一大氣壓psi的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列懶人包和總整理

利用蝕刻多模光纖與傾斜研磨技術製作開放式共振腔Fabry-Pérot光纖干涉儀探針式感測器

為了解決一大氣壓psi的問題，作者謝閔安 這樣論述：

Fabry-Pérot光纖干涉儀感測器具有高靈敏度、低成本、體積小、耐高溫及抗電磁干擾等優點，因此近年來被許多研究學者廣泛提出並運用在各領域。過去研究常利用高功率雷射或大錯位熔接製作開放式共振腔，但會有製程設備繁瑣而昂貴或感測器機械強度過低等問題。因此，本篇論文提出利用蝕刻之多模光纖熔接一段切平之光子晶體光纖，再以傾斜研磨來製作開放式共振腔Fabry-Pérot光纖干涉儀探針式感測器，傾斜研磨與化學蝕刻製程可降低製作的成本。此外，我們利用同軸熔接，可有效地加強感測器的機械強度。 我們利用所提出之開放式共振腔Fabry-Pérot光纖干涉儀探針式感測器對環境溫度、折射率以及氣壓進行感測。

當環境溫度範圍由30℃至100℃，元件的溫度感測靈敏度為−2.2pm/℃，代表元件對環境溫度並不靈敏，對其他參數量測的影響甚微。在折射率1.333~1.3448之間，測得元件折射率感測靈敏度為1128.1nm/RIU。而氣壓由0psi提升到100psi，測得元件對氣壓的感測靈敏度為28.31pm/psi，與其他全光纖氣壓感測器相比具有良好的靈敏度。綜合以上感測結果表現及元件之探針式結構，證實我們所製作的開放式共振腔Fabry-Pérot光纖干涉儀探針感測器在工業環境感測上具有良好的應用潛力。

深度學習於新穎微機電氣壓感測器之 分析與應用

為了解決一大氣壓psi的問題，作者陳舜詮 這樣論述：

為了讓微機電元件的設計與分析更有效率，以本論文提出神經網路輔助設計系統，以神經網路分析替代有限元素法分析來縮短微機電感測器工程之開發時間，透過深度學習模型多層感知器MLP(Multilayer Perceptron)神經網路訓練微機電元件的條件參數，以多變數迴歸分析的方式預測元件受力之輸出結果。而程式的編譯在Google Colab上即可匯入資料、模型訓練、輸出結果，藉此在設計開發上可更有效率地分析。本論文有兩個研究重點，首先我們設計兩種結構之壓阻式氣壓計，分別為均質結構氣壓計、複合結構氣壓計。針對均質結構氣壓計，我們有進行晶片委託製作，並會在文中依序介紹其晶片的佈局、讀取電路以及氣壓計訊號

量測結果。而針對複合結構氣壓計，因為委託製作時程的關係，我們僅建構等效模型進行模擬分析，並研究模型尺寸變化、外部壓力對於結構應力與形變的影響。第二我們結合複合結構的模擬在Colab建構了神經網路系統，該系統能夠預測複合結構氣壓計在不同的條件下其輸出的結果。神經網路預測的準確率決定了系統的可信度，因此在本文會依次介紹我們透過超參數調整的方法降低了模型的損失，以及降低預測的誤差。經實驗結果顯示，均質結構氣壓計在氣壓變化範圍為0~10 psi時，氣壓計對氣壓變化十分敏感，透過放大電路將訊號放大500倍並讀取後，靈敏度約為0.023 V/psi。對於神經網路預測系統，透過超參數試驗的方法，訓練模型有最

小化的損失為3.3408 x 10-7 而對於不同條件下複合結構模型的預測誤差皆小於2%，說明本文提出的系統為可信的。