Evaluación del uso de técnicas de machine learning para el análisis de patrones de interferencia modal en sensores de specklegramas de fibra óptica

Abstract

Los sensores de specklegrama de fibra óptica (FSS), basan su funcionamiento en el análisis de las imágenes tipo speckle que se obtienen a la salida de una fibra multimodo. Estos specklegramas contienen información del estado de la fibra, por ejemplo, una variación de temperatura sobre la fibra cambia la distribución del speckle. Algunos métodos convencionales para analizar este speckle han sido: correlación entre imágenes, medición de potencia y momentos radiales. La principal problemática de estos métodos es su rango dinámico limitado. Por esta razón, este trabajo presenta la evaluación de algunas técnicas de machine learning sobre los FSS y su comparación con los métodos mencionados. En la primera etapa, se utilizó una simulación FEM (método de elementos finitos) en la plataforma Comsol enlazada con Matlab para generar los specklegramas. Con simulación se crearon varios conjuntos de datos para evaluar algunas técnicas de machine learning y su comparación con los métodos convencionales. Para ello, se desarrollaron varios modelos de redes convolucionales y se entrenaron para predecir temperaturas con specklegramas sintéticos. En estas pruebas se demostró la superioridad de las redes convolucionales sobre los métodos convencionales.En la segunda etapa, se desarrolló un sistema automatizado para la adquisición de specklegramas experimentales con control PID. Con este se adquirió un conjunto de specklegramas con temperaturas de 25 °C a 200 °C. Estos specklegramas se usaron para entrenar distintas arquitecturas desde redes neuronales clásicas (ANN), redes convolucionales (CNN) y un Transformer de visión (ViT). Las arquitecturas propuestas se compararon con los métodos convencionales y tuvieron un rango dinámico casi 12 veces mayor en la predicción de temperatura. La mejor arquitectura en términos de desempeño y costo computacional fue la MNet-reg. Esta tuvo un error RMSE de 0.943 °C, un tiempo de inferencia de 0.0556 segundos y un número total de parámetros de 6378689.Se concluye que, el método de análisis para los sensores FSS presentado en esta tesis, mejora radicalmente características metrológicas como el rango dinámico y la sensibilidad, de esta manera se hace cada vez cercano a su implementación en otros entornos diferentes al de laboratorio