CN116644295A - 海底沉积物声衰减宽频预测方法、计算机装置和存储介质 - Google Patents
海底沉积物声衰减宽频预测方法、计算机装置和存储介质 Download PDFInfo
- Publication number
- CN116644295A CN116644295A CN202310811104.XA CN202310811104A CN116644295A CN 116644295 A CN116644295 A CN 116644295A CN 202310811104 A CN202310811104 A CN 202310811104A CN 116644295 A CN116644295 A CN 116644295A
- Authority
- CN
- China
- Prior art keywords
- attenuation coefficient
- sound attenuation
- frequency
- sediment
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 239000013049 sediment Substances 0.000 title claims abstract description 91
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000003860 storage Methods 0.000 title claims abstract description 19
- 239000006185 dispersion Substances 0.000 claims abstract description 28
- 238000005457 optimization Methods 0.000 claims abstract description 13
- 239000002245 particle Substances 0.000 claims description 67
- 239000011159 matrix material Substances 0.000 claims description 53
- 238000012625 in-situ measurement Methods 0.000 claims description 36
- 239000012530 fluid Substances 0.000 claims description 33
- 230000006870 function Effects 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 22
- 230000008021 deposition Effects 0.000 claims description 21
- 239000011148 porous material Substances 0.000 claims description 18
- 239000002689 soil Substances 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000005259 measurement Methods 0.000 claims description 10
- 238000005452 bending Methods 0.000 claims description 9
- 230000005484 gravity Effects 0.000 claims description 9
- 230000035699 permeability Effects 0.000 claims description 9
- 238000011065 in-situ storage Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 238000001035 drying Methods 0.000 claims description 6
- 238000011835 investigation Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 4
- 238000005266 casting Methods 0.000 claims description 3
