ИСТИНА

В лабораторных экспериментах по акустической эмиссии (АЭ) фиксируются десятки тысяч одноканальных сигналов, и точное определение времени прихода P‑волны играет ключевую роль при локализации событий и анализе механики разрушения. Классические автоматические пикеры, например AIC, часто дают сбои на шумных записях и требуют трудоёмкой ручной доработки. В работе представлена адаптация современной глубокой нейронной сети, созданной на базе сейсмической архитектуры PhaseNet, к высокочастотным АЭ‑данным. Полученная модель обучена на относительно небольшой выборке вручную размеченных форм и протестирована на независимых экспериментах. Уже при ограниченном объёме обучающих данных сеть уверенно превосходит AIC‑пикер, значительно повышая надёжность детектирования и точность определения времени прихода; дальнейшее увеличение обучающего корпуса ещё усиливает её преимущества. На записях с низким отношением сигнал/шум нейросеть сохраняет устойчивость, тогда как классические методы быстро теряют работоспособность. Результаты показывают, что применение глубокого обучения позволяет превратить пикер АЭ‑сигналов в полностью автоматический и надёжный инструмент, открывая путь к оперативной интерпретации высокоскоростных лабораторных экспериментов.