The Journal of the Acoustical Society of Korea (한국음향학회지)

The Acoustical Society of Korea (한국음향학회)
권호 표지
DOI QR코드

DOI QR Code

Prediction of time-series underwater noise data using long short term memory model

Long short term memory 모델을 이용한 시계열 수중 소음 데이터 예측

  • 이혜선 (세종대학교 대학원 해양시스템융합공학과) ;
  • 홍우영 (세종대학교 대학원 해양시스템융합공학과) ;
  • 김국현 (동명대학교 조선해양공학과) ;
  • 이근화 (세종대학교 대학원 해양시스템융합공학과)
  • Received : 2023.05.19
  • Accepted : 2023.07.06
  • Published : 2023.07.31
Download PDF
⟨ Previous Next ⟩

Abstract

In this paper, a time series machine learning model, Long Short Term Memory (LSTM), is applied into the bubble flow noise data and the underwater projectile launch noise data to predict missing values of time-series underwater noise data. The former is mixed with bubble noise, flow noise, and fluid-induced interaction noise measured in a pipe and can be classified into three types. The latter is the noise generated when an underwater projectile is ejected from a launch tube and has a characteristic of instantaenous noise. For such types of noise, a data-driven model can be more useful than an analytical model. We constructed an LSTM model with given data and evaluated the model's performance based on the number of hidden units, the number of input sequences, and the decimation factor of signal. It is shown that the optimal LSTM model works well for new data of the same type.

본 논문에서는 일부 소음 데이터만 알고 있을 때 결손된 데이터를 예측할 목적으로 수조에서 측정된 기포유동 소음 데이터와 수중 운동체 발사 소음 데이터를 시계열 기계학습 모델인 Long Short Term Memory(LSTM)에 적용해 보았다. 기포유동소음 데이터는 파이프에서 측정된 소음으로 기포소음, 유동소음, 유체기인소음이 혼합되어 있으며 유형별로 3가지로 분류할 수 있다. 수중 운동체 발사소음은 모형 발사튜브에서 수중 운동체가 사출될 때 발생하는 소음으로 순간소음이며 발사 이벤트마다 불규칙하게 변한다. 이러한 종류의 소음 생성을 위해서는 해석적인 모델보다는 데이터 기반 모델이 유용할 수 있다. 본 연구에서는 LSTM을 데이터 기반 모델을 만들었다. 모델에 영향을 주는 LSTM의 은닉유닛의 개수, 입력시퀸스의 개수, 데시메이션 인자에 따른 모델의 성능을 확인하고 최적의 LSTM 모델을 구성했다. 같은 유형은 새로운 데이터에 대해서도 잘 동작하는 것을 보였다.

Keywords

Acknowledgement

이 논문은 2023년 정부(방위사업청)의 재원으로 국방기술진흥연구소의 지원을 받아 수행된 연구임(20-106-B00-003).

References

  1. B. Allotta, R. Costanzi, A. Ridolfi, M. A. Pascali, M. Reggiannini, O. Salvetti, and J. Sharvit, "Acoustic data analysis for underwater archaeological sites detection and mapping by means of autonomous underwater vehicles," Proc. OCEANS, 1-6 (2015).
  2. J. S. Wit, "Advances in antisubmarine warfare," Sci. Am. 244, 31-41 (1981). https://doi.org/10.1038/scientificamerican0281-31
  3. R. J. Urick, Principles of Underwater Sound (Peninsular Publishing, Los Altos Hills, 1983), pp. 331-341.
  4. P. C. Etter, Underwater Acoustic Modeling and Simulation (CRC press, United States, 2018), pp. 200-231.
  5. Y. Li, B. Wang, G. Shao, S. Shao, and X. Pei, "Blind detection of underwater acoustic communication signals based on deep learning," IEEE Access, 8, 204114-204131 (2020). https://doi.org/10.1109/ACCESS.2020.3036883
  6. S. J. Yeo, S. Y. Hong, J. H. Song, H. W. Kwon, and H. Seol, "Flow-induced noise prediction for submarines," J. Korean Soc. Mar. Environ. Saf. 24, 930-938 (2018). https://doi.org/10.7837/kosomes.2018.24.7.930
  7. Y. Yu, X. Si, C. Hu, and J. Zhang, "A review of recurrent neural networks: LSTM cells and network architectures," Neural comput. 31, 1235-1270 (2019). https://doi.org/10.1162/neco_a_01199
  8. P. J. Werbos, "Backpropagation through time: what it does and how to do it," Proc. IEEE, 78, 1550-1560 (1990). https://doi.org/10.1109/5.58337
  9. A. Sherstinsky, "Fundamentals of recurrent neural network (RNN) and long short-term memory (LSTM) network," Physica D: Nonlinear Phenomena, 404, 132306 (2020).
  10. S. Hochreiter and J. Schmidhuber, "Long short-term memory," Neural comput. 9, 1735-1780 (1997). https://doi.org/10.1162/neco.1997.9.8.1735
  11. A. Vaswani, N. Shazeer, N. Parmar, J. Uszkoreit, L. Jones, A. N. Gomez, L. Kaiser, and I. Polosukhin, "Attention is all you need," Proc. NIPS, 5998-6008 (2017).
  12. H. Lee, W. Hong, K. Kim, and K. Lee, "Flow noise prediction in a reverberant water tank using machine learning" (in Korean), J. Acoust. Soc. Kr. Suppl.2(s), 39, 110 (2020).
  13. S. Pyo and K. Lee, "Noise measurements in the bubbly flow of the pipe system" (in Korean), J. Acoust. Soc. Kr. Suppl.2(s), 39, 106 (2020).
  14. Y. Park, K. Kim, D. S. Cho, and J. J. Lee, "Numerical and experimental investigation on structure-acoustic coupling effect in a reverberant water tank," J. Soc. Nav. Archit. Korea, 56, 94-101 (2019). https://doi.org/10.3744/SNAK.2019.56.1.094
  15. K. Kim, "Acoustic field analysis of reverberant water tank using acoustic radiosity method and experimental verification," J. Soc. Nav. Archit. Korea, 56, 464-471 (2019). https://doi.org/10.3744/SNAK.2019.56.5.464