- 239000004927 clay Substances 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 239000004576 sand Substances 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 239000013535 sea water Substances 0.000 claims description 2
- 238000011160 research Methods 0.000 abstract description 3
- 238000001514 detection method Methods 0.000 abstract description 2
- 238000004590 computer program Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/02—Investigating particle size or size distribution
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/08—Investigating permeability, pore-volume, or surface area of porous materials
- G01N15/088—Investigating volume, surface area, size or distribution of pores; Porosimetry
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/04—Analysing solids
- G01N29/11—Analysing solids by measuring attenuation of acoustic waves
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Immunology (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Dispersion Chemistry (AREA)
- Mathematical Physics (AREA)
- Acoustics & Sound (AREA)
- Signal Processing (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Software Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- Remote Sensing (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明公开了一种海底沉积物声衰减宽频预测方法、计算机装置及存储介质，本发明使用经过训练的沉积物声衰减系数高频范围值预测模型进行预测，因此相对于使用经验公式进行计算的相关技术，预测得到的声衰减系数值更加接近于真实值，预测结果误差更低，精度更高，而且沉积物声衰减系数高频范围值预测模型的数据库可扩展，允许后续添加实测数据，容易进行优化升级，从而提高预测精度；本发明结合不同沉积物类型的宽频频散曲线，可以将预测的高频范围值转换为宽频范围值，得到声衰减系数的宽频数据，低频数据可以直接应用到水声低频探测中，宽频数据可以直接应用到声学理论建模研究中，提高理论建模精度。本发明广泛应用于海底沉积物声学技术领域。
Description
技术领域
本发明涉及海底沉积物声学技术领域，尤其是一种海底沉积物声衰减宽频预测方法、计算机装置及存储介质。
背景技术
声衰减系数是海底沉积物最重要的声学性质之一，是声传播理论的基础参数，声衰减系数的准确预报决定着地声模型的精度，是海洋声场研究不可缺少的研究内容。目前海底沉积物的声衰减系数预测主要是根据声衰减系数经验方程进行预测，但是由于经验方程都是根据不同区域的声学数据建立的方程，具有一定的局域性，根据不同海域建立的声衰减系数经验方程并不能通用。而且经验方程大多数是单参数或者双参数方程，而单参数或者双参数并不能完全代表海底沉积物的性质，其预测结果与实际测量结果相差较大。其次，经验方程大多是基于取样测量构建的，但是由于取样测量会对沉积物产生扰动，且改变了其原始沉积环境，取样测量有一定的误差。
发明内容
