I termometri fotonici, che misurano la temperatura usando la luce, sono in circolazione da decenni sotto forma di fibra ottica. Questi dispositivi, chiamati reticoli di Bragg in fibra, sono incorporati in fibre disponibili in commercio più sottili di un capello umano, simili a quelle onnipresenti nelle comunicazioni di rete.

Economici e con la possibilità di essere incorporati in strutture che altrimenti potrebbero essere di difficile accesso, i sensori vengono utilizzati abitualmente nelle infrastrutture civili (che includono ponti e tunnel) e nelle industrie petrolifere e del gas. Ma non sono abbastanza precisi per altre applicazioni che potrebbero altrimenti farne uso, incluso il monitoraggio di congelatori, forni, frigoriferi per uso medico e alcuni processi industriali.

Un colpo significativo alla precisione dei sensori viene dalla deriva a lungo termine. Ciò si verifica quando, nel tempo, la stessa temperatura determina una lettura diversa. Ricalibrare il sensore ogni pochi mesi risolve il problema, ma può essere costoso e richiedere molto tempo, soprattutto se il sensore è sepolto nel cemento o altrimenti incorporato in modo permanente in una struttura.

In un nuovo articolo pubblicato questa settimana in Sensori e attuatori A:fisici , uno scienziato del National Institute of Standards and Technology (NIST) descrive come ha utilizzato le tecniche di apprendimento automatico per prevedere la deriva a lungo termine della tecnologia dei sensori a reticolo di Bragg in fibra esistente. Il lavoro di proof-of-concept mostra come un tipo di intelligenza artificiale chiamata machine learning può consentire ai ricercatori di realizzare sensori autocalibranti o autocorrettivi utilizzando la tecnologia esistente.

Presenta anche un'altra opzione per gli scienziati che altrimenti potrebbero dover spendere tempo e denaro per sviluppare una tecnologia completamente nuova per la loro applicazione, ma non dovrebbero farlo se un sensore standard più economico potesse fare il lavoro, afferma l'autore dello studio Zeeshan Ahmed.

"È un approccio alternativo in cui puoi avere la tua torta (mantenere la tecnologia esistente) e mangiarla anche (ridurre il contributo della deriva a lungo termine)", ha detto Ahmed. "I sensori a reticolo di Bragg in fibra sono economici. Invece di dedicare cinque anni allo sviluppo di materiali migliori, perché non utilizzare semplicemente questo algoritmo o uno simile in questa famiglia di algoritmi?"

Il modello di Ahmed è stato in grado di ridurre le incertezze di misura dovute alla deriva di circa il 70%, il che potrebbe essere potenzialmente sufficiente per studiare alcuni processi che si basano sul controllo della temperatura, come la fermentazione industriale (l'uso di microrganismi per creare sostanze chimiche e medicinali).

I reticoli di Bragg in fibra non sono gli unici tipi di sensori fotonici in circolazione. I ricercatori del NIST, tra cui Ahmed, hanno sviluppato termometri fotonici basati su chip che, rispetto alle tradizionali tecniche di termometria, promettono di essere più piccoli e durevoli, resistenti alle interferenze elettromagnetiche e potenzialmente autocalibranti.

Ma quei sensori basati su chip sono ancora in fase di test. I termometri a fibra oggetto di questo lavoro sono una tecnologia più vecchia. Questi sensori Bragg funzionano manipolando l'interazione della luce con le strutture incise in un cavo in fibra ottica. Il reticolo funziona come una sorta di filtro per la luce, consentendo solo a determinate lunghezze d'onda di viaggiare attraverso il cavo. Le lunghezze d'onda consentite dipendono dalla temperatura e dalla pressione, nonché dalla distanza tra le incisioni nel reticolo.

Ma nel tempo, poiché il sensore di Bragg è esposto a temperature elevate, qualcosa cambia nella chimica del dispositivo per modificare in modo permanente l'indice di rifrazione del materiale in fibra, che è una misura della velocità con cui la luce viaggia attraverso un mezzo. Si ritiene che il cambiamento permanente dell'indice di rifrazione sia responsabile degli errori di deriva.

