28862

رويكرد يادگيري ماشين مبتني بر مدل‌سازي جهت تخمين پروفيل سرعت صدا در تيكه‌نگاري صوتي ساحلي

كارشناسي ارشد

مهندسي عمران- مهندسي سواحل، بنادر و سازه‌هاي دريايي

1398

1401/7/25

مصطفي سيادت موسوي - مسعود بحريني‌مطلق

مهندسي عمران

در گام اول اين مطالعه، مدل انتشار امواج صوتي برحسب نظريه پرتو توسعه داده شد. جهت صحت‌سنجي دقت برنامه تهيه شده، از دو آزمايش تيكه‌نگاري صوتي در خليج‌فارس و سد لتيان استفاده شد. سپس در گام دوم، بكارگيري مدل تهيه شده جهت توليد داده‌هاي آموزشي در استفاده از رويكرد يادگيري ماشين براي تخمين پروفيل سرعت صدا صورت گرفت. پروفيل‌هاي سرعت صداي استفاده شده در اين مطالعه از سوابق تاريخي دما و شوري در خليج‌فارس به‌دست آمده‌اند. اما به‌دليل بعد بالاي اين داده‌ها (تعداد نمونه برداشت شده در عمق)، در تخمين پروفيل سرعت صدا نياز به خروجي‌هاي بيشتري در مدل‌ يادگيري ماشين وجود دارد كه باعث افرايش خطاي پيش‌بيني مي‌شود. بنابراين، براي ساده‌سازي مسئله مورد بحث، با استفاده از الگوريتم خوشه‌بندي ميانگين-كي داده‌هاي پروفيل سرعت صدا طبقه‌بندي شده‌اند. در اين طبقه‌بندي سعي شده است كه داده‌هاي هر گروه ساختار عمودي مشابه‌اي در عمق داشته باشند. در نهايت، پس از تهيه داده‌‌هاي آموزشي، از مدل ماشين بردار پشتيبان براي مسئله طبقه‌بندي پروفيل سرعت صدا استفاده شد. نتايج نشان داد كه توزيع نامتعادل در پروفيل‌هاي سرعت صدا به صورت گروه غالب همگن و گروه اقليت چينه‌بندي شده در كنار كمبود داده از عوامل اصلي دقت غيرقابل قبول در مدل اوليه يادگيري ماشين بود. بطوريكه، در اكثر موارد پروفيل‌هاي چينه‌بندي شده به اشتباه همگن تشخيش داده مي‌شدند. براي غلبه بر اين مشكل، با استفاده از روش‌هاي مبتني بر فاصله داده‌هاي مشابه با گروه‌هاي اقليت از داده‌هاي مربوط به اطراف ناحيه مورد مطالعه نمونه‌برداري شدند. نتايج دقت مدل‌ يادگيري ماشين نهايي تهيه شده، نشان دهنده كارايي مناسب اين روش بود. مقدار خطاي باقي‌مانده در دقت پيش‌بيني‌ها مربوط به روش خوشه بندي ميانگين-كي، همپوشاني بين گروه‌ها، و پيچيدگي درون گروهي تشخيص داده شد. بر اساس نتايج پژوهش حاضر مي‌توان به محققان پيشنهاد داد كه با استفاده از اين مدل‌ تهيه شده قادر به تخمين پروفيل سرعت صدا بدون نياز به ابزار جانبي انداز‌گيري در كنار دستگاه صوتي باشند و هزينه داده‌‌برداري ميداني را كاهش دهند. همچنين، با استفاده از مدل انتشار امواج صوتي تهيه شده كه در صحت سنجي دقت خوبي نشان داد، مي‌توان به درك انتشار صدا پرداخت تا بهترين رويكرد لازم جهت دريافت بهترين سيگنال‌هاي صوتي اتخاذ شود و دامنه كارايي دستگاه‌هاي صوتي را افزايش داد.

1402/07/24

Model based-machine learning approach for sound speed profile estimation in coastal acoustic tomography

10/17/2023 12:00:00 AM

In the initial phase of this study, a sound wave propagation model was developed based on the ray theory. To validate the accuracy of the developed program, two acoustic tomography experiments were conducted in the Persian Gulf and the Latian Dam. Subsequently, in the second phase, the developed model was employed to generate training data using a model-based machine learning approach to estimate sound velocity profiles. The sound velocity profiles used in this study were derived from historical temperature and salinity data in the Persian Gulf. However, due to the limited depth samples in the dataset, there is a need for additional outputs in the machine learning model, leading to an increase in prediction error. To simplify the problem, clustering algorithms were utilized to classify the sound velocity profile data. In this classification, efforts were made to ensure that data within each group exhibited similar vertical structures. Finally, after obtaining the training data, a Support Vector Machine model was applied to classify sound velocity profiles. The results indicated that the imbalanced distribution of sound velocity profiles, predominantly clustered within a homogenous group alongside a scarcity of data in the minority group, were among the primary factors contributing to the unacceptable accuracy in the initial machine learning model. In many cases, the classified sound velocity profiles were mistakenly identified as homogenous. To address this issue, distance-based methods were employed to sample data similar to the minority groups from the surrounding areas of the study region. The results of the final machine learning model accuracy demonstrated the effectiveness of this approach. The remaining prediction errors were attributed to overlaps between clusters and intragroup complexity. Based on the findings of this research, it is suggested that researchers can use the developed model to estimate sound velocity profiles without the need for additional measurement instruments alongside acoustic devices, thereby reducing field data collection costs. Additionally, by utilizing the sound wave propagation model developed, which demonstrated good accuracy in validation, a better understanding of sound propagation can be achieved, allowing for the adoption of the most suitable approach to obtain the best acoustic signals and enhance the performance range of acoustic devices.

امواج صوتي , تيكه‌نگاري صوتي , مدل‌سازي انتشار صدا , تئوري پرتو , مدل يادگيري ماشين , مدل بردار پشتيباني ماشين , پروفيل سرعت صدا

Acoustic waves , acoustical tomography , sound propagation models , ray Theory , machine learning , support vector machines , sound speed profile

Sorena Soltani

Dr. Siyadat Moosavi