نوع مقاله : مقاله پژوهشی
نویسندگان
گروه فوتونیک، دانشگاه تحصیلات تکمیلی صنعتی و فناوری پیشرفته، کرمان
چکیده
در این مقاله، یک حسگر دمایی فیبر نوری طراحی شده که از ایزوپروپانول جهت افزایش حساسیت دمایی و از یادگیری ژرف جهت تشخیص تغییرات الگوی سهبعدی انتشار نور در طول فیبر نوری و تعیین دمای محیط استفاده میکند. به عبارتی دیگر، تغییر دمای محیط، ضریب شکست ایزوپروپانول را تغییر داده و موجب تغییر شکل ظاهری الگوی تداخل مدهای انتشاری درون فیبر نوری میشود که شناسایی الگو مبتنی بر یادگیری ژرف تغییرات ظاهری انتشار نور را تشخیص داده و دمای محیط را به شکل بهینه تخمین میزند. در این راستا، فیبر نوری مذکور، توسط نرم افزار آر سافت برای ۱۰۶ دمای مختلف شبیهسازی شده و الگوهای انتشار سه بعدی آنها به دست آمده است. از گرداوری الگوهای شبیهسازیشده، پایگاه دادۀ کاملی از نور منتشره برای بازۀ دمایی -۷۳ الی ۸۲ درجه سانتیگراد، تشکیل شده است. پایگاه دادۀ مذکور به الگوریتم شناسایی الگو مبتنی بر یادگیری ژرف وارد شده و نحوۀ تغییرات شکل ظاهری انتشار نور در فیبر با تغییرات دما به سامانۀ شناسایی الگو آموزش داده میشود. شناسایی الگوی استفاده شده در این مقاله، با الهام گرفتن از شبکۀ الکسنت طراحی شده و میتواند دمای محیط را با خطای حداقل مقدار میانگین مربعات 2 به دست آورد.
کلیدواژهها
موضوعات
عنوان مقاله [English]
Using deep learning to design and optimize an optical fiber temperature sensor with an isopropanol cover
نویسندگان [English]
- Mehdi Tajaldini
- Armin Eskandary Nasab
photonics department, graduate university of advanced technology, kerman, Iran
چکیده [English]
In this paper, an optical fiber temperature sensor is designed that uses isopropanol to increase temperature sensitivity and deep learning to characterize changes in the three-dimensional pattern of light propagation along the optical fiber and determine the ambient temperature. In other words, changing the ambient temperature changes the refractive index of isopropanol and causes a change in the appearance of the interference pattern of the guided modes inside the optical fiber, which identifies the pattern based on deep learning detects the changes in the appearance of light emission and estimates the ambient temperature optimally. In this regard, the mentioned optical fiber was simulated by Rsoft software for 106 different temperatures and their 3D propagation patterns were obtained. From the collection of simulated patterns, a complete database of propagated light for the temperature range of -73 to 82 degrees Celsius has been formed. The mentioned database is entered into the pattern recognition algorithm based on deep learning, and the pattern recognition system is taught how the appearance of light propagation changes in the fiber with temperature changes. The model used in this article is inspired by the AlexNet network and can obtain the ambient temperature with a minimum mean square error of 2.
کلیدواژهها [English]
- optical fiber temperature sensor
- isopropanol
- deep learning
- pattern recognition
- Rsoft
- W H Tsai and C J Lin, J. Light. Technol. 19 (2001) 682.
- H Zhang, et al., J. Light. Technol. 39 (2021) 4556.
- T Allsop and R Neal, Sensors 21 (2021) 6755.
- Y Xu, et al., Fibers 5 (2017) 3.
- I Floris, et al., Opt. Lasers Eng. 139 (2021) 106508.
- K Hill, et al., Appl. Phys. Lett. 32 (1978) 647. 7. B Lee, S Roh, and J Park, Opt. Fiber Technol. 15 (2009) 209. 8. V Bhardwaj, K Kishor, and A C Sharma, Opt. Fiber Technol. 58 (2020) 102302. 9. J Zhou, et al., Sens. Actuators B Chem. 208 (2015) 315. 10. Q Yu and X Zhou, Photonic Sens. 1 (2011) 72. 11. T Allsop, et al., Rev. Sci. Instrum. 73 (2002) 1702. 12. J M Corres, F J Arregui, and I R Matias, J. Light. Technol. 24 (2006) 4329. 13. Y Xue, et al., Optics lett. 38 (2013) 1209. 14. H Su, et al., Opt. Fiber Technol. 51 (2019) 1. 15. I Goodfellow, Y Bengio, and A Courville, “Deep learning” MIT press (2016). 16. H Takeda, S Farsiu, & P Milanfar, IEEE Trans. Image Process. 16, 2 (2007), 349. 17. J Wang, et al., Pattern Recognit. Lett. 119 (2019) 3. 18. A R Cuevas, et al., J. Light. Technol. 36 (2018) 3733. 19. C C Wang, et al., Appl. Optics 57, 12 (2018) 3003. 20. S Bangar, (2022) AlexNet Architecture Explained. [Online]. Available: https://medium.com/@siddheshb008/alexnet-architecture-explained-b6240c528bd5 [Accessed 15-June-2024] 21. "Losses," Keras: the Python deep learning API, [Online]. Available: https://keras.io/api/losses/ [Accessed 15-June-2024].