نوع مقاله : مقاله پژوهشی

نویسندگان

• مهدی تاج الدینی ¹
• آرمین اسکندری نسب ²

¹ گروه فوتونیک دانشگاه تحصیلات تکمیلی صنعتی و فناوری پیشرفته کرمان

² گروه فوتونیک، دانشگاه تحصیلات تکمیلی کرمان

چکیده

در این مقاله، یک سنسور دمایی فیبر نوری طراحی شده که از ایزوپروپانول جهت افزایش حساسیت دمایی و از یادگیری ژرف جهت تشیخص تغییرات الگوی سه بعدی 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 می‌گردد 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 Rsoft برای ۱۰۶ دمای مختلف شبیه سازی شده و الگوهای انتشار سه بعدی آن ها بدست آمده است. از گردآوری الگو های شبیه سازی‌ شده، پایگاه داده‌ی کاملی از نور منتشره برای بازه دمایی -۷۳ الی ۸۲ درجه سانتی‌گراد، تشکیل شده است. پایگاه داده مذکور به الگوریتم شناسایی الگو مبتنی بر یادگیری ژرف وارد شده و نحوه تغییرات شکل ظاهری انتشار نور در فیبر با تغییرات دما به سیستم شناسایی الگو آموزش داده می‌شود. شناسایی الگو استفاده شده در این مقاله، با الهام گرفتن از شبکه AlexNet طراحی شده و می‌تواند دمای محیط را با خطای حداقل مقدار میانگین مربعات 2 بدست آورد‏.

کلیدواژه‌ها

• سنسور دمایی فیبر نوری
• ایزوپروپانول
• یادگیری ژرف
• شناسایی الگو
• Rsoft

موضوعات

• اپتیک و فوتونیک

عنوان مقاله [English]

using of deep learning on designing and optimizing an optical fiber temperature sensor with isopropanol cover

نویسندگان [English]

• Mehdi Tajaldini ¹
• Armin Eskandary Nasab ²

¹ photonics department, graduate university of advanced technology, kerman, Iran

² department of photonics, graduate university of advanced technology, kerman

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