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

Resumo Técnico: $\phi$-OTDR Aprimorado com Assistência de Sagnac para Sensoriamento Acústico Distribuído

Declaração do Problema
A tomografia óptica no domínio do tempo sensível à fase ($\phi$-OTDR) é uma tecnologia dominante para o sensoriamento acústico distribuído (DAS) em larga escala, oferecendo monitoramento espaço-temporal distribuído por longas distâncias. No entanto, seu desempenho em campo é frequentemente comprometido pelo desvanecimento induzido pela polarização (PIF), degradação de sinal local e interferência ambiental intensa. Essas limitações físicas levam a observações de sinais instáveis, resultando em detecções perdidas e alarmes falsos, particularmente sob condições de campo severas. Além disso, pesquisas existentes frequentemente focam em melhorias estruturais isoladas ou demonstrações em nível de dispositivo, deixando uma lacuna na avaliação de sistemas em nível de arquitetura híbrida sob cenários realistas de reconhecimento de eventos. Adicionalmente, o rápido avanço dos algoritmos de reconhecimento baseados em IA carece de um benchmark padronizado e reproduzível que considere restrições de engenharia, como desequilíbrio de classes, taxas de alarme falso e latência de inferência.

Metodologia
O artigo propõe uma abordagem de duas frentes: um aprimoramento físico de sensoriamento e um framework de avaliação de engenharia padronizado.

1. Arquitetura Física de Sensoriamento Assistida por Sagnac:
   Os autores desenvolveram um front-end óptico híbrido que integra um interferômetro de Sagnac a um sistema $\phi$-OTDR convencional.

   • Mecanismo: O canal $\phi$-OTDR retém seu papel primário na localização espaço-temporal distribuída. O interferômetro de Sagnac, implementado com fibras de manutenção de polarização balanceadas, fornece uma resposta de fase contínua e de alta fidelidade que é menos suscetível aos efeitos de desvanecimento local.
   • Processamento de Sinal: Sinais heterogêneos dos dois canais são alinhados usando um procedimento de correlação cruzada implementado em uma plataforma FPGA para estabelecer uma âncora temporal consistente. Isso cria um arranjo fisicamente complementar onde o canal Sagnac compensa a perda de informação no canal $\phi$-OTDR causada pelo PIF e pelo ruído ambiental.

2. Framework de Benchmark Padronizado:
   Para avaliar esta arquitetura e comparar várias rotas de reconhecimento, os autores estabeleceram um protocolo de benchmark rigoroso usando um conjunto de dados de fibra de 10 km contendo seis classes de eventos acústicos (ruído de fundo, escavação manual, batidas, fluxo de água, vibração de cerca e caminhada).

   • Organização de Entrada: Como o conjunto de dados é armazenado como uma matriz unificada de 12 canais, em vez de arquivos fisicamente separados, o benchmark trata o "agrupamento de canais" como uma variável controlada. Uma estratégia de busca foi empregada para identificar partições de ramos ideais para modelos de fusão de dois ramos, garantindo que os ganhos de desempenho sejam atribuídos à estratégia de fusão e não a uma divisão arbitrária de dados.
   • Categorias de Modelos: O framework compara quatro rotas técnicas distintas sob partição de dados e pré-processamento idênticos:
     • Métodos convencionais de engenharia de atributos (ex: STFT + SVM).
     • Classificadores rasos probabilísticos (ex: Fusão de Atributos + PSVM).
     • Modelos profundos de ramo único (Redes Neurais Convolucionais).
     • Modelos profundos de fusão de dois ramos.
   • Métricas de Avaliação: Indo além da precisão simples, o benchmark enfatiza métricas relevantes para a engenharia: pontuação macro-F1, taxa de alarme falso (NAR), taxa de falsos negativos (FNR) e latência de inferência.

Principais Resultados
Experimentos conduzidos no conjunto de dados de fibra de 10 km produziram as seguintes descobertas:

• Hierarquia de Desempenho: Uma progressão clara de desempenho foi observada, desde atributos manuais rasos até modelos de fusão profundos. As linhas de base de engenharia de atributos convencionais (ex: STFT + SVM) alcançaram baixa precisão (41–44%). A fusão rasa probabilística melhorou o desempenho (56% de precisão), mas permaneceu inferior às abordagens de aprendizado profundo.
• Rota Ótima: O modelo profundo de fusão de dois ramos alcançou o equilíbrio mais favorável, atingindo 89,79% de precisão e 89,83% de macro-F1 no conjunto de teste balanceado. Crucialmente, reduziu a taxa de alarme falso para 5,00% e manteve uma taxa de falsos negativos de 0,00%.
• Impacto do Agrupamento de Canais: O estudo demonstrou que a organização dos ramos afeta significativamente o desempenho da fusão. O agrupamento ideal não foi uma divisão contígua simples de canais; em vez disso, combinações de grupos cruzados que preservaram uma complementaridade mais forte entre os ramos produziram resultados superiores. Isso destaca que a organização da entrada é um fator crítico para a avaliação de fusão de DAS.
• Compromissos de Engenharia: Embora o modelo de fusão tenha exibido maior latência de inferência (12,79 ms) em comparação com as linhas de base rasas, o overhead computacional foi considerado aceitável para monitoramento online. O modelo equilibrou com sucesso o reconhecimento de qualidade com a supressão de alarmes falsos e eventos perdidos.

Significância e Alegações
O artigo posiciona suas contribuições tanto como uma estratégia de aprimoramento físico quanto como um framework metodológico para a comunidade DAS:

• Aprimoramento Físico: A arquitetura assistida por Sagnac fornece uma solução fisicamente motivada para mitigar o desvanecimento induzido pela polarização, melhorando a observabilidade de perturbações fracas e de baixa frequência sem depender exclusivamente da recuperação algorítmica posterior.
• Benchmarking Reproduzível: O trabalho estabelece um protocolo de benchmark padronizado e reproduzível que desloca o foco da precisão isolada de laboratório para a confiabilidade orientada pela engenharia. Ao incorporar explicitamente a otimização do agrupamento de canais e a avaliação multimétrica (NAR, FNR, latência), o framework permite comparações justas entre diversas rotas técnicas.
• Validação de Sistema: Os autores afirmam que seus resultados confirmam a necessidade de avaliar sistemas de DAS orientados à fusão não apenas pela precisão de classificação, mas pela otimização conjunta da qualidade de reconhecimento, confiabilidade de alarme e eficiência de implantação. O estudo afirma que a abordagem de fusão de dois ramos proposta oferece uma vantagem praticamente significativa para o reconhecimento de eventos complexos de DAS em cenários de monitoramento do mundo real.

Os autores observam que, embora o benchmark atual dependa de uma matriz unificada de 12 canais como substituta para arquivos de sensoriamento fisicamente separados, as descobertas relativas à importância da organização de entrada e à superioridade das rotas de fusão profunda fornecem uma base robusta para pesquisas futuras em arquiteturas de sensoriamento híbrido.