在使用可解释的神经网络的海胡须阵列传感中解读上游障碍物,警觉结构和根信号之间的连接

科学领域:

• 生物启发的传感感应.
• 流体动力学 流体动力学
• 机器学习是机器学习.

背景情况:

• 海的胡须对于在复杂的水下环境中进行导航至关重要.
• 了解基于胡须的传感机制对于生物灵感的机器人至关重要.
• 目前的方法缺乏完全整合流体动力学与感觉信号分析的能力.

研究的目的:

• 开发一种用于分析海胡须传感的新型计算框架.
• 阐明连接流体流动,信号模式和障碍物检测的基本机制.
• 为了提高基于胡须的传感模型的预测准确度.

主要方法:

• 结合计算流体结构相互作用 (FSI) 建模与可解释的深度学习.
• 开发了一个模型来将信号模式与流动特征和障碍属性相关联.
• 生成时间和空间重要性值,以识别显著的信号模式.

主要成果:

• 准确预测上游障碍物 (圆形板) 的位置和方向.
• 确定了重要的时间空间信号模式,对于准确的预测至关重要.
• 相关的识别信号模式与特定的流量结构相关的传感.

结论:

• 这种新的方法有效地解读了海胡须传感机制.
• 获得的洞察力可以激发水下传感和机器人系统的进步.
• 证明了将流体动力学和深度学习整合为生物传感研究的力量.