Fotonische thermometers - die de temperatuur meten met behulp van licht - bestaan ​​al tientallen jaren in optische vezelvorm. Deze apparaten, Bragg-vezelroosters genoemd, zijn ingebed in in de handel verkrijgbare vezels die dunner zijn dan een mensenhaar, vergelijkbaar met die alomtegenwoordig zijn in netwerkcommunicatie.

De sensoren zijn goedkoop en kunnen worden ingebed in constructies die anders moeilijk toegankelijk zouden zijn. Ze worden routinematig gebruikt in civiele infrastructuur (waaronder bruggen en tunnels) en in de olie- en gasindustrie. Maar ze zijn niet nauwkeurig genoeg voor sommige andere toepassingen die er anders gebruik van zouden maken, zoals het bewaken van diepvriezers, ovens, koelkasten van medische kwaliteit en bepaalde industriële processen.

Een belangrijke hit voor de nauwkeurigheid van de sensoren komt van langdurige drift. Dit gebeurt wanneer dezelfde temperatuur in de loop van de tijd resulteert in een andere meting. Door de sensor om de paar maanden opnieuw te kalibreren, wordt het probleem opgelost, maar dit kan duur en tijdrovend zijn, vooral als de sensor in beton is begraven of op een andere manier permanent in een structuur is ingebed.

In een nieuw artikel dat deze week is gepubliceerd in Sensors and Actuators A:Physical , beschrijft een wetenschapper van het National Institute of Standards and Technology (NIST) hoe hij machine learning-technieken heeft gebruikt om de langetermijnafwijking van bestaande Bragg-grating-sensortechnologie voor vezels te voorspellen. Het proof-of-concept-werk laat zien hoe een soort kunstmatige intelligentie, machine learning genaamd, onderzoekers in staat kan stellen zelfkalibrerende of zelfcorrigerende sensoren te maken met behulp van bestaande technologie.

Het biedt ook een andere optie voor wetenschappers die anders misschien tijd en geld zouden moeten besteden aan het ontwikkelen van een geheel nieuwe technologie voor hun toepassing, maar dat zou niet nodig zijn als een goedkopere, kant-en-klare sensor het werk zou kunnen doen, zegt studie auteur Zeeshan Ahmed.

"Het is een alternatieve benadering waarbij je je cake kunt hebben (de bestaande technologie behouden) en het ook kunt eten (de bijdrage van langdurige drift verminderen), " zei Ahmed. "Fiber Bragg-raspende sensoren zijn goedkoop. Waarom niet gewoon dit algoritme gebruiken, of een vergelijkbaar algoritme in deze familie van algoritmen, in plaats van vijf jaar te besteden aan het ontwikkelen van betere materialen?"

Het model van Ahmed was in staat om meetonzekerheden als gevolg van drift met ongeveer 70% te verminderen, wat mogelijk voldoende kan zijn voor het bestuderen van sommige processen die afhankelijk zijn van temperatuurregeling, zoals industriële fermentatie (het gebruik van micro-organismen om chemicaliën en medicijnen te maken).

Fiber Bragg-roosters zijn niet de enige soorten fotonische sensoren die er zijn. NIST-onderzoekers, waaronder Ahmed, hebben op chips gebaseerde fotonische thermometers ontwikkeld die, vergeleken met traditionele thermometrietechnieken, beloven kleiner en duurzamer te zijn, bestand tegen elektromagnetische interferentie en mogelijk zelfkalibrerend.

Maar die op chips gebaseerde sensoren bevinden zich nog in de testfase. De op vezels gebaseerde thermometers die het onderwerp van dit werk zijn, zijn een oudere technologie. Deze Bragg-sensoren werken door de interactie van licht te manipuleren met structuren die in een glasvezelkabel zijn geëtst. Het rooster werkt als een soort filter voor licht, waardoor alleen bepaalde golflengten door de kabel kunnen reizen. Welke golflengten worden doorgelaten, hangt af van de temperatuur en druk, evenals de afstand tussen de etsen in het rooster.

Maar na verloop van tijd, als de Bragg-sensor wordt blootgesteld aan hoge temperaturen, verandert er iets in de chemie van het apparaat om de brekingsindex van het vezelmateriaal permanent te veranderen, wat een maat is voor hoe snel licht door een medium reist. Men denkt dat die permanente verandering in de brekingsindex verantwoordelijk is voor de driftfouten.

