IA. A validação do sistema, no entanto, foi realizada com espectros de LPFGs reais. O sistema óptico consiste na LPFG em série com um array de 13 sensores FBG, e um interrogador FBG comercial é usado para capturar o espectro de reflexão modulado. Para evitar perdas excessivas de sinal, circuladores ópticos foram implementados para garantir que a luz interaja com a LPFG apenas após ser refletida pelas FBGs.

Resultados

O sistema proposto demonstrou uma capacidade de demodulação com resolução subnanométrica. Nos testes com um conjunto de 73 espectros de LPFGs reais e 100 configurações diferentes de FBGs para cada um (totalizando 7300 amostras de teste), o sistema alcançou um erro quadrático médio (RMSE) de 0.75 nm e um erro percentual absoluto médio (MAPE) de 0.0335%. A resolução estimada do sistema foi de 0.687 nm. Esses resultados são comparáveis aos obtidos anteriormente com redes neurais treinadas com dados reais de LPFGs e FBGs estáticas, validando a eficácia da abordagem de treinamento com dados sintéticos e aprendizado por transferência para dados reais.

O mecanismo de autoatenção do modelo de IA mostrou-se eficaz em focar nas características espectrais relevantes da LPFG, adaptando-se a deslocamentos no comprimento de onda ressonante da LPFG e sendo robusto a distorções no espectro e a pequenas variações na posição das FBGs. O modelo também demonstrou ser insensível à largura e profundidade da depressão espectral da LPFG, o que o torna adequado para uma ampla variedade de sensores LPFG.

Em uma demonstração prática, utilizando um sensor LPFG de índice de refração (RI) para medir diferentes concentrações de misturas de água e glicerol, o sistema apresentou um erro relativo inferior a 1% na estimativa do RI. O sistema também foi capaz de identificar corretamente a posição da LPFG mesmo quando as FBGs próximas sofriam deslocamentos (simulando o uso das FBGs também como sensores), com coeficientes de correlação muito baixos entre os deslocamentos das FBGs e a posição estimada da LPFG (variando de -0.064 a 0.11), demonstrando a robustez da rede de sensores.

Perspectivas

Esta abordagem, que combina um array de sensores FBG com um modelo de IA de autoatenção treinado sinteticamente, oferece um caminho promissor para a interrogação de LPFGs de forma mais prática e com melhor custo-benefício em redes multissensores. Ao simplificar a interrogação e alavancar o poder da IA e dos dados sintéticos, este trabalho abre portas para uma utilização mais ampla das LPFGs em diversas aplicações de sensoriamento, superando um dos principais obstáculos para sua adoção em campo.

A capacidade de usar um interrogador FBG comercial e permitir que as próprias FBGs atuem como sensores (por exemplo, para medir deformação e temperatura, enquanto a LPFG mede outros parâmetros como índice de refração) aumenta significativamente a versatilidade e a economicidade dos sistemas de sensoriamento óptico. O sucesso do treinamento com dados sintéticos também facilita o desenvolvimento de modelos de IA ainda mais robustos e complexos (como redes convolucionais ou transformers) para aprimorar ainda mais o paradigma de interrogação de LPFGs.

Material suplementar

Material suplementar, com funções usadas para gerar dados, modelos desenvolvidos, medições e resultados podem ser vistos no repósitório lpfg_demodulation_supplementar. Favor citar o reporitório e o trabalho, com seus respectivos DOIs.

Citação recomendada: Felipe Barino, Alexandre Santos, "Self-Attention AI Model for Practical Sensor Networking: Demodulation of Long-Period Fiber Grating Sensor Cascaded with FBG Sensor Array." IEEE Transactions on Instrumentation and Measurement, 2025.