Los termómetros fotónicos, que miden la temperatura usando luz, han existido en forma de fibra óptica durante décadas. Estos dispositivos, llamados rejillas de Bragg de fibra, están integrados en fibras disponibles comercialmente más delgadas que un cabello humano, similares a las que se encuentran en todas partes en las comunicaciones de red.

Económicos y con la capacidad de integrarse en estructuras a las que de otro modo sería difícil acceder, los sensores se utilizan habitualmente en infraestructura civil (que incluye puentes y túneles) y en las industrias del petróleo y el gas. Pero no son lo suficientemente precisos para algunas otras aplicaciones que de otro modo podrían utilizarlos, incluida la supervisión de congeladores, hornos, refrigeradores de grado médico y ciertos procesos industriales.

Un impacto significativo en la precisión de los sensores proviene de la deriva a largo plazo. Esto ocurre cuando, con el tiempo, la misma temperatura da como resultado una lectura diferente. Recalibrar el sensor cada pocos meses soluciona el problema, pero esto puede ser costoso y llevar mucho tiempo, especialmente si el sensor está enterrado en concreto o incrustado permanentemente en una estructura.

En un nuevo artículo publicado esta semana en Sensores y Actuadores A:Físico , un científico del Instituto Nacional de Estándares y Tecnología (NIST) describe cómo ha utilizado técnicas de aprendizaje automático para predecir la deriva a largo plazo de la tecnología de sensores de rejilla de Bragg de fibra existente. El trabajo de prueba de concepto muestra cómo un tipo de inteligencia artificial llamado aprendizaje automático puede permitir a los investigadores crear sensores de autocalibración o autocorrección utilizando la tecnología existente.

También presenta otra opción para los científicos que, de otro modo, tendrían que gastar tiempo y dinero para desarrollar una tecnología completamente nueva para su aplicación, pero que no tendrían que hacerlo si un sensor más barato y listo para usar pudiera hacer el trabajo, dice el autor del estudio Zeeshan. Ahmed.

"Es un enfoque alternativo en el que puedes tener tu pastel (mantener la tecnología existente) y comértelo también (reducir la contribución de la deriva a largo plazo)", dijo Ahmed. "Los sensores de rejilla de Bragg de fibra son baratos. En lugar de dedicar cinco años a desarrollar mejores materiales, ¿por qué no usar este algoritmo o uno similar en esta familia de algoritmos?"

El modelo de Ahmed pudo reducir las incertidumbres de medición debido a la deriva en aproximadamente un 70 %, lo que podría ser suficiente para estudiar algunos procesos que dependen del control de la temperatura, como la fermentación industrial (el uso de microorganismos para crear productos químicos y medicamentos).

Las rejillas de Bragg de fibra no son los únicos tipos de sensores fotónicos que existen. Los investigadores del NIST, incluido Ahmed, han estado desarrollando termómetros fotónicos basados ​​en chips que, en comparación con las técnicas tradicionales de termometría, prometen ser más pequeños y duraderos, resistentes a las interferencias electromagnéticas y potencialmente autocalibrables.

Pero esos sensores basados ​​en chips todavía están en la fase de prueba. Los termómetros a base de fibra que son objeto de este trabajo son una tecnología más antigua. Estos sensores de Bragg funcionan manipulando la interacción de la luz con estructuras grabadas en un cable de fibra óptica. La rejilla funciona como una especie de filtro para la luz, permitiendo que solo ciertas longitudes de onda viajen a través del cable. Las longitudes de onda permitidas dependen de la temperatura y la presión, así como del espacio entre los grabados en la rejilla.

Pero con el tiempo, a medida que el sensor Bragg se expone a altas temperaturas, algo cambia en la química del dispositivo para cambiar permanentemente el índice de refracción del material de fibra, que es una medida de qué tan rápido viaja la luz a través de un medio. Se cree que ese cambio permanente en el índice de refracción es responsable de los errores de deriva.

La deriva a largo plazo en estos sensores provoca incertidumbres en la temperatura que oscilan entre 200 y 300 milikelvin, lo que equivale a un tercio a medio grado Fahrenheit (°F).

"Para ser competitivo con la tecnología existente, debes reducirlo a aproximadamente la mitad de ese valor y, si es posible, a unas pocas decenas de milikelvin", el equivalente a menos de una décima de grado Fahrenheit, dijo Ahmed.

Guerras de algoritmos:un nuevo modelo

Aunque su trabajo dio como resultado un modelo que es práctico como prueba de concepto, la intención original de Ahmed era ayudar a los científicos a comprender mejor el problema de la deriva.

"Pensé:'Si puedo entender el proceso directo y compensarlo matemáticamente, entonces puedo reducir estas incertidumbres a un nivel aceptable'", dijo Ahmed.