Estudio sobre el método rápido de predicción de campos de propagación acústica regional utilizando redes neuronales...

Área de la Ciencia:

• Oceanografía
• Acústica
• Aprendizaje automático

Sus antecedentes:

• El modelado tradicional de la propagación acústica submarina requiere una gran cantidad de recursos computacionales.
• La predicción precisa de los campos acústicos es crucial para las aplicaciones navales y ambientales.

Objetivo del estudio:

• Desarrollar un método rápido de predicción de campos de propagación acústica submarina utilizando redes neuronales convolucionales (CNN).
• Reducir el costo computacional asociado con los modelos tradicionales de propagación acústica.

Principales métodos:

• Se desarrolló un enfoque basado en CNN, utilizando características del terreno regional para entrenar el modelo.
• Se construyó un conjunto de datos para capturar patrones de pérdida de transmisión acústica en diversas condiciones del terreno.
• El modelo se probó en el Pacífico Occidental para evaluar su precisión predictiva y velocidad.

Principales resultados:

• El modelo CNN logró un error cuadrático medio de 3,48 dB para campos no suavizados.
• El tiempo promedio de predicción fue de 1,95 ms por lote (10 muestras), lo que demuestra una mejora significativa en la velocidad.
• El modelo aprendió con precisión los patrones de pérdida de transmisión acústica basándose en entradas de terreno simplificadas.

Conclusiones:

• El método CNN desarrollado ofrece una alternativa computacionalmente eficiente para predecir la propagación acústica submarina.
• Este enfoque muestra potencial para predicciones acústicas en tiempo real en diversos entornos submarinos.
• Las características de entrada simplificadas pueden impulsar de manera efectiva predicciones precisas del campo acústico.