分布式声学传感（DAS）可实现百公里级大范围振动监测，在管道泄漏预警、地质灾害防控、基础设施运维等场景应用广泛。但在现场环境中，车辆通行、风雨干扰等背景噪声常掩盖管道微泄漏、结构微形变等弱振动信号，导致传统算法定位误差大、事件误判率高，制约了技术的应用推广。近日，中心团队提出LR-Net 深度学习网络，成功破解了复杂环境下弱振动事件定位难、识别准度低的行业痛点，为城市生命线监测、能源管线防护等领域提供了技术新方案。
图1 相关工作示意图
该方案构建了“特征增强-双任务协同”的创新架构：针对弱信号易被噪声淹没的问题，通过引入注意力机制与多尺度特征融合模块，强化振动事件的细微特征提取；同时集成 “事件识别”与“位置定位”双任务学习，在区分泄漏、施工、自然振动等不同事件类型的同时，将事件定位精度提升至米级，准确率达到99%以上。相关成果以《LR-Net for Weak Vibration Event Location and Recognition with DAS》为题发表在仪器领域国际知名期刊《IEEE Sensors Journal》。该论文的通讯作者为张旭苹教授与张益昕教授，第一作者为博士研究生闫森。合作单位山科院激光研究所尚盈研究员亦为研究提供重要指导。
图2 论文扉页
论文链接：https://ieeexplore.ieee.org/document/11195999
（闫森报道）