Das Suchergebnis hat sich seit Ihrer Suchanfrage verändert. Eventuell werden Dokumente in anderer Reihenfolge angezeigt.
  • Treffer 51 von 531
Zurück zur Trefferliste

Development of artificial neural networks for real time and high resolution strain sensing

  • We propose a method based on artificial neural networks to extract strain information from wavelength-scanning coherent optical time domain reflectometry (C-OTDR) data. Our neural network algorithm performs more than two orders of magnitude faster than the conventional approach. This is due to the highly parallel evaluation of the neural networks on a GPU accelerated computer and the fact that conventional correlation and interpolation analysis needs many Iteration steps. This opens the way for real-time C-OTDR strain sensing because the neural Network strain predictions require less time than the measurements themselves. Real-time data Analysis enables long-term sensing e.g. in structural health monitoring, because the large amount of raw data does not have to be stored but can immediately be reduced to the strain data of interest.

Volltext Dateien herunterladen

  • C_Karapanagiotis_master_thesis.pdf
    eng

Metadaten exportieren

Weitere Dienste

Teilen auf Twitter Suche bei Google Scholar Anzahl der Zugriffe auf dieses Dokument
Metadaten
Autor*innen:Christos Karapanagiotis
Dokumenttyp:Vortrag
Veröffentlichungsform:Präsentation
Sprache:Englisch
Jahr der Erstveröffentlichung:2018
Organisationseinheit der BAM:8 Zerstörungsfreie Prüfung
8 Zerstörungsfreie Prüfung / 8.6 Faseroptische Sensorik
DDC-Klassifikation:Naturwissenschaften und Mathematik / Chemie / Analytische Chemie
Freie Schlagwörter:Distributed fiber-optic sensors; Dynamic strain sensing; Machine learning
Themenfelder/Aktivitätsfelder der BAM:Umwelt
Umwelt / Sensorik
Veranstaltung:Workshop (in collaboration with KIT)
Veranstaltungsort:Online meeting
Beginndatum der Veranstaltung:27.08.2018
Verfügbarkeit des Dokuments:Datei im Netzwerk der BAM verfügbar ("Closed Access")
Datum der Freischaltung:24.03.2021
Referierte Publikation:Nein
Eingeladener Vortrag:Nein
Einverstanden
Diese Webseite verwendet technisch erforderliche Session-Cookies. Durch die weitere Nutzung der Webseite stimmen Sie diesem zu. Unsere Datenschutzerklärung finden Sie hier.