Langdurige drift in deze sensoren veroorzaakt onzekerheden in de temperatuur variërend van 200 tot 300 millikelvin, wat overeenkomt met een derde tot een halve graad Fahrenheit (°F).

"Om concurrerend te zijn met bestaande technologie, wil je dat terugbrengen tot ongeveer de helft van die waarde, en indien mogelijk tot enkele tientallen millikelvin", zei Ahmed, het equivalent van minder dan een tiende van een graad Fahrenheit.

Algoritmeoorlogen:een nieuw model

Hoewel zijn werk resulteerde in een model dat praktisch is op een proof-of-concept-manier, was het de oorspronkelijke bedoeling van Ahmed om wetenschappers te helpen het driftprobleem beter te begrijpen.

"Ik dacht:'Als ik het directe proces kan begrijpen en het wiskundig kan compenseren, dan kan ik deze onzekerheden tot een acceptabel niveau terugbrengen'", zei Ahmed.

Ahmed wist dat je bij problemen met machine learning veel gegevens nodig hebt, dus voerde hij experimenten uit met bijna twee dozijn sensoren. Hij verzamelde vele soorten gegevens:de golflengteband van laserlicht die in de vezel wordt geleid; de kracht van dat laserlicht; het type glasvezelkabel dat wordt gebruikt; de temperatuur waaraan de vezel werd blootgesteld zoals gemeten door een aparte, zeer betrouwbare thermometer; de spectrale signatuur van het licht dat het rooster verlaat, met kenmerken zoals de intensiteit van de output bij verschillende golflengten. Hij verzamelde ook indirecte informatie, zoals hoe lang deze thermometer een bepaalde temperatuur heeft gemeten, wat de temperatuur onmiddellijk ervoor was en hoe snel de temperatuur veranderde.

Daarna begon hij verbanden te onderzoeken:de standaardpraktijk in machine learning, waarbij je gegevens op verschillende manieren plot en je hypothesen test.

"Het is een iteratief proces," zei Ahmed. "Ik regisseer het en profiteer van het opnemen van mijn natuurkundige kennis bij het bouwen van de modellen.

Zijn verkenningen met de gegevens toonden aan dat de totale hoeveelheid licht die door het rooster wordt gereflecteerd, evenals de intensiteit van het licht op elke golflengte, behulpzaam waren bij het voorspellen van toekomstige drift. Het verleden van de sensor (d.w.z. hoe snel deze werd verwarmd of afgekoeld, of hoe hoog de temperatuur was, in de uren voorafgaand aan de wijziging) droeg ook bij.

Hij ontdekte dat een auto-regressief geïntegreerd voortschrijdend gemiddelde (ARIMA) het beste werkt, een klasse van wiskundige modellen die in de jaren zeventig is gemaakt. ARIMA-modellen zijn goed voor voorspellingsproblemen, zoals het bepalen van de toekomstige vraag naar voedsel of welke voorraden omhoog zullen schieten.

"Ik gebruik niet de meest geavanceerde techniek," zei Ahmed. "Dat is eigenlijk een van de punten in de krant:zelfs de oudere methoden kunnen je veel informatie geven."

Het nadeel is dat dit model alleen op de korte termijn werkt - voor drift die optreedt over een paar weken in plaats van maanden of jaren.

Ahmed zegt dat een tweede algoritmedocument, dat nog wordt beoordeeld, zijn poging beschrijft om een ​​echt op fysica gebaseerd model te maken dat de fundamentele relatie tussen golflengte en temperatuur in zowel op vezels als op chips gebaseerde fotonische thermometers legt.

'Dat zou nog beter zijn,' zei Ahmed. "Als we een op fysica gebaseerd model hebben, kunnen we beschrijven hoe de fysica in de loop van de tijd verandert en dat dit de veranderingen in de kalibratie van deze apparaten veroorzaakt. En dan zouden we echt kunnen begrijpen en kwantificeren wat er met je sensor gebeurt." + Verder verkennen

Saffiervezel kan schonere energie en luchtreizen mogelijk maken

Dit verhaal is opnieuw gepubliceerd met dank aan NIST. Lees hier het originele verhaal.