Data-Driven Differentiable Simulations for Three-Dimensional Range-Dependent Underwater Acoustics
Notice bibliographique
Résumé
Abstract Artificial intelligence is transforming the shipping industry by providing cutting-edge solutions that improve ship efficiency and safety. The combination of these technologies, as well as the unparalleled power of sensor technologies and data analysis, has the potential to transform shipping by effectively processing real-time data, identifying potential hazards, reducing the impact on marine life and assisting in decision making. There is a critical need for accurate and reliable prediction of far-field noise emanating from shipping vessels. Traditional full-order models relying on high-dimensional PDEs can be inefficient for real-time far-field noise prediction. Recent advancements in deep learning-based reduced-order models have demonstrated speeds several orders of magnitude faster than full-order simulations. However, existing models lack uncertainty quantification for decision-making and safety-critical tasks. This research addresses this gap by focusing on quantifying uncertainty in data-driven models for underwater acoustics. Using stochastic variational Gaussian process regression, we develop a data-driven model to predict underwater transmission loss (TL, expressed in dB) for regions surrounding Vancouver Island and the Port of Vancouver. The intrinsic ability of Gaussian process regression to predict variance facilitates robust uncertainty quantification in TL predictions. Furthermore, the model is implemented in PyTorch to ensure differentiability, enabling seamless integration with ship route optimization frameworks to minimize the impact on marine mammals. We also developed an algorithm utilizing radial basis function interpolation to reconstruct TL data from scattered points.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| 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 | 0,000 |
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 ».