地下管道泄漏秒级别精准报警，数十公里外施工入侵实时定位 —— 这两项此前受限于技术瓶颈的管线监测难题，如今正被一项研究成果成功突破。南大团队创新性提出的LR-Net 深度学习网络，让普通通信光纤具备了 “精准识别 + 精确定位” 的双重智慧，彻底破解了分布式声学传感（DAS）技术在弱振动监测中的行业瓶颈。
藏在地下的 “生命线危机”，监测为何这么难？
油气管道、城市管廊这些深埋地下的 “生命线”，时刻面临着看不见的威胁：管道老化产生的微泄漏，初期振动信号比雨滴砸地还微弱；第三方施工的小型机械作业，很容易被车流、风雨噪声掩盖。某油田曾因未能及时察觉轻微泄漏，最终造成数百万元的维修损失和环境污染。
作为破解这一难题的核心技术，DAS 能将普通通信光缆转化为百公里级的 “分布式听觉传感器”，每米光纤都是一个监测点。但在实际应用中，它却一直被两个问题困扰：一是弱信号 “认不出”：管道微泄漏、结构微形变等关键信号，常被环境噪声淹没，传统算法要么漏判隐患，要么把风吹草动误当成险情，有效报警准确率不足 70%；二是故障点 “找不准”：即使检测到异常，定位误差往往超过 10 米，维修人员仍需在长管段上反复排查，严重延误处置时机。
LR-Net 双任务突破：既能 “听声辨险”，又能 “精准定位”
此次提出的LR-Net 算法，通过 “双任务协同学习” 架构，给 DAS 技术装上了 “智慧大脑”，一次性解决了识别与定位两大痛点。
任务一：弱信号识别 —— 在噪声里 “揪出” 隐患
面对复杂环境中的干扰噪声，LR-Net 引入注意力机制与多尺度特征融合模块，就像给传感器装上了 “智能滤音器”。它能自动聚焦管道泄漏、机械施工等关键信号的细微特征，过滤掉无关干扰。在现场实验中，即使是的微弱振动（相当于指尖轻敲桌面的力度），算法也能精准捕捉，对入侵、施工、自然振动等 6 类事件的识别准确率高达 95% 以上。相比传统方法依赖人工设定特征阈值的局限，这种 AI 驱动的识别方式更适应不同地域的复杂环境。
任务二：精准定位 —— 误差缩至米级
针对定位精度不足的问题，LR-Net 创新性地将 “事件识别” 与 “位置定位” 整合为协同任务。在模拟测试中，系统成功精准锁定小型施工的具体位置，响应时间不超过1秒，彻底改变了过去 “知道有险情却找不到地方” 的被动局面。
一根光纤守护万千场景，智慧监测时代来了
LR-Net 算法的突破，让 DAS 技术的应用价值实现了提升，后续可多个相关关键领域落地生根：
能源管线防护：在长输管道部署后，可实时监测非法开挖、腐蚀泄漏，将第三方破坏事故率降低 60% 以上；
城市安全运维：对综合管廊内的电缆故障、管线破损实现自动预警，替代传统 “人海巡检” 模式，效率提升数十倍；
地质灾害预警：能捕捉微小地震波与地面沉降信号，为山体滑坡、地面塌陷等灾害提供提前预警。
业内专家指出，这项技术让普通通信光缆从 “传输线” 变成了 “监测网”，不仅降低了大规模监测的部署成本，更推动管线安全监测从 “被动抢修” 迈入 “主动预警” 的新阶段。本研究由南京大学张旭苹教授、张益昕教授与博士生闫森等，联合山东省科学院激光所尚盈研究员共同完成，相关工作以《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》。
相关数据集已公开：https://github.com/666yansen/LR-Net-for-Weak-Vibration-Event-Location-and-Recognition-with-DAS/tree/main。
论文链接：https://ieeexplore.ieee.org/document/11195999