SagnacAssisted Enhanced OTDR for Distributed Acoustic Sensing: A Standardized Benchmark and Engineering Evaluation Framework

기술 요약: 분산형 음향 센싱을 위한 사그낙(Sagnac) 보조 강화 $\phi$-OTDR

문제 정의
위상 민감형 광 시간 영역 반사 측정법($\phi$-OTDR)은 장거리 분산형 시공간 모니터링을 제공하는 대규모 분산형 음향 센싱(DAS)의 주도적인 기술이다. 그러나 실제 현장에서의 성능은 편광 유도 페이딩(PIF), 국부적 신호 저하, 그리고 강력한 환경 간섭으로 인해 빈번하게 저해된다. 이러한 물리적 한계는 불안정한 신호 관측을 초래하여, 특히 가혹한 현장 조건에서 미검출(missed detection) 및 오경보(nuisance alarm)를 발생시킨다. 또한, 기존 연구들은 주로 고립된 구조적 개선이나 장치 수준의 시연에 집중해 왔으며, 이는 현실적인 이벤트 인식 시나리오 하에서의 하이브리드 아키텍처에 대한 시스템 수준 평가의 공백을 남겼다. 아울러, AI 기반 인식 알고리즘의 급격한 발전에도 불구하고 클래스 불균형, 오경보율, 추론 지연 시간과 같은 엔지니어링 제약 조건을 고려한 표준화되고 재현 가능한 벤치마크가 부족한 실정이다.

방법론
본 논문은 물리적 센싱 강화와 표준화된 엔지니어링 평가 프레임워크라는 두 갈래의 접근 방식을 제안한다.

1. 사그낙 보조 물리 아키텍처:
   저자들은 기존 $\phi$-OTDR 시스템에 사그낙 간섭계를 통합한 하이브리드 광학 프런트엔드를 개발하였다.

• 메커니즘: $\phi$-OTDR 채널은 분산형 시공간 국부화라는 본연의 역할을 유지한다. 균형 잡힌 편광 유지 광섬유로 구현된 사그낙 간섭계는 국부적 페이딩 효과에 덜 민감한 연속적이고 고충실도인 위상 응답을 제공한다.
• 신호 처리: 두 채널에서 발생하는 이종 신호는 FPGA 플랫폼에서 구현된 교차 상관(cross-correlation) 절차를 통해 정렬되어 일관된 시간적 앵커(temporal anchor)를 구축한다. 이를 통해 사그낙 채널이 PIF 및 환경 노이즈로 인한 $\phi$-OTDR 채널의 정보 손실을 보상하는 물리적 상보적 배치를 생성한다.

2. 표준화된 벤치마크 프레임워크:
   이 아키텍처를 평가하고 다양한 인식 경로를 비교하기 위해, 저자들은 6가지 음향 이벤트 클래스(배경 소음, 수동 굴착, 노킹, 물 흐름, 울타리 흔들림, 걷기)를 포함하는 10-km 센싱 광섬유 데이터셋을 사용하여 엄격한 벤치마크 프로토콜을 수립하였다.

• 입력 구성: 데이터셋이 물리적으로 분리된 파일이 아닌 통합된 12채널 행렬로 저장되어 있으므로, 벤치마크는 "채널 그룹화"를 제어 변수로 취급한다. 이중 브랜치 퓨전 모델의 성능 향상이 임의적인 데이터 분할이 아닌 퓨전 전략 덕분임을 보장하기 위해, 최적의 브랜치 파티션을 식별하는 탐색 전략이 사용되었다.
• 모델 카테고리: 프레임워크는 동일한 데이터 분할 및 전처리 하에 네 가지 서로 다른 기술 경로를 비교한다:
  • 전통적인 특징 공학 방법 (예: STFT + SVM).
  • 확률적 얕은 분류기 (예: Fusion Features + PSVM).
  • 단일 브랜치 딥 모델 (합성곱 신경망, CNN).
  • 이중 브랜치 퓨전 딥 모델.
• 평가 지표: 단순 정확도를 넘어, 벤치마크는 엔지니어링 측면에서 유의미한 지표들을 강조한다: 매크로-F1 점수(macro-F1 score), 오경보율(NAR), 미검출률(FNR), 그리고 추론 지연 시간(inference latency).

