LR-Net for Weak Vibration Event Location and Recognition With DAS
Notice bibliographique
Résumé
Distributed acoustic sensing (DAS) has been deployed across various large-scale infrastructures for safety monitoring and health maintenance operations. Among these applications, the localization and recognition of vibrations are common and critical post-processing tasks. Currently, multi-event vibration localization and recognition present a significant challenge for post-processing algorithms. Moreover, weak vibrations, which are marked by short durations and limited propagation ranges, further exacerbate the difficulty of the accurate location and recognition. Consequently, these challenges contribute to a high false alarm rate and missed detection rate across the DAS system. To address those challenges, this paper proposes a location and recognition convolutional neural network (LR-Net) that can achieves end-to-end and multi-event recognition and localization along the fiber within a single sample. In the model, we propose the location-attention-mechanism feature fusion and squeeze framework (LAMFS) and dynamic matching strategy (DMS) to enable the model to focus on weak vibration and enhance its fitting ability. In the field experiments conducted in three typical scenarios, LR-Net achieves a 99.1% mAP for six types of events with merely average location error of ±1.5m. Moreover, the Nuisance Alarm Rate (NAR) and the Missing Alarm Rate (MAR) were only 1.4% and 1.06% respectively. These results demonstrate superior performance compared with other deep learning models. Above all, the proposed algorithm possesses significant practical value and can be adapted to other scenarios such as pipeline leak detection, perimeter security, and protection of important facilities.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».