Low-Frequency Acoustic Source Detection and Localization
Notice bibliographique
Résumé
In aviation, clear-air turbulence (CAT) is a major cause of in-flight injuries. It occurs in cloudless skies and cannot be detected by the onboard weather radar. Studies have predicted the extent of CAT to increase substantially in the next few decades, thus \nnecessitating a method for detecting CAT. \n \nWith CAT known to generate low-frequency and infrasonic acoustic emissions, acoustic-based methods can potentially be deployed for detection and localization. This thesis studies low-frequency acoustic source detection and localization in the context of CAT. \n \nLocalizing low-frequency acoustic sources is challenging for acoustic beamforming which suffers from poor resolution at low source frequencies. A deep learning-based method is adopted as an alternative. Deep learning models for two-dimensional and three-dimensional acoustic source localization (ASL) have been built using synthetic data and computationally inexpensive neural network architectures. These models are necessary to prove the viability of deep learning for low-frequency ASL. The thesis then explores the potential of a deep learning-enabled, acoustics-based method for CAT detection in the future through a large-scale, virtual flight case, set up for the detection of a representative CAT source. The flight case tries to predict what an in-flight microphone will detect around a CAT source through a technique known as auralization which simulates the acoustic field of a source by modeling the sound propagation and determining what a receiver would hear. \n \nThe deep learning models yield promising qualitative and quantitative results that prove the feasibility of using deep learning for low-frequency ASL. Combined with the results from auralization, it can be concluded that there exists considerable scope for deep learning-enabled, acoustics-based detection and localization of CAT. The future work involves expanding the current scale of research with deeper network architectures to process real, in-flight acoustic data.
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 | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,002 |
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 ».