导读
分布式声学传感（DAS）因其高灵敏度、高空间分辨率和长距离测量能力，在管道监测、地质勘探、结构健康监测等领域受到广泛关注。然而，在实际应用中，目标事件稀少且环境噪声复杂，极大阻碍了DAS信号处理算法的构建，导致难以准确识别事件信号。
上海交通大学光子传输与通信全国重点实验室智能光子学研究中心何祖源、万阳阳团队提出了一种物理信息驱动的分布式声学感知神经网络范式，通过构建事件物理模型和系统约束训练数据生成网络以产生大量模拟事件数据，并结合真实背景数据训练下游去噪与分类任务网络，实现无需真实事件数据即可准确识别目标事件。该成果为实际DAS应用中信号处理算法对真实目标事件数据的依赖以及易受强环境噪声影响这两个关键挑战提供了潜在解决方案。
该成果发表在《Light: Science & Applications》，题为“Towards a physics-informed network paradigm with data generation and background noise removal for different distributed acoustic sensing applications”。上海交通大学的万阳阳助理教授为论文第一作者，何祖源教授为通讯作者。
技术难点与挑战
DAS 系统实际应用时其信号处理算法面临两大核心挑战：一是现场目标事件数据获取困难且数量极为有限，导致难以进行高泛化性的信号处理算法设计和训练；二是强背景环境噪声干扰严重，传统去噪算法难以有效提取目标信号，影响后续事件识别等信号解译任务性能。
创新研究
针对上述问题，何祖源教授团队提出了一种物理信息驱动的DAS信号处理智能网络范式。通过构建目标事件的物理模型与物理系统的约束函数，完成物理信息驱动的DAS数据生成网络（PIGN）的训练。
图1 PIGN的工作原理示意图。（a）DAS事件数据的特征函数获取示意图。将DAS事件数据投影到不同维度，结合物理模型与专业经验，可得到各维度下事件对应的特征函数，进而从中导出单个事件的特征曲线。（b） PIGN的网络结构与训练过程。训练时，损失函数通过评估输出图像的特征曲线与目标特征曲线之间的差距来定义，同时融合了DAS系统与实际条件的约束。
PIGN在物理信息的限制下可产生大量模拟的DAS事件数据，以用于后续的降噪与分类等下游任务网络的训练，从而无需获取真实目标事件数据。
图2 基于物理信息的DAS神经网络范式。 PIGN（基于物理信息的生成网络）。在该网络范式中，PIGN、去噪网络和分类网络的训练均不需要任何真实事件数据。其中，PIGN用于生成数据，去噪网络用于去除背景噪声，分类网络用于事件识别。
研究亮点
- 物理驱动 DAS 数据生成： 开发 PIGN ，根据事件的时空特征和专家经验训练数据生成网络，产生模拟 DAS 数据，解决数据稀缺问题。
- 噪声去除能力： 训练去噪网络，有效抑制复杂环境噪声，保留关键事件信号，提升分类网络性能。
- 事件准确识别： 在带式输送机故障监测实地测试中，无需真实事件数据，仅使用 PIGN 生成数据训练的降噪和分类网络最终实现 91.8% 的故障识别准确率，优于小样本真实训练数据下的传统数据驱动网络及人工设计算法。
- 跨场景推广： 得益于物理规律的一致性，物理信息驱动的网络模型在相同应用中的不同工作现场中显示出强大的泛化能力。在带式输送机故障监测实验中，提出的物理驱动网络模型在两个不同工作现场中可进行直接部署并实现故障识别。
总结与展望
该物理信息驱动的 DAS 信号处理神经网络范式为光纤感知及相关领域提供了一种新的信号处理算法构建方向。未来有望在更复杂的工业监测、地震预警及基础设施安全监测中，实现快速部署、噪声抑制及实时识别，推动 DAS 技术从实验室走向大规模实际应用。
论文信息
Wan, Y., Wang, H., Yu, X. et al. Towards a physics-informed network paradigm with data generation and background noise removal for different distributed acoustic sensing applications. Light Sci Appl15, 281 (2026).
来源于LightScienceApplications，作者Light新媒体
