使用分布式声器阵列和深度学习来估计新英格兰泥地质声学属性的空间变异性)
Ariel Vardi1,2, Peter H Dahl3, David Dall'Osto3
1Department of Applied Ocean Physics and Engineering, Woods Hole Oceanographic Institution, Woods Hole, Massachusetts 02543, USA.
The Journal of the Acoustical Society of America
|December 24, 2024
概括
深度学习使用冲动信号快速模拟海底沉积物质的特性. 这种高效的方法揭示了声音速度的空间变化,有助于进行水下声学研究.
科学领域:
- 海洋学 海洋学 海洋学
- 地质物理学 地质物理学
- 声学 声学 在声学上
背景情况:
- 地声逆转传统上需要大量的计算能力.
- 了解浅水沉积物的特性对于声学建模至关重要.
- 以前的方法对于大规模的空间分析缺乏效率.
研究的目的:
- 开发和验证基于深度学习 (DL) 的空间环境反转方案.
- 使用宽带脉冲信号建模一个单一的空间变化的沉积层.
- 在新英格兰泥区 (NEMP) 分析沉积物声速和声速比.
主要方法:
- 利用深度学习 (DL) 与宽带冲动信号进行反转.
- 将该方案应用于模拟2022年海底表征实验 (SBCEX22) 条件的合成数据.
- 处理了1836个来自底部挂的水声机的信号,使用神经网络进行快速反转.
主要成果:
- 成功预测了沉积物声速的横向空间结构及其与水声速的比率.
- 在一个取决于范围的合成测试集上验证了DL反转方案.
- 在NEMP中观察到压缩声速和声速比的西南至东北增加.
结论:
- 深度学习为传统的地球声学倒置方法提供了有效的替代方案.
- DL方法可以快速处理大量的信号进行空间分析.
- 这些发现与NEMP的现有地质和声学数据一致,突出了DL在浅水地声逆转中的潜力.


