Новая технология поможет снизить экологическое воздействие подводного шумового загрязнения

Новая система, использующая искусственный интеллект для точного моделирования распространения звуковых волн под водой, может помочь уменьшить влияние шумового загрязнения на морскую жизнь.

Технологию разработали исследователи из Университета Глазго (Великобритания) и Университета Британской Колумбии (Канада). В будущем их система позволит таким отраслям, как судоходство и возобновляемая энергетика, принимать более обоснованные решения о влиянии своей деятельности на подводный мир.

Громкие звуки, создаваемые такими технологиями, как гребные винты грузовых судов, а также строительство и эксплуатация морских ветряных электростанций, оказывают негативное воздействие на широкий спектр морских организмов. Шум может нарушать пути миграции морских млекопитающих, таких как дельфины и киты, и влиять на их способность к эхолокации.

Одним из возможных решений для снижения воздействия подводного шума является более полное понимание того, как звуковые волны от деятельности человека движутся и распространяются в океане. Это могло бы помочь политикам разработать новые правила для судоходства и строительства офшорных турбин, чтобы смягчить их влияние на окружающую морскую жизнь.

Звуковые волны отражаются от поверхности океана, морского дна и всего, что находится между ними, в сложных, постоянно меняющихся паттернах. При движении через воду интенсивность волн также уменьшается — процесс, известный как потери при распространении.

Точное моделирование физики движения, взаимодействия и потерь звуковых волн под водой в настоящее время очень сложно без использования больших вычислительных мощностей. Крупномасштабные проекты могут занимать дни машинного времени для полного моделирования распространения звуковых волн в воде.

Исследователи задались целью выяснить, могут ли глубокие нейронные сети помочь решить вычислительную задачу и приблизить будущие системы к предоставлению обратной связи в реальном времени о распространении звуковых волн для практического применения.

В новой статье «Deep neural network for learning wave scattering and interference of underwater acoustics», которая будет опубликована в журнале Physics of Fluids, исследователи описывают, как они создали и протестировали свою систему моделирования акустических волн с использованием архитектуры нейронной сети, известной как сверточная рекуррентная автоэнкодерная сеть (CRAN).

CRAN работает путем сжатия очень сложных («высокоразмерных») данных моделирования в более упрощенную («низкоразмерную») форму. Затем современная модель ИИ, известная как сеть с долгой краткосрочной памятью, анализирует упрощенную модель на основе ранее изученной физики подводных процессов, выдавая прогнозы о том, как подводные звуковые волны распространяются во времени.

Поскольку система работает с упрощенной моделью и расширяет её с помощью машинного обучения, она может предоставлять результаты гораздо быстрее, чем традиционные процессы моделирования.

Для обучения системы исследователи создали 30 различных двумерных симуляций подводных сред, каждая с разным рельефом морского дна и звуковыми частотами, чтобы обучить сеть физике подводных звуковых волн.

После обучения CRAN попросили предсказать поведение звуковых волн в 15 новых подводных сценариях, которые сеть ранее не видела. Она справилась с задачей с замечательной точностью, правильно предсказав, как волны взаимодействуют друг с другом и рассеиваются твердыми поверхностями. Модель CRAN смогла точно предсказать распространение волн с ошибкой менее 10% для длительности, более чем в пять раз превышающей длительность данных, на которых она обучалась.

Доктор Врик Маллик из Инженерной школы Джеймса Уатта Университета Глазго, автор-корреспондент статьи, сказал: «Это действительно обнадеживающие результаты, которые ясно показывают потенциал глубоких нейронных сетей для предсказания сложной физики акустического распространения в подводной среде океана.

Ожидание результатов в секунды вместо дней стало бы значительным прорывом в этой области исследований, и эта статья показывает, как мы стали на шаг ближе к этому. Наличие обратной связи в реальном времени от устройств, которые можно использовать в океане, позволило бы гораздо эффективнее планировать меры по смягчению воздействия шумового загрязнения на морских животных.

Хотя это исследование на ранней стадии продемонстрировало эффективность CRAN на двумерных данных, мы уверены, что технологию можно масштабировать для решения задачи работы с полностью трехмерными акустическими симуляциями. Мы уже начали работу по дальнейшему развитию и усовершенствованию системы и планируем испытать её в реальных условиях в ближайшие месяцы».