Efficient estimation of range-dependent seabed properties from large data volumes of a towed source and receiver-array system
Notice bibliographique
Résumé
Knowledge of geophysical seabed properties is important for shallow-water sonar applications, including detection and classification of unexploded ordnance. However, state-of-the-art surveying methods such as seismic profiling, coring, or acoustic inversion are of limited use when surveying large areas with high spatial sampling density. We consider a new acoustic survey method based on a towed source and receiver array which produces large volumes of seabed reflectivity data that contain unprecedented and detailed seabed information. These data can be analyzed by inversion, but require efficient computation of reflection coefficients, efficient inversion algorithms and efficient use of computer resources. This work applies a particle filter to quantify information content of multiple data sets by considering results from previous data along the survey track to inform the importance sampling at the current point. Challenges arise from rapid environmental changes along the track where the complexity of sediment layers and their properties change. This is addressed by including trans-dimensional steps in the filter which allow the layering complexity to change along a track. Efficiency is improved by tempering the likelihood function of particle subsets and including exchange moves (parallel tempering). The filter is implemented on a hybrid computer that combines central processing units (CPUs) and graphics processing units (GPUs). The algorithm exploits three levels of parallelism: (1) parallel computation of spherical reflection coefficients with a GPU implementation of Levin integration; (2) updating particles by concurrent CPU processes which exchange information using automatic load balancing; (3) overlapping CPU-GPU communication (a major bottleneck) with GPU computation by staggering CPU access to the multiple GPUs (via multi process service). The algorithm is applied to simulated spherical reflection coefficients for 170 data sets along a 7-km track. We demonstrate substantial efficiency gains over previous methods, providing uncertainty quantification for 100+ data sets per 24 hours.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».