🔬 optics

Numerical Model of a Multiple-Input-Multiple-Output Distributed Acoustic Sensing System with Joint Phase and Birefringence Estimation

本文引入并实验验证了一种用于多输入多输出分布式光纤声波传感（MIMO-DAS）系统的数值模型，该系统利用极化复用编码序列联合估计公共光相位和动态光纤双折射，从而实现对纵向和横向光纤扰动的改进型事件辨识与灵敏度提升。

原作者： Diane Prato, Mehran Mokhtari Sheramin, Renaud Gabet, Elie Awwad

发布于 2026-08-07

📖 1 分钟阅读☕ 轻松阅读

原作者： Diane Prato, Mehran Mokhtari Sheramin, Renaud Gabet, Elie Awwad

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，互联网就像是一个由玻璃细丝构成的巨大、隐形的神经系统。这些被称为光纤的细丝，将我们的文字、视频和通话跨越海洋与城市进行传输。但如果这些同样的玻璃细丝也能充当巨大的、超灵敏的耳朵和皮肤呢？这就是“分布式声学传感”（DAS）的魔力。工程师们无需沿着道路或管道布置成千上万个微小且昂贵的传感器，而是可以将现有的光纤电缆本身变成一个巨大的传感器。他们通过向光纤中发射激光脉冲，并倾听回传的微弱回声来实现这一点。

把光纤想象成一条长长的、安静的走廊。当你大喊时，声音会在墙壁上反弹。在光纤中，“喊叫”是激光脉冲，而“回声”则来自玻璃内部被称为瑞利散射（Rayleigh scattering）的微小、天然的不完美之处。通常，科学家们只需通过监听回声返回的“时间”来确定物体的距离。但这个回声中隐藏着一个秘密层面：光还具有一种被称为“偏振”的“扭转”或取向。大多数旧系统忽略了这个扭转，只关注时间。然而，就像旋转的陀螺对侧向推力和后方拉力的反应不同一样，光的偏振会对光纤受到不同类型的挤压和拉伸做出独特的反应。研究人员一直以来的核心问题是：我们能否同时监听“时间”和“扭转”，从而准确判断正在发生什么样的事件？

这篇论文介绍了一种实现这一目标的巧妙新方法。作者 Diane Prato 及其团队构建了一个详细的计算机模型，并在实验室中进行了测试，以创造出一个“MIMO-DAS”系统。MIMO 代表“多输入多输出”（Multiple-Input-Multiple-Output），这是一个高级说法，意指他们同时发送两股具有不同扭转方向的光流，并监听这两股光流是如何变化的。他们使用了一种特殊的编码技巧（称为戈莱序列/Golay sequences）来发送这些信号，这使得传感过程可以在不造成交通拥堵的情况下，与常规互联网数据并行运行。

该团队发现，通过观察“公共相位”（回声的时间）和“双折射”（光线扭转的变化程度），他们可以像侦探破解犯罪现场一样进行侦查。他们发现，如果你沿长度方向拉动光纤（就像拉伸橡皮筋一样），回声的时间会发生变化，但扭转基本保持不变。然而，如果你从侧面挤压光纤（就像捏住水管一样），时间与扭转都会以特定的方式发生变化。

通过模拟和实验室实验，他们证明了这种“双耳”方法可以清晰地识别这些差异。他们展示了能够以约 1.3 米的精度定位扰动。在测试中，他们成功区分了光纤被纵向拉伸与被横向挤压的区别。虽然论文指出，由于数学计算会根据挤压的角度变得复杂，该方法在精确测量“挤压力度究竟有多大”方面并不完美，但它是一个用于辨别“发生了何种类型事件”的强大新工具。这意味着在未来，网络不仅能告诉你管道或铁轨上发生了某些情况，还能推测出是火车经过（纵向拉伸）还是石头掉落在电缆上（横向挤压），而无需在地面上增加任何额外的传感器。

技术摘要：具有联合相位与双折射估计功能的 MIMO-DAS 数值模型

问题陈述
分布式光纤传感（DAS）利用现有的电信基础设施进行监测应用，如交通监控、结构健康监测和地震检测。传统方法通常侧重于以下两种指标之一：

差分相位 OTDR ( $\Delta\phi$ -OTDR)： 估计回向散射光的公共光相位，该指标对纵向应变高度敏感，但往往忽略了极化特性，导致无法检测纯横向或各向异性的扰动。
极化 OTDR (P-OTDR)： 利用极化特性来检测横向变形（弯曲、扭转、横向应力）。然而，传统的 P-OTDR 通常需要多个输入的态极化（SOP），这导致测量时间延长，限制了动态监测能力。此外，它通常不利用公共相位，因此对对称扰动是“盲目”的。

本文旨在解决一种多参数动态传感方法的需求，该方法能够同时估计公共光相位和极化相关量（特别是双折射），从而在高灵敏度和高空间分辨率下区分不同类型的应变事件（纵向 vs. 横向/各向异性）。