针对目前的海底沉积物声衰减系数测量技术存在的误差大等技术问题，本发明的目的在于提供一种海底沉积物声衰减宽频预测方法、计算机装置及存储介质。
一方面，本发明实施例包括一种海底沉积物声衰减宽频预测方法，包括：
S1.获取海底沉积物宽频声衰减系数数据的步骤：
S101.首先在科考船甲板上对原位测量设备设定发射周期、采样间隔、采样时间和发射功率参数；
S102.利用动力定位系统将科考船停泊在工作站位，然后利用A架和船载地质绞车设备，将原位测量设备吊放到海底，确认原位测量设备触底后，原位测量设备开始工作，原位测量设备的声学发射电路激发发射换能器发射声波，测量频率频点为n点；声波信号穿过海底沉积物后，被原位测量设备的接收换能器接收，并存储在存储单元中；
S103.利用A架和船载地质绞车设备将原位测量设备从海底提升到船甲板上，完成一次原位测量；
S104.利用电脑连接原位测量设备的存储单元，将原位系统测量接收的信号导出，后续在电脑中对信号进行分析；
S105.基于公式(1)计算声衰减系数αp：
式中，αp为海底沉积物的声衰减系数，其单位为dB/m，d为原位测量系统发射换能器和接收换能器的距离，Aw为海水中的声波信号振幅峰值，As为海底沉积物中的声波信号振幅峰值，通过n次发射和接收，测量获取该站位沉积物声衰减系数的范围值；
S106.在原位测量时，根据GPS卫星信号采集作业站位的经纬度坐标，根据经纬度坐标和Generic Mapping Tools软件计算得到作业站位离最近海岸的距离，根据船载多波束系统获取站位的水深信息，综合得到站位信息；
S2.沉积物物理参数测量的步骤：
S201.在原位测量完成后，在同一站位，利用重力取样器、箱式取样器或抓斗采集相同站位的海底沉积物柱状样品；
S202.对沉积物样品进行沉积物物理参数的测量，具体测量海底沉积物的粒组含量、粒度系数、孔隙度、密度参数，其中粒组含量包括砾石、砂、粉砂和黏土的含量，粒度系数包括平均粒径、中值粒径、偏态值、峰态值、分选系数、曲率系数和不均匀系数；
S203.采用环刀法密度测定，选取代表性试样，利用电热烘箱在105-110℃恒温下进行烘干，烘干时间8小时以上；对含有机质超过干土质量5％的土，将温度控制在65～70℃的恒温下烘至恒重，得到容重；采用比重瓶法测定土粒比重，根据所做的土粒比重试验结果，结合试样的容重来计算孔隙度；
S204.沉积物粒径测量时，采用筛析法和Malvern Mastersizer激光粒度仪测试样品的全样粒度，获得粒组含量、粒度系数数据；
S3.运用支持向量回归算法建立沉积物声衰减系数高频范围值预测模型的步骤：
S301.在多类沉积环境中确定一类沉积环境，然后在n个测量频率频点中选取一个频点的测量数据进行训练，每个频点的训练数据为N个；
S302.将物理参数、站位信息、粒组含量和粒度系数整合为一个特征矩阵T，特征矩阵是模型的输入特征数据，然后将步骤S1中原位测量获取的声衰减系数αp的最大值整理为数据矩阵Lmax，将声衰减系数αp的最小值整理为数据矩阵Lmin，将数据矩阵Lmax和数据矩阵Lmin作为训练标签；
S303.将数据特征矩阵T和数据矩阵Lmax作为训练数据输入到支持向量回归算法中，对预测模型进行训练，并根据数据特征矩阵模型T和数据矩阵Lmax之间的代价函数costfunction对预测模型进行调参和优化，得到声衰减系数预测的max模型；
S304.将数据特征矩阵T和数据矩阵Lmin作为训练数据输入到支持向量回归算法中，对预测模型进行训练，并根据数据特征矩阵模型T和数据矩阵Lmin之间的代价函数costfunction对预测模型进行调参和优化，得到声衰减系数预测的min模型；
S305.将max模型和min模型，通过公式f(声衰减系数范围值预测模型)＝{f(min模型)，
f(max模型)}整合为该沉积环境下一个频点的声衰减系数范围值的预测模型；
S306.重复步骤S301-S305，得到各类沉积环境下n个频点的声衰减系数范围值的预测模型；
S4.声衰减系数预测值的宽频频散曲线构建的步骤
S401.根据BIOT-STOLL声波理论，基于声波方程(2)-(5)得到沉积物的骨架体积模型H、孔隙流体体积模量C和颗粒体积模量M：
其中Kr是颗粒体积模量，Kf是孔隙流体体积模量，Kb和μ是骨架体积模量和剪切模量，Kr和Kf是实数，Kb和μ是复常数；
沉积物声波与频率的关系方程为：
其中：
l＝lr-jα
ρ＝ρs(1-n)+ρfn
其中，κ是渗透率，η是孔隙流体粘滞系数，ρ是体积密度，ρf是流体密度，ρs是颗粒密度，n是孔隙度，d是平均粒径，ω是角频率，m为有效流体密度，F为高频校正因子，l为复波数，α是孔隙弯曲因子；
