一
研究背景与问题提出
管涌风险、DAS 连续监测价值、多通道时序问题、研究任务边界。
面向堤防管涌监测的
DAS 识别方法研究
专业硕士学位论文答辩
目录
二
数据来源与样本可信性
现场数据、两个采集日、通道映射、标签依据、时间块防泄漏。
三
数据处理与模型方法
Diff 主输入、小波去噪、三频段拼接、多尺度卷积、Transformer。
四
实验结果与空间解释
整体识别性能、加噪鲁棒性、管涌空间定位、通道敏感性边界。
五
结论、不足与展望
总结研究链条、说明结果边界，提出多点位、多日期和在线验证方向。
一、研究背景与问题提出
本文研究问题由真实堤防 DAS 数据驱动
一、研究背景与问题提出
管涌风险隐蔽，监测目标是及时识别异常响应
问题本质
渗流带动细颗粒迁移并形成集中通道，异常往往早于明显破坏。
监测目标
关注异常响应阶段的识别，减少只依赖事后人工确认的滞后。
方法入口
DAS 提供沿线连续通道记录，为多通道时序识别提供数据基础。
问题到方法的对应关系
现场困难
数据表现
方法需求
早期响应弱
异常幅值不稳定
使用 Diff 与去噪增强变化信息
背景扰动多
频段差异明显
引入多频段输入而非单频段判断
响应具有空间连续性
相邻通道相关但不完全同形
利用多通道卷积和局部通道融合
一、研究背景与问题提出
DAS 数据是空间通道 × 时间采样的多通道时序信号
Xi ∈ RC × L，三频段拼接后为 R3C × L，正式输入为 33 × 5000
C 为空间通道数，L 为时间窗口长度。该表示同时保留沿线空间位置和连续振动过程。
一、研究背景与问题提出
本文任务限定为已知管涌响应识别与识别后定位
现场先验
水下光缆 a 段约 195 m 处已知管涌存在。
DAS 采集
沿光缆获得多通道振动记录，形成空间通道 × 时间采样数据。
样本构建
根据通道范围、时间窗口和标签规则构造二分类样本。
模型识别
MS 1-D CNN-Transformer 建模局部变化、通道关联和时序依赖。
定位估计
基于空间能量与多频段融合，给出通道级中心估计。
辅助解释
基于输入梯度的通道敏感性分析用于观察模型关注区域。
二、数据来源与样本可信性
数据来自水下光缆 a 段两个采集日的真实 DAS 记录
| 采集日 | 目标区 | 响应特征 | 样本用途 |
|---|---|---|---|
| 2024-07-07 | ch125--135 | 强响应数据 | 训练、验证与辅助参考测试 |
| 2024-07-08 | ch55--65 | 弱响应数据 | 训练、验证与主盲测集 |
| 统一采集口径 | 水下光缆 a 段 | 原始采样率 5 000 Hz | 单文件时长 1 s |
二、数据来源与样本可信性
标签依据来自现场点位、通道映射和目标区赋标规则
| 证据层 | 解决的问题 | 进入样本构建的作用 |
|---|---|---|
| 现场点位 | 管涌空间基准从哪里来 | 限定目标物理区域 |
| 通道映射 | 两个采集日通道号为何不同 | 把不同绝对通道对齐到同一物理点位 |
| 目标区赋标 | 正负类样本如何界定 | 目标区为正类，背景区与其他光纤区为负类 |
二、数据来源与样本可信性
时域、频域和相邻通道证据支撑样本可分性
从现象到方法
特征差异不是只来自单一图形。时域异常、频段能量差异、时频局部结构和相邻通道关联共同支撑后续 Diff、三频段输入与局部通道融合设计。
二、数据来源与样本可信性
时间块隔离用于控制滑动窗口重叠造成的数据泄漏
三、数据处理与模型方法
数据处理将连续 DAS 记录转为 33 × 5000 模型输入
三、数据处理与模型方法
Diff、小波去噪和三频段输入分别处理弱异常、噪声和频带差异
ASNR = 10 log10[(1 / |Ωe| Σ x²(t)) / (1 / |Ωb| Σ x²(t))]；ΔASNR = ASNRout - ASNRin
Ωe 表示目标事件段，Ωb 表示背景段；ASNR 衡量目标段相对背景段的能量增强。