La deriva a lungo termine in questi sensori provoca incertezze nella temperatura che vanno da 200 a 300 millikelvin, equivalenti a un terzo a mezzo grado Fahrenheit (°F).

"Per essere competitivo con la tecnologia esistente, vuoi ridurlo a circa la metà di quel valore e, se possibile, a poche decine di millikelvin", l'equivalente di meno di un decimo di grado Fahrenheit, ha detto Ahmed.

Guerre degli algoritmi:un nuovo modello

Sebbene il suo lavoro abbia portato a un modello pratico in un modo proof-of-concept, l'intenzione originale di Ahmed era quella di aiutare gli scienziati a comprendere meglio il problema della deriva.

"Ho pensato:'Se posso capire il processo diretto e compensarlo matematicamente, allora posso ridurre queste incertezze a un livello accettabile'", ha detto Ahmed.

Ahmed sapeva che nei problemi di apprendimento automatico sono necessari molti dati, quindi ha condotto esperimenti con quasi due dozzine di sensori. Ha raccolto molti tipi di dati:la banda di lunghezze d'onda della luce laser che viene convogliata nella fibra; la potenza di quella luce laser; il tipo di cavo in fibra ottica utilizzato; la temperatura a cui è stata esposta la fibra misurata da un termometro separato altamente affidabile; la firma spettrale della luce in uscita dal reticolo, con caratteristiche come l'intensità dell'uscita a diverse lunghezze d'onda. Ha anche raccolto informazioni circostanziali come, per quanto tempo questo termometro ha misurato una certa temperatura, qual era la temperatura immediatamente prima e quanto velocemente la temperatura è cambiata.

Quindi ha iniziato a esplorare le connessioni, una pratica standard nell'apprendimento automatico, in cui si tracciano i dati in modi diversi e si verificano le ipotesi.

"È un processo iterativo", ha detto Ahmed. "Lo sto dirigendo e approfitto dell'incorporazione delle mie conoscenze di fisica nella creazione dei modelli.

Le sue esplorazioni con i dati hanno mostrato che la quantità totale di luce riflessa dal reticolo, così come l'intensità della luce a ciascuna lunghezza d'onda, erano utili per prevedere la deriva futura. Ha contribuito anche la storia passata del sensore (ad esempio, quanto velocemente è stato riscaldato o raffreddato, o quanto era alta la temperatura nelle ore precedenti il ​​cambiamento).

Ha scoperto che ciò che funziona meglio è una media mobile integrata auto-regressiva (ARIMA), una classe di modelli matematici creati negli anni '70. I modelli ARIMA sono utili per problemi di previsione, come determinare la domanda futura di cibo o quali azioni aumenteranno alle stelle.

"Non sto usando la tecnica più avanzata", ha detto Ahmed. "Questo è in realtà uno dei punti del documento:anche i metodi più vecchi possono darti molte informazioni."

Lo svantaggio è che questo modello funziona solo a breve termine, per la deriva che si verifica nell'arco di poche settimane anziché mesi o anni.

Ahmed afferma che un secondo documento sull'algoritmo, ancora in fase di revisione, descrive in dettaglio il suo tentativo di creare un vero modello basato sulla fisica che esponga la relazione fondamentale tra lunghezza d'onda e temperatura nei termometri fotonici basati su fibra e chip.

"Sarebbe ancora meglio", ha detto Ahmed. "Se disponiamo di un modello basato sulla fisica, allora possiamo descrivere come la fisica sta cambiando nel tempo e ciò sta causando i cambiamenti nella calibrazione di questi dispositivi. E quindi potremmo davvero capire e quantificare cosa sta succedendo al tuo sensore". + Esplora ulteriormente

La fibra di zaffiro potrebbe consentire energia e viaggi aerei più puliti

Questa storia è stata ripubblicata per gentile concessione del NIST. Leggi la storia originale qui.