令Y＝(l/ω)2，解以上方程组(2)-(6)，则矩阵方程的两个解Y1、Y2，进而得到沉积物声衰减系数αp的函数结果：
Y1是两个解之一，有一个负的虚分量和一个较小的实分量，ω＝2πf，根据公式(2)到(7)得到声衰减系数随频率变化的理论曲线；公式(2)-(7)需要的输入参数包括渗透率、流体粘滞系数、颗粒密度、流体密度孔隙度、孔隙弯曲因子、颗粒体积模量、流体体积模量、框架剪切模量、框架体积模量和频率，这里计算输入的频率范围是1Hz-120kHz；
将公式(7)得到的声衰减系数与频率的理论频散曲线表示为αp(X)，其中αp(X)的频率范围是1Hz-120kHz，X代表输入参数矩阵，其中输入参数包括渗透率、流体粘滞系数、颗粒密度、流体密度孔隙度、孔隙弯曲因子、颗粒体积模量、流体体积模量、框架剪切模量、框架体积模量和频率；
S5.声衰减系数宽频范围值预测的步骤
S501.在对沉积物声衰减系数进行预测时，先确定沉积环境，然后将站位信息、物理参数、粒组含量和粒度系数分别输入到步骤S3构建的n个频点的声衰减系数范围值预测模型中，得到一类沉积环境下n个频点的声衰减系数预测范围值，其中n个频点的频率范围是10kHz-120kHz；
S502.将n个点的高频声衰减系数范围值的max数据投点到步骤S4获得的声衰减系数随频率变化的理论频散曲线上，根据n个max数据构建一个新的拟合函数f(max)，对公式(2)-(7)的输入参数进行数值优化调整，使得理论频散曲线αp(X)与拟合函数f(max)差值最小，从而得到一条声衰减系数预测值频散曲线的上限αp(Xmax)和对应的输入参数Xmax矩阵，频率范围为1Hz-120kHz；
S503.将n个点的高频声衰减系数范围值的min数据投点到步骤S4获得的声衰减系数随频率变化的理论频散曲线上，根据这n个min数据构建一个新的拟合函数f(min)，对公式(2)-(7)的输入参数进行数值优化调整，使得理论频散曲线αp(X)与拟合函数f(min)差值最小，从而得到一条声衰减系数预测值频散曲线的下限αp(Xmin)和对应的输入参数Xmin矩阵，频率范围为1Hz-120kHz；
S504.根据步骤S501-S503得到的两条声衰减系数预测值频散曲线分别表示声衰减系数预测值的上下限，声衰减系数预测值频散曲线的频率范围是1Hz-120kHz，在进行宽频预测时，选取一个频率，然后读取两条声衰减系数预测值频散曲线上对应频率的坐标值，可以得到对应频率的声衰减系数范围预测值，从而实现1Hz-120kHz的宽频声衰减系数范围值预测。原位测量的频率范围为10kHz-120kHz。
进一步地，n为不小于3的整数。
进一步地，N为不小于100的正整数。
进一步地，步骤S202在陆地实验室中进行。
进一步地，环刀法中所使用的环刀内径为61.8mm，高为20mm。
进一步地，沉积环境包括大陆架、大陆坡和深海盆地。
另一方面，本发明实施例还包括一种计算机装置，包括存储器和处理器，所述存储器用于存储至少一个程序，所述处理器用于加载所述至少一个程序以执行实施例中的一种海底沉积物声衰减宽频预测方法。
另一方面，本发明实施例还包括一种存储介质，其中存储有处理器可执行的程序，所述处理器可执行的程序在由处理器执行时用于执行实施例中的一种海底沉积物声衰减宽频预测方法。
本发明的有益效果是：实施例中的海底沉积物声衰减宽频预测方法，由于使用经过训练的沉积物声衰减系数高频范围值预测模型进行预测，因此相对于使用经验公式进行计算的相关技术，预测得到的声衰减系数值更加接近于真实值，预测结果误差更低，精度更高，而且沉积物声衰减系数高频范围值预测模型的数据库可扩展，允许后续添加实测数据，进一步对沉积物声衰减系数高频范围值预测模型进行优化升级，从而提高预测精度；另一方面，本实施例中的海底沉积物声衰减宽频预测方法结合了不同沉积物类型的宽频频散曲线，可以将预测的高频范围值转换为宽频范围值，从而得到声衰减系数的宽频数据，由于宽频数据包含了高频和低频数据，其中低频数据可以直接应用到水声低频探测中，而且宽频数据也可以直接应用到声学理论建模研究中，提高理论建模精度。
附图说明
图1为实施例中海底沉积物声衰减宽频预测方法的步骤图；
图2为实施例中海底沉积物声衰减宽频预测方法的原理示意图。
具体实施方式
本实施例中，参照图1，海底沉积物声衰减宽频预测方法包括以下步骤：
S1.获取海底沉积物宽频声衰减系数数据：
S2.沉积物物理参数测量：
S3.运用支持向量回归算法建立沉积物声衰减系数高频范围值预测模型：
S4.声衰减系数预测值的宽频频散曲线构建；