三、数据处理与模型方法
主模型通过多尺度卷积、局部通道融合和 Transformer 完成识别
三、数据处理与模型方法
多尺度卷积和局部通道融合处理持续时间变化与相邻通道关联
yk,t = ΣcΣτ wk,c,τxc,t+τ + bk
多通道一维卷积在时间方向提取局部模式，同时在通道方向利用目标通道及相邻通道响应。
三、数据处理与模型方法
四种模型采用统一输入和训练口径，差异集中在结构设计
Attention(Q, K, V) = softmax(QKT / √dk)V
自注意力用于在时序特征序列中建立长程依赖，与 BiLSTM 的递归式建模形成对照。
四、实验结果与空间解释
主盲测集和辅助参考测试集验证模型识别性能
| 测试集 | 模型 | Recall | F1 | 评价口径 |
|---|---|---|---|---|
| 主盲测集 | MS 1-D CNN-Transformer | 0.9900 | 0.9940 | 用于检验隔离时段下的识别能力 |
| 辅助参考测试集 | MS 1-D CNN-Transformer | 1.0000 | 0.9980 | 用于观察另一类跨日参考样本表现 |
| 主盲测集 | 四模型 F1 | — | 0.9723 / 0.9879 / 0.9920 / 0.9940 | 结构增强后指标逐步提高 |
四、实验结果与空间解释
低信噪比条件下模型鲁棒性差异扩大
| 条件 | MS 1-D CNN-Transformer | MS 1-D CNN-BiLSTM | 1-D CNN | 说明 |
|---|---|---|---|---|
| 5 dB | F1 = 0.9817 | F1 = 0.9734 | — | 中等噪声下差距开始出现 |
| 0 dB | F1 = 0.9777 | F1 = 0.9282 | — | 信噪比下降后差距扩大 |
| -5 dB | F1 = 0.9382 | F1 = 0.4894 | F1 = 0.2876 | 低信噪比下最能体现结构稳定性 |
四、实验结果与空间解释
管涌空间定位给出两个采集日的通道级中心估计
| 采集日 | 基准中心 | 多频段融合中心 | 最大波动 | 判定口径 |
|---|---|---|---|---|
| 第一采集日 | ch130.20 | ch130.73 | 1.24 通道 | 小于 2 通道阈值 |
| 第二采集日 | ch66.65 | ch67.71 | 0.58 通道 | 小于 2 通道阈值 |
四、实验结果与空间解释
通道敏感性与推理代价共同说明模型边界
五、结论、不足与展望
本文完成真实 DAS 数据到识别与空间解释的离线验证
主要结论 1：数据链条
完成真实堤防 DAS 数据整理、两个采集日样本对齐、防泄漏样本构建和四类数据集划分。
数据链条支撑后续模型训练、主盲测评价和辅助参考测试。
主要结论 2：识别模型
MS 1-D CNN-Transformer 在主盲测集上 F1 = 0.9940，辅助参考测试集 F1 = 0.9980。
-5 dB 条件下主模型 F1 = 0.9382，体现低信噪比下的稳定性。
主要结论 3：空间解释
识别后管涌空间定位得到 ch130.73 和 ch67.71 两个通道级中心估计。
基于输入梯度的通道敏感性分析用于辅助解释，不替代定位结果。
不足 1：数据范围
当前验证集中于同一物理管涌点的跨日样本重构场景。
不能直接推广为完全陌生场景泛化。
不足 2：定位真值
定位结果仍是通道级中心估计，缺少独立物理测量或多源传感真值校核。
后续需要与现场巡检、水位和渗流观测联合验证。
展望
扩展多点位、多日期和不同水文条件下的 DAS 数据。
进一步开展在线滑窗、告警阈值和长期连续运行验证。
研究总结
真实堤防 DAS 数据、可解释的数据集构建、深度学习识别和识别后的空间定位构成可核对的研究链条。
结束语
请各位老师批评指正。