Predicting Wave Propagation for Varying Bathymetry Using Conditional Convolutional Autoencoder Network
Notice bibliographique
Résumé
Abstract In marine engineering applications, a crucial demand exists for the accurate and dependable prediction of far-field noise emanating from marine vessels. Traditional full-order models relying on the Navier-Stokes equations prove impractical, and advanced model reduction techniques can be inefficient for reliable far-field noise prediction. Recent advancements in deep learning-based reduced-order models have demonstrated effectiveness, achieving speeds several orders of magnitude faster than full-order simulations through the utilization of convolutional neural network architectures. Despite their effectiveness, existing models encounter considerable difficulties when forecasting wave propagation over extended time horizons and making predictions for distant locations. This research endeavors to enhance the predictive capacity of underwater radiated noise in far-field scenarios by refining the network architecture and integrating bathymetry information into the neural network input. Reduced-order models utilizing deep learning often rely on auto-regressive prediction, lacking information about far-field bathymetry. To overcome this limitation, we introduce a new range-conditional convolutional autoencoder network, which incorporates ocean bathymetry data into the input. To showcase the efficacy of our range-conditional convolutional autoencoder network, we examine a benchmark scenario involving far-field prediction over Dickin’s seamount. Our proposed architecture adeptly captures the transmission loss over a range-dependent, varying bathymetric profile. The architecture can be integrated into an adaptive management system for underwater radiated noise while providing real-time end-to-end mapping between near-field ship noise sources and marine mammals.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».