Distributed acoustic sensing
PulseAugur coverage of Distributed acoustic sensing — every cluster mentioning Distributed acoustic sensing across labs, papers, and developer communities, ranked by signal.
-
新型检测器解耦容错性和低信噪比鲁棒性
研究人员开发了一种新方法，用于解耦事件检测系统中的两种鲁棒性：容错性和低信噪比（SNR）鲁棒性。他们使用来自地震波形、井下DAS和工业振动的数据创建了一个基准，并将它们映射到通用表示。虽然标准检测器在干净数据上的性能相似，但新型容错检测器CEPHALON在加性噪声条件下的性能显著提高，表明训练方法比架构冗余对于实现低信噪比鲁棒性更为关键。
-
芬兰利用海底电缆作为传感器检测海底威胁
芬兰已实施一项新系统，通过将海底通信电缆重新用作分布式声学传感器来保护它们。这项技术由芬兰公司和学术机构合作开发，可检测海底的振动，并向当局发出潜在威胁警报。该系统旨在提供对可疑活动的早期预警，例如“影子舰队”的锚定拖曳，此类活动在全球范围内日益针对关键的海底基础设施。
-
新的 $\phi$-OTDR 系统通过 Sagnac 干涉仪增强声学传感
研究人员开发了一种新的 Sagnac 辅助增强型相敏光时域反射计（$\phi$-OTDR）系统，以改进分布式声学传感（DAS）。该架构通过使用 Sagnac 干涉仪来补充 $\phi$-OTDR 数据，解决了偏振引起的衰落和环境干扰等性能下降问题。还创建了一个标准化的基准框架来评估不同的事件识别模型，其中一个双分支融合模型在 10 公里光纤上对六种声学事件类别实现了 89.79% 的准确率。
-
新的DAStatFormer模型增强了DAS模式识别能力
研究人员开发了DAStatFormer，这是一种新颖的混合Transformer模型，专为分布式声学传感（DAS）数据中的模式识别而设计。该模型集成了来自时间、波形和频谱域的统计特征，在保留关键信息的同时显著减小了数据量。实验表明，DAStatFormer实现了高精度和高效率，适用于实时监控应用。
-
新FiLark框架简化分布式声学传感数据分析
研究人员开发了FiLark，一个新颖的Python框架，专为分布式声学传感（DAS）数据设计。该框架采用面向流式处理的方法，能够对DAS数据流进行连续探索、标注和算法集成。FiLark支持对长录音进行交互式可视化，且内存使用恒定，并允许在数据流中直接标注事件，以创建适用于机器学习的数据集。它还包括GPU加速的信号处理功能，以及用于集成实时探测器和模型的标准化接口。
-
光纤传感高精度监测海底电缆暴露情况
研究人员开发了一个新的框架，使用分布式声学传感（DAS）来监测海底电力电缆暴露长度的变化。该方法采用基于回归的特征提取技术，即使在训练数据有限的情况下也能识别异常。在波浪水槽中的实验证明了该系统的有效性，实现了异常分数与暴露长度变化之间的强相关性，以及二元分类的高F1分数。