作为工业生产中可靠的运输结构，管道被广泛用于输送石油、天然气和化学流体[1]。然而，在长期使用过程中，由于复杂外部环境的影响以及内部介质的侵蚀，管道容易受到各种形式的退化，包括腐蚀[2]、裂纹[3]和其他缺陷。如果不能及时检测到损伤，可能会导致管道泄漏事故，造成严重的经济损失和安全风险。因此，早期检测和准确定位管道损伤对于管道的安全运行至关重要[4]。
在各种无损检测技术中，基于压电传感器的超声导波技术因其检测范围广、损伤敏感度高和检测速度快等优点而被广泛用于管道损伤检测[5]。通过部署不同的传感器阵列，可以激发多种模式的导波，包括扭转模式（T模式）[6]、纵波模式（L模式）[7]和螺旋导波（HGW）[8]。T模式和L模式常用于长管道的损伤定位和成像[9]，[10]，但单模式激发存在困难且分辨率较低。HGW由于其简单的激发方法和在高精度损伤检测方面的能力而受到了一些研究人员的关注。
目前，基于HGW的管道损伤定位主要有两种方法：数学建模和数据驱动。数学建模方法主要提取HGW信号的各种损伤特征，并通过空间映射函数将特征值映射到相应的空间坐标，以实现准确的损伤定位[11]。大多数研究侧重于将概率成像方法与空间扩展[12]、相关系数[13]、高阶HGW[14]、[15]、飞行时间（ToF）[16]、[17]和贝叶斯框架[18]相结合，以实现管道损伤的准确定位。然而，在上述方法中，HGW特征的提取对于检测精度至关重要。
基于深度学习（DL）的数据驱动方法因能够自主学习HGW信号与损伤之间的非线性映射关系并提取有效的损伤相关特征而受到学者的关注。卷积神经网络（CNN）[19]、基于损伤指数引导的Transformer模型[20]和物理嵌入的反演神经网络[21]已被用于HGW管道损伤检测。实际上，HGW信号会受到温度和振动等干扰的影响，这会引入额外的噪声成分，影响损伤检测的效果[22]。因此，如何有效去除HGW信号中的噪声是管道超声导波检测发展和应用中的关键问题。
近年来，研究人员提出了多种信号去噪方法，包括基于数字滤波的方法（如巴特沃斯滤波[23]）；基于变换的方法（如快速傅里叶变换（FFT）[24]、小波阈值处理（WTD）[25]）；基于信号分解的方法（如经验模态分解（EMD）[26]、变分模态分解（VMD）[27]、稀疏分解[28]以及基于这些方法的改进方法[29]、[30]。然而，传统的信号去噪方法更依赖于信号特征的先验知识，存在参数依赖性强、适应性差和去噪能力有限等缺点。DL方法可以捕捉噪声和信号之间的非线性关系，无需手动参数选择即可自动提取多级特征，为信号去噪提供了新的思路[31]。1D-CNN去噪自编码器（DAE）[32]、全连接层DAE[33]以及结合生成对抗网络和自编码器的去噪网络[34]已被应用于管道损伤检测。然而，上述研究主要关注单模态管道导波的研究，无法实现准确的损伤定位。
在先前的研究中发现，当管道的外径与壁厚之比较大且处于某个频率范围内时，描述管道模式的函数与板模式的函数相匹配[35]。在特定频率范围内，HGW在管道中的传播过程类似于板结构中的导波传播过程；因此，关于板结构的相关研究也具有一定的参考价值。一些学者已经验证了在复杂环境中使用深度学习方法进行板结构损伤检测的可行性[36]、[37]、[38]。尽管DL方法表现出色，但导波包含丰富的物理信息。引入多维特征有助于提高模型的准确性和可解释性。
因此，本文提出了一种多物理信息驱动的多通道多分支卷积去噪自编码器与Transformer模型（MC2DAE-Transformer）相结合的方法，用于在未知噪声背景下进行管道结构的信号重建和损伤定位。首先，将HGW的传播特性和传感器布局引入特征编码器。使用1D-CNN和2D-CNN提取多种时域和空间特征，并批量融合局部和全局信息，构建更全面的特征表示。其次，基于输出与输入大小相同的重建信号的解码器进行信号去噪。特别是设计了自适应多域加权损失，将时域和频域特征引入模型训练，以提高去噪性能。最后，将去噪信号作为输入传递给Transformer模块，完成损伤定位，最终在噪声背景下实现损伤定位。
本文的主要目标不仅是提高信噪比（SNR）和实现精确的损伤定位，还包括获得高保真度的基础数据，以便后续应用，同时减少对人工参数调整和人为干预的依赖。本工作的关键技术贡献总结如下：
•构建了一个物理增强的MC2DAE-Transformer框架，揭示了在高噪声条件下实现准确损伤定位之前，高保真度重建散射信号是物理前提，并建立了去噪和定位任务之间的强耦合机制。
•提出了一个自适应多域加权损失，该损失将标准时域误差与皮尔逊相关性和频域约束相结合，证明了多域一致性对于防止相位失真和频谱损失至关重要。
•阐明了在多路径散射下解码损伤信息时空间注意力机制的物理含义，并揭示了模型权重分布与HGW在管道中实际传播路径之间的高度一致性。
•表明，在复杂多样的工程条件下，基于物理的学习为HGW管道损伤定位提供了更可靠的设计视角。
本文的其余部分安排如下：第二部分主要介绍MC2DAE-Transformer模型的原理；第三部分详细介绍实验系统和数据集构建；第四部分和第五部分分别讨论实验结果和结论。
