Mahmud, Rabiul Al (2026) Multimode Fiber Specklegram Sensing for Simultaneous Multi-Point and Multi-Parameter Estimation Using Physics-Guided Frameworks and Learning-Based Methods. PhD thesis, King Fahd University of Petroleum and Minerals.

PDF PhD_Dissertation_Rabiul_Al_Mahmud.pdf - Accepted Version Restricted to Repository staff only until 29 June 2027. Available under License Creative Commons Attribution. Download (7MB)

Arabic Abstract

يوفر استشعار مخطط البقع (Specklegram) للألياف الضوئية متعددة الأنماط (MMF) منصة بصرية مدمجة تُرمَّز فيها الاضطرابات الخارجية كأنماط شدة عالية الأبعاد ناتجة عن التداخل متعدد الأنماط. على الرغم من أن الدراسات السابقة أثبتت إمكانات قوية لاستشعار معلمة واحدة، إلا أن التقدير المتزامن متعدد النقاط ومتعدد المعلمات لا يزال يمثل تحدياً لأن استجابات مخطط البقع غير خطية وموزعة مكانياً وغالباً ما تكون ذات حساسية متقاطعة. تبحث هذه الأطروحة في استشعار مخطط البقع للألياف متعددة الأنماط للتقدير المتزامن باستخدام أطر قائمة على التعلم وموجّهة فيزيائياً. أولاً، تم تقديم مجموعة بيانات مرجعية تجريبية منظمة لاستشعار القوة متعدد المواضع، تتكون من 11,000 صورة مخطط بقع ذات تدرج رمادي منظمة في 550 سجلاً عبر خمس جلسات اكتساب مستقلة، إلى جانب تقييم بالتعلم الآلي الأساسي وتحليل قابلية إعادة الإنتاج. ثانياً، تم تطوير إطار تعلم عميق قائم على مشفر تلقائي بوصلات تخطي (Skip-Connected Autoencoder) للتقدير المستمر المتزامن للقوة في ثلاثة مواضع على طول ليف ضوئي متعدد الأنماط واحد باستخدام نفس مجموعة البيانات. حقق النموذج معامل تحديد R² يبلغ 0.9989، مع أكثر من 99% من التنبؤات ضمن ±0.02 نيوتن عبر نطاق قوة من 0.26 إلى 1.26 نيوتن. ثالثاً، تم تطوير إطار عددي موجّه فيزيائياً لمخطط البقع للألياف متعددة الأنماط للتقدير المتزامن للمجال المغناطيسي ودرجة الحرارة في ظل الحساسية المتقاطعة الجوهرية، محققاً دقة تصنيف 96.45% للمرتبة الأولى (Top-1) و99.14% للمرتبة الثانية (Top-2) باستخدام استراتيجية استرجاع ثنائية المرحلة. أخيراً، تم عرض مستشعر مخطط البقع بليف ضوئي متعدد الأنماط مستدق (Tapered MMF) للاستشعار المتزامن لمحلول كلوريد الصوديوم (NaCl) والسكروز، حيث حققت شبكة عصبية التفافية مدمجة (CNN) دقة اختبار 92.48% ومعيار F1 الكلي (Macro-F1) 0.9043 عبر 25 فئة من المحاليل المختلطة. بشكل عام، تُثبت هذه الأطروحة أن استشعار مخطط البقع للألياف متعددة الأنماط يمثل منصة متعددة الاستخدامات لتطبيقات الاستشعار الموزع والمقترن باستخدام الاستدلال القائم على البيانات والموجّه فيزيائياً.

English Abstract

Multimode fiber (MMF) specklegram sensing provides a compact optical platform in which external perturbations are encoded as high-dimensional intensity patterns generated by multimodal interference. Although previous studies have demonstrated strong potential for single-parameter sensing, simultaneous multi-point and multi-parameter estimation remains challenging because specklegram responses are nonlinear, spatially distributed, and often cross-sensitive. This dissertation investigates MMF specklegram sensing for simultaneous estimation using learning-based and physics-guided frameworks. First, a structured experimental benchmark dataset is presented for multi-position force sensing, comprising 11,000 grayscale specklegram images organized into 550 records across five independent acquisition sessions, together with baseline machine learning evaluation and reproducibility analysis. Second, a deep learning framework based on a skip-connected autoencoder is developed for simultaneous continuous force estimation at three positions along a single MMF using the same dataset. The model achieves a regression R² of 0.9989, with more than 99% of predictions within ±0.02 N over a force range of 0.26-1.26 N. Third, a physics-guided numerical framework of MMF specklegram is developed for simultaneous magnetic field and temperature estimation under intrinsic cross-sensitivity, achieving 96.45% Top-1 and 99.14% Top-2 classification accuracy using a two-stage retrieval strategy. Finally, a tapered MMF specklegram sensor is demonstrated for simultaneous NaCl-sucrose solution sensing, where a compact CNN achieves 92.48% test accuracy and 0.9043 macro-F1 over 25 mixed-solution classes. Overall, the dissertation establishes MMF specklegram sensing as a versatile platform for distributed and coupled sensing applications using data-driven and physics-guided inference.