MétaCan
Menu
Retour à la cohorte
Enregistrement W4384160862 · doi:10.1109/oetic57156.2022.10176258

Effects of Different Hydrophone Sensitivities on Underwater Signal Measurement in the Test Tank

2022· article· en· W4384160862 sur OpenAlexaff
Laily Fajarwati, Hendra Adinanta, Yusron Feriadi, Endang Widjiati, Rahadian Rahadian, Chandra Permana, Arga Iman Malakani, Amilatin Rohmah

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueUnderwater Vehicles and Communication Systems
Établissements canadiensParks Canada
Organismes subventionnairesnon disponible
Mots-clésHydrophoneUnderwaterAcousticsSIGNAL (programming language)Underwater acoustic communicationUnderwater acousticsEnvironmental scienceMarine engineeringEngineeringGeologyComputer sciencePhysicsOceanography

Résumé

récupéré en direct d'OpenAlex

Underwater acoustic research nowadays is very much needed to achieve mastery of technology in underwater communication systems. At this stage, there isn’t much literature on tropical seawater such as in Indonesia. To achieve these key technologies, it is necessary to master these supporting technologies. Instrumentation in communication systems using underwater acoustics signals must be calibrated through the preparation stage before being implemented in the ocean experiment. In this paper, underwater acoustic signals measurement results are compared to two different hydrophones with different sensitivities. The experiment was carried in the test tank of the Hydrodynamic Laboratory of BRIN, in order to investigate the performances of underwater acoustic instrumentation. Based on the test, it concluded that the hydrophone B, with sensitivity of -208dBV re 1μPa, has a higher sensitivity than another hydrophone A, with sensitivity of -180dB re 1V/μPa. This is proven by the ripple in the received signal from the hydrophone A. With the frequency variation in the transmitted sinusoidal signal, the hydrophone A has a negative correlation between the PSD and the frequency change with the value of 0,9947.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,008
Score d'incertitude au seuil0,238

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,015
Tête enseignante GPT0,180
Écart entre enseignants0,165 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetUnderwater Vehicles and Communication SystemsTravaux en français237 207