支持向量回归提升光纤光栅非均匀应变重构精度

本文主要探讨了支持向量回归算法在光纤光栅非均匀应变重构中的应用。光纤光栅因其敏感性，常被用于结构健康监测技术中，以检测材料或器件内部的微小应变变化。然而，当布拉格光栅轴向存在较大的应变梯度时，其反射光谱会发生显著扭曲，可能导致多峰现象，这给精确测量非均匀应变分布带来了挑战。传统的应变重构方法在面对测试噪声的影响时，往往会导致重构精度下降。 为了克服这个问题，研究者提出了一种创新的方法，即使用支持向量机（SVM）对含噪的反射光谱进行预处理。SVM作为一种强大的机器学习工具，以其全局优化和泛化能力，能够有效地抑制噪声，从而提取出反映真实应变信息的反射光谱特征。这种方法将反射光谱视作时间序列数据，通过对数据的处理，降低了噪声对重构结果的影响。 此外，文章还采用了改进的遗传优化算法结合传输矩阵反射光谱构建方法，对布拉格光栅轴向的应变分布进行并行重构。传输矩阵法将复杂的非均匀应变分布划分为多个均匀的部分，这样便于遗传优化算法的处理，提高了计算效率。通过这种方法，研究人员可以准确地识别和重构出不同应变分布形式下的光栅轴向应变。 仿真研究表明，支持向量机回归策略在实际应用中表现出较高的效果，显著提高了非均匀应变分布重构的精度。这不仅为光纤光栅在结构健康监测领域的应用提供了新的技术手段，也为其他领域如材料科学、精密工程中的应变测量提供了有价值的参考。 总结来说，本文的核心贡献在于结合了支持向量机和遗传优化算法，开发了一种有效的方法来处理光纤光栅的反射光谱数据，以提高非均匀应变分布的重构精度。这种方法的应用为光纤光学健康监测技术的发展开辟了新路径，对于保障结构安全和早期故障诊断具有重要意义。