Predicting transmission loss in underwater acoustics using continual learning with range-dependent conditional convolutional neural networks
Notice bibliographique
Résumé
Efficient and accurate prediction of underwater acoustic transmission loss (TL) is important for minimizing noise impacts on marine ecosystems and supporting naval operations. Traditional wave-based solvers are computationally expensive, especially for range-dependent bathymetry, rendering them unsuitable for real-time applications. Recent advances in data-driven models, particularly convolutional and recurrent neural networks, provide a more efficient alternative by substantially reducing the dimensionality of the data. However, these deep-learning models struggle with long-range wave forecasts as they often rely on auto-regressive predictions and lack far-field bathymetry information. This research aims to improve the accuracy of deep learning models for forecasting underwater radiated noise in far-field scenarios. We introduce a range-dependent conditional convolutional neural network that predicts TL fields in a single step by conditioning directly on input bathymetry. The model is trained using a replay-based continual learning strategy, which allows generalization across sequential bathymetric changes without retraining. We evaluate our model using multiple test cases and a benchmark scenario that involves predictions over the Dickins Seamount. Our architecture effectively captures transmission loss over range-dependent bathymetry profiles. The proposed framework provides an efficient deep learning model for digital twins of the ocean soundscape, enabling real-time decision-making for underwater radiated noise.
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 | 0,001 | 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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».