JLT：深度学习用于克服布里渊光时域分析中的非本地效应

本文主要探讨了如何利用深度神经网络（DNN）技术来克服布里渊光时域分析（BOTDA）中的非本地效应（NLE）。BOTDA是一种广泛应用于管道监测、滑坡预警和结构健康监测的分布式温度应变传感方法。文章首先介绍了BOTDA中存在的一阶和二阶NLE问题，这些效应会导致布里渊增益谱（BGS）失真，影响测量精度。传统解决方法涉及复杂的硬件改进，成本高且复杂。为此，华中科技大学研究团队提出了一种基于DNN的解决方案，该方案无需改变系统硬件，能有效处理一阶和二阶NLE，提高BOTDA系统的测量准确性和对NLE的容忍度。通过仿真和实验验证，DNN模型在强NLE条件下相比传统方法显著提高了温度提取的准确性，降低了测量误差，证明了该技术在实际应用中的潜力和优势。