This paper proposes the use of the fiber Bragg grating (FBG) temperature sensors array to estimate the fluid level. The tank is 100 cm in height and 30 cm in width, with 9 FBG sensors distributed along with the tank height. This work proposes level estimation in two steps: level detection (classification) and level estimation (regression). The level detection consists of finding under which FBG the level is. We dichotomize the classes in water and not water: air. For the detection, we use the following Machine Learning (ML) algorithms: Logistic Regression (LogR), Decision Tree (DT), and Support Vector Machine (SVM). We chose the algorithms based on their usability in literature and theoretical consolidation. The algorithm with the best results among the ones tested is DT, resulting in an average accuracy of 89.54%. For the level estimation, we use the wavelength shift in conjunction with the classification obtained via DT. The level estimation consists of estimating in cm the location of the level. The algorithms chosen are Weighted Linear Regression (WLR), Support Vector Regression (SVR), SVR with kernel selection minimize cost (SVRmin). Each of the applied algorithms presented better results in different level intervals. Thus, we propose the Mixed Model (MM), which selects the lowest Root Mean Square Error (RMSE) among the tested regression algorithms at each level and associates it with it. The MM has a RMSE of 3.56 cm, which is approximately four times smaller than when using WLR. The SVM and SVMmin have RMSE of 6.28 cm and 6.14 cm, respectively.

本文提出使用光纤布拉格光栅 (FBG) 温度传感器阵列来估计液位。坦克高100厘米，宽30厘米，9个FBG传感器沿坦克高度分布。这项工作提出了两个步骤的水平估计：水平检测（分类）和水平估计（回归）。电平检测包括查找电平在哪个 FBG 下。我们将水的类别分为水而不是水：空气。对于检测，我们使用以下机器学习 (ML) 算法：逻辑回归 (LogR)、决策树 (DT) 和支持向量机 (SVM)。我们根据它们在文献和理论整合中的可用性来选择算法。测试结果最好的算法是DT，平均准确率为89.54%。对于水平估计，我们将波长偏移与通过 DT 获得的分类结合使用。水平估计包括以厘米为单位估计水平的位置。选择的算法是加权线性回归 (WLR)、支持向量回归 (SVR)、使用内核选择最小化成本的 SVR (SVRmin)。每种应用的算法在不同的水平区间都呈现出更好的结果。因此，我们提出了混合模型 (MM)，它在每个级别的测试回归算法中选择最低的均方根误差 (RMSE) 并将其与其关联。MM 的 RMSE 为 3.56 cm，大约比使用 WLR 时小四倍。SVM 和 SVMmin 的 RMSE 分别为 6.28 cm 和 6.14 cm。水平估计包括以厘米为单位估计水平的位置。选择的算法是加权线性回归 (WLR)、支持向量回归 (SVR)、使用内核选择最小化成本的 SVR (SVRmin)。每种应用的算法在不同的水平区间都呈现出更好的结果。因此，我们提出了混合模型 (MM)，它在每个级别的测试回归算法中选择最低的均方根误差 (RMSE) 并将其与其关联。MM 的 RMSE 为 3.56 cm，大约比使用 WLR 时小四倍。SVM 和 SVMmin 的 RMSE 分别为 6.28 cm 和 6.14 cm。水平估计包括以厘米为单位估计水平的位置。选择的算法是加权线性回归 (WLR)、支持向量回归 (SVR)、使用内核选择最小化成本的 SVR (SVRmin)。每种应用的算法在不同的水平区间都呈现出更好的结果。因此，我们提出了混合模型 (MM)，它在每个级别的测试回归算法中选择最低的均方根误差 (RMSE) 并将其与其关联。MM 的 RMSE 为 3.56 cm，大约比使用 WLR 时小四倍。SVM 和 SVMmin 的 RMSE 分别为 6.28 cm 和 6.14 cm。每种应用的算法在不同的水平区间都呈现出更好的结果。因此，我们提出了混合模型 (MM)，它在每个级别的测试回归算法中选择最低的均方根误差 (RMSE) 并将其与其关联。MM 的 RMSE 为 3.56 cm，大约比使用 WLR 时小四倍。SVM 和 SVMmin 的 RMSE 分别为 6.28 cm 和 6.14 cm。每种应用的算法在不同的水平区间都呈现出更好的结果。因此，我们提出了混合模型 (MM)，它在每个级别的测试回归算法中选择最低的均方根误差 (RMSE) 并将其与其关联。MM 的 RMSE 为 3.56 cm，大约比使用 WLR 时小四倍。SVM 和 SVMmin 的 RMSE 分别为 6.28 cm 和 6.14 cm。