MARC

 008260126s2025        us                              c    eng  d
■001000017359152
■00520260202104842
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798297600898
■035    ▼a(MiAaPQ)AAI32173079
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a620
■1001  ▼aSaw,  Jaewon.
■24510▼aListening  with  Light:  Distributed  Acoustic  Sensing  for  Event  Detection,  Characterization,  and  Classification
■260    ▼a[Sl]▼bUniversity  of  California,  Berkeley▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a161  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-04,  Section:  B.
■500    ▼aAdvisor:  Soga,  Kenichi.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  Berkeley,  2025.
■520    ▼aDistributed  Acoustic  Sensing  (DAS)  transforms  optical  fibers  into  dense  arrays  capable  of  detecting  small  strain  changes  caused  by  vibrations  in  the  surrounding  medium.  With  each  fiber  segment  functioning  as  a  virtual  sensor,  DAS  generates  rich  spatiotemporal  data,  with  meter-scale  spatial  resolution,  kilometer-scale  sensing  distance,  and  kilohertz-range  temporal  sampling.  This  capability  opens  new  possibilities  for  detecting  signals  ranging  from  earthquakes  to  whale  calls  and  footsteps,  and  continues  to  expand  into  new  application  domains.Effectively  applying  DAS  requires  careful  attention  to  the  contextual  factors  that  shape  signal  clarity,  reliability,  and  interpretability:  how  the  fiber  is  deployed,  the  surrounding  environment,  and  the  characteristics  of  the  DAS  system.  Mechanical  coupling  to  the  surrounding  material,  subtle  variations  in  fiber  tension  or  geometry,  ambient  noise  conditions,  and  the  configuration  of  data  acquisition  parameters  can  all  influence  signal  amplitude,  polarization,  and  noise  characteristics.  As  a  result,  the  same  physical  event  may  manifest  differently  in  DAS  recordings  across  deployments,  making  DAS  data  variable  and  context-sensitive.This  dissertation  focuses  on  understanding  signal  variability,  ensuring  data  quality,  and  applying  rigorous  modeling  to  develop  workflows  that  remain  robust,  adaptive,  and  reproducible.  Three  case  studies  illustrate  this  approach:  detecting  humpback  whale  vocalizations  in  Monterey  Bay,  monitoring  roadway  activity  across  different  fiber  deployments,  and  characterizing  signals  from  hydraulic  fracturing.  Each  highlights  domain-specific  challenges  in  event  detection,  characterization,  and  classification  under  real-world  constraints  such  as  environmental  noise,  infrastructure  heterogeneity,  and  labeling  uncertainty.  This  document  provides  grounded,  experience-based  guidance  to  help  researchers  more  effectively  leverage  DAS's  unique  capabilities  while  working  with  its  numerous  complexities.
■590    ▼aSchool  code:  0028.
■650  4▼aEngineering
■650  4▼aComputer  engineering
■650  4▼aAcoustics
■650  4▼aOptics
■650  4▼aHydraulic  engineering
■653    ▼aDistributed  Acoustic  Sensing
■653    ▼aHydraulic  fracturing
■653    ▼aMarine  bioacoustics
■653    ▼aTraffic  monitoring
■653    ▼aVeridical  Data  Science
■690    ▼a0537
■690    ▼a0752
■690    ▼a0464
■690    ▼a0218
■690    ▼a0986
■71020▼aUniversity  of  California,  Berkeley▼bCivil  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g87-04B.
■790    ▼a0028
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17359152▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books