Deep neural network for learning wave scattering and interference of underwater acoustics
Notice bibliographique
Résumé
It is challenging to construct generalized physical models of underwater wave propagation owing to their complex physics and widely varying environmental parameters and dynamical scales. In this article, we present a deep convolutional recurrent autoencoder network (CRAN) for data-driven learning of complex underwater wave scattering and interference. We specifically consider the dynamics of underwater acoustic scattering from various non-uniform seamount shapes leading to complex wave interference patterns of back-scattered and forward-propagated waves. The CRAN consists of a convolutional autoencoder for learning low-dimensional system representation and a long short-term memory (LSTM)-based recurrent neural network for predicting system evolution in low dimensions. The convolutional autoencoder enables efficient dimension reduction of wave propagation by independently learning global and localized wave features. To improve the time horizon of wave dynamics prediction, we introduce an LSTM architecture with a single-shot learning mechanism and optimal time-delayed data embedding. On training the CRAN over 30 cases containing various seamount geometries and acoustic source frequencies, we can predict wave propagation up to a time horizon of 5 times the initiation sequence length for 15 out-of-training cases with a mean L2 error of approximately 10%. For selected out-of-training cases, the prediction time horizon could be increased to 6 times the initiation sequence length. Importantly, such predictions are obtained with physically consistent wave scattering and wave interference patterns and at 50% lower L2 error compared to routinely use standard LSTMs. These results demonstrate the potential of employing such deep neural networks for learning complex underwater ocean acoustic propagation physics.
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 ».