주요 결과
10-km 광섬박 데이터셋을 대상으로 수행된 실험에서 다음과 같은 결과가 도출되었다:

• 성능 계층 구조: 얕은 수작업 특징(handcrafted features)에서 딥 퓨전 모델로 갈수록 성능이 명확하게 향상되는 경외가 관찰되었다. 전통적인 특징 공학 베이스라인(예: STFT + SVM)은 낮은 정확도(41–44%)를 기록했다. 확률적 얕은 퓨전은 성능을 개선(56% 정확도)했으나 딥 러닝 방식보다는 열세였다.
• 최적의 경로: 이중 브랜치 퓨전 딥 모델이 가장 유리한 트레이드오프를 달로하며, 균형 잡힌 테스트 세트에서 89.79%의 정확도와 89.83%의 매크로-F1에 도달했다. 결정적으로, 오경보율을 **5.00%**로 낮추고 **미검출률(false negative rate) 0.00%**를 유지했다.
• 채널 그룹화의 영향: 연구는 브랜치 구성이 퓨전 성능에 상당한 영향을 미친다는 것을 입증했다. 최적의 그룹화는 단순히 채널을 연속적으로 분할하는 것이 아니라, 브랜치 간의 더 강한 상보성을 보존하는 교차 그룹 조합이 우수한 결과를 냈다. 이는 입력 구성이 퓨전 기반 DAS 평가의 핵심 요소임을 시사한다.
• 엔지니어링 트레이드오프: 퓨전 모델은 얕은 베이스라인에 비해 높은 추론 지연 시간(12.79 ms)을 보였으나, 계산 오버헤드는 온라인 모니터링에 수용 가능한 수준으로 판단되었다. 모델은 인식 품질과 오경보 및 미검출 억제 사이의 균형을 성공적으로 맞추었다.

의의 및 주장
본 논문은 그 기여를 물리적 강화 전략이자 DAS 커뮤니티를 위한 방법론적 프레임워크로 규정한다:

• 물리적 강화: 사그낙 보조 아키텍처는 다운스트림 알고리즘 복구에만 의존하지 않고, 편광 유도 페이딩을 완화하여 약한 신호 및 저주파 교란의 관측성을 개선하는 물리적으로 동기화된 솔루션을 제공한다.
• 재현 가능한 벤치마킹: 본 연구는 초점을 고립된 실험실 정확도에서 엔지니어링 지향적 신뢰성으로 전환하는 표준화되고 재현 가능한 벤치마크 프로토콜을 확립한다. 채널 그룹화 최적화와 다중 지표 평가(NAR, FNR, 지연 시간)를 명시적으로 포함함으로써, 이 프레임워크는 다양한 기술 경로 간의 공정한 비교를 가능하게 한다.
• 시스템 수준 검증: 저자들은 자신들의 결과가 퓨전 지향형 DAS 시스템을 단순히 분류 정확도가 아닌, 인식 품질, 경보 신뢰성, 그리고 배치 효율의 공동 최적화 관점에서 평가해야 할 필요성을 확인시켜 준다고 주장한다. 이 연구는 제안된 이중 브랜치 퓨전 방식이 복잡한 실제 모니터링 시나리오의 DAS 이벤트 인식에 있어 실질적인 이점을 제공한다고 단언한다.

저자들은 현재의 벤치마크가 물리적으로 분리된 센싱 파일을 대체하는 통합 12채널 행렬에 의존하고 있음에도 불구하고, 입력 구성의 중요성과 딥 퓨전 경로의 우월성에 관한 발견이 하이브리드 센싱 아키텍처에 대한 향후 연구를 위한 견고한 토대를 제공한다고 언급하였다.