方法论
作者开发并实验验证了一种用于多输入多输出分布式声学传感（MIMO-DAS）系统的数值模型。该方法由三个主要部分组成：

光纤传播与散射模型：
- 光纤被建模为一系列段，每一段都被视为具有线性双折射特性的波片。
- 静态条件： 内禀双折射通过一个模型生成，在该模型中，斯托克斯（Stokes）双折射矢量分量遵循独立的朗之万（Langevin）过程，导致双折射幅值呈瑞利分布，且沿光纤的取向是随机的。
- 动态扰动： 模型结合了光弹性效应和光纤伸长。模型区分了两种事件类型：
  - 纵向应变： 建模为光纤伸长 ( $\epsilon_z$ ) 并伴随泊松收缩 ( $\epsilon_x = \epsilon_y = -\nu\epsilon_z$ )。这通过光弹性效应和长度变化改变公共相位，但不会诱发额外的双折射（因为 $\epsilon_x = \epsilon_y$ ）。
  - 横向/各向异性应变： 建模为不相等的横向应变 ( $\epsilon_x \neq \epsilon_y$ )，这会诱发额外的双折射。模型计算了斯托克斯空间中内禀双折射与事件诱发双折射的矢量和，并指出其结果的幅值是非线性的，且取决于快轴的相对取向。
MIMO-DAS 系统架构：
- 系统使用偏振分复用（PDM）BPSK 映射的正交戈莱序列（Golay sequences）来探测光纤。这种编码方案降低了峰值光功率，从而在与 WDM 数据传输共存的同时保持较高的信噪比（SNR）。
- 系统采用双偏振相干接收机来捕获回向散射信号。
- 信号处理： 系统估计每个分段的往返琼斯矩阵（Jones matrices）。从这些矩阵中，系统联合提取：
  - 公共相位 ( $\phi$ )： 由琼斯矩阵的行列式导出。
  - 有效双折射 ( $\Delta\beta_{eff}$ )： 由连续琼斯矩阵乘积的特征值导出，代表在一个增益长度（gauge length）内累积的相位延迟。
验证策略：
- 数值模拟： 该模型在带有模拟纵向和横向应变事件的 3 km 光纤上进行了测试。
- 实验验证： 使用两个光纤卷盘（235 m 和 1956 m）以及一个施加受控纵向（通过压电台）和横向（通过光纤挤压器）应变的装置进行了实验室实验。

核心贡献

联合估计框架： 本文提出了一种在动态 MIMO-DAS 系统中，从分布式琼斯矩阵中联合估计公共相位和有效线性双折射幅值的方法。
事件判别： 研究表明，系统可以根据其独特的特征来判别事件类型：
- 纵向应变： 对公共相位有显著影响，但对双折射幅值几乎没有影响。
- 横向/各向异性应变： 对公共相位和双折射幅值均有影响。
静态双折射表征： 模型成功估计了有效双折射的分布，显示出与标准单模光纤理论预期一致的瑞利分布。
实验验证： 数值模型通过实验室实验得到了验证，证实了该系统检测、定位及判别纵向与横向应变的能力，其平均空间分辨率约为 1.3 米。

结果

静态条件： 系统估计了沿光纤的有效双折射幅值。对于 1956 m 的光纤卷盘，估计值的分布符合均值约为 $0.57$ rad/m 的瑞利分布，这与理论预测一致。模型还成功区分了具有不同平均双折射值的串联光纤卷盘。
动态纵向应变： 模拟和实验表明，正弦纵向应变（模拟为 800 Hz，实验为 100 Hz）在差分相位估计中产生了清晰的特征，但在延迟（双折射）迹线中无法检测到。
动态横向应变： 各向异性横向应变（模拟并由光纤挤压器施加）在差分相位和延迟迹线中均产生了可检测的特征。
空间分辨率： 通过使用低分辨率因子（即在每 5 个分组中选择反射最强的段），系统实现了 1.28 m（约 1.3 m）的平均空间分辨率。作者指出，存在灵敏度与分辨率之间的权衡，即更高的分辨率因子（例如 10）虽然提高了对比度，但降低了空间分辨率。

意义与声明
本文声称，通过在编码 MIMO-DAS 架构中利用相位和极化估计，可以提高与最先进的单参数系统相比的事件判别能力和对横向扰动的敏感度。作者强调，这种方法允许检测各向同性（纵向）和各向异性（横向）的扰动。

然而，本文对系统的定量能力保持了谨慎态度。作者明确指出，估计的有效双折射并不随扰动幅度线性变化；其响应取决于内禀光纤双折射与事件诱发双折射之间的相对取向，具有非线性特征。因此，虽然系统可以判别应变的性质（纵向 vs. 横向），但目前在没有已知取向信息的情况下，无法实现对应变幅值的精确量化。作者还指出了一些实际限制，例如在实际部署中，从电缆到光纤的横向应变传递率较低，这可能会限制对微小横向事件的检测。建议未来的工作重点放在理解噪声效应和开展现场试验上。

类似论文