A methodology to define underwater acoustic radiated noise norms for small commercial vessel classes using neural networks
Notice bibliographique
Résumé
To address the International Maritime Organization's underwater radiated noise (URN) reduction guidelines (MEPC.1/Circ.833), vessels undertake rangings to evaluate their URN against classification society norms. However, norms for smaller vessels, like Canada's inshore fishing fleet, are not established. The proposed methodology informs URN class norms for small commercial vessels, while minimizing individual vessel rangings, through three steps. Firstly, representative class members are acoustically ranged over the range of operating conditions. URN is logged and correlated with on-board measures of structure-borne noise, ma- chinery states, hull fouling, and weather. Secondly, a neural network (NN) is trained to predict the URN from these logged measures. Third and finally, the network's sensitivity to logged measures is analyzed using per-mutation importance and dropout. Sensitive features demarcate the class, or must be logged for each vessel, towards accurate predictions. This methodology is demonstrated on the Cape Islanders class. The trained NN predicted the decidecade URN spectrum (100Hz - 50kHz) to an accuracy of 6.6dB re: 1microPascal at 1m. URN prediction sensitivity to in-water conditions, engine speed, engine power, cavitation-induced hull vibrations, and hull fouling extent indicates important features to log. This shows that class-wide analysis of URN can inform small vessel class norms using the proposed methodology.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».