S5.声衰减系数宽频范围值预测。
本实施例中，步骤S1-S5的原理如图2所示。
在执行步骤S1，也就是获取海底沉积物宽频声衰减系数数据这一步骤时，具体可以执行以下步骤：
S101.首先在科考船甲板上对原位测量设备设定发射周期、采样间隔、采样时间和发射功率参数；
S102.利用动力定位系统将科考船停泊在工作站位，然后利用A架和船载地质绞车设备，将原位测量设备吊放到海底，确认原位测量设备触底后，原位测量设备开始工作，原位测量设备的声学发射电路激发发射换能器发射声波，测量频率频点为n点；声波信号穿过海底沉积物后，被原位测量设备的接收换能器接收，并存储在存储单元中；
S103.利用A架和船载地质绞车设备将原位测量设备从海底提升到船甲板上，完成一次原位测量；
S104.利用电脑连接原位测量设备的存储单元，将原位系统测量接收的信号导出，后续在电脑中对信号进行分析；
S105.基于公式(1)计算声衰减系数αp：
式中，L为原位测量系统发射换能器和接收换能器的距离，t为通过海底沉积物的传播时间，ts为测试系统的声波传播迟滞时间，通过n次发射和接收，测量获取该站位沉积物声衰减系数的范围值；
S106.在原位测量时，根据GPS卫星信号采集作业站位的经纬度坐标，根据经纬度坐标和Generic Mapping Tools软件计算得到作业站位离最近海岸的距离，根据船载多波束系统获取站位的水深信息，综合得到站位信息。
在执行步骤S2，也就是沉积物物理参数测量这一步骤时，具体可以执行以下步骤：
S201.在原位测量完成后，在同一站位，利用重力取样器、箱式取样器或抓斗采集相同站位的海底沉积物柱状样品；
S202.对沉积物样品进行沉积物物理参数的测量，具体测量海底沉积物的粒组含量、粒度系数、孔隙度、密度参数，其中粒组含量包括砾石、砂、粉砂和黏土的含量，粒度系数包括平均粒径、中值粒径、偏态值、峰态值、分选系数、曲率系数和不均匀系数；
S203.采用环刀法密度测定，选取代表性试样，利用电热烘箱在105-110℃恒温下进行烘干，烘干时间8小时以上；对含有机质超过干土质量5％的土，将温度控制在65～70℃的恒温下烘至恒重，得到容重；采用比重瓶法测定土粒比重，根据所做的土粒比重试验结果，结合试样的容重来计算孔隙度；
S204.沉积物粒径测量时，采用筛析法和Malvern Mastersizer激光粒度仪测试样品的全样粒度，获得粒组含量、粒度系数数据。
在执行步骤S3，也就是运用支持向量回归算法建立沉积物声衰减系数高频范围值预测模型这一步骤时，具体可以执行以下步骤：
S301.在多类沉积环境中确定一类沉积环境，然后在n个测量频率频点中选取一个频点的测量数据进行训练，每个频点的训练数据为N个；
S302.将物理参数、站位信息、粒组含量和粒度系数整合为一个特征矩阵T，特征矩阵是模型的输入特征数据，然后将步骤S1中原位测量获取的声衰减系数αp的最大值整理为数据矩阵Lmax，将声衰减系数αp的最小值整理为数据矩阵Lmin，将数据矩阵Lmax和数据矩阵Lmin作为训练标签；
S303.将数据特征矩阵T和数据矩阵Lmax作为训练数据输入到支持向量回归算法中，对预测模型进行训练，并根据数据特征矩阵模型T和数据矩阵Lmax之间的代价函数costfunction对预测模型进行调参和优化，得到声衰减系数预测的max模型；
S304.将数据特征矩阵T和数据矩阵Lmin作为训练数据输入到支持向量回归算法中，对预测模型进行训练，并根据数据特征矩阵模型T和数据矩阵Lmin之间的代价函数costfunction对预测模型进行调参和优化，得到声衰减系数预测的min模型；
S305.将max模型和min模型，通过公式f(声衰减系数范围值预测模型)＝{f(min模型)，f(max模型)}整合为该沉积环境下一个频点的声衰减系数范围值的预测模型；
S306.重复步骤S301-S305，得到各类沉积环境下n个频点的声衰减系数范围值的预测模型。
在执行步骤S4，也就是声衰减系数预测值的宽频频散曲线构建这一步骤时，具体可以执行以下步骤：
S401.根据BIOT-STOLL声波理论，基于声波方程(2)-(5)得到沉积物的骨架体积模型H、孔隙流体体积模量C和颗粒体积模量M：
其中Kr是颗粒体积模量，Kf是孔隙流体体积模量，Kb和μ是骨架体积模量和剪切模量，Kr和Kf是实数，Kb和μ是复常数；
沉积物声波与频率的关系方程为：
其中：
l＝lr-jα
ρ＝ρs(1-n)+ρfn
其中，κ是渗透率，η是孔隙流体粘滞系数，ρ是体积密度，ρf是流体密度，ρs是颗粒密度，n是孔隙度，d是平均粒径，ω是角频率，m为有效流体密度，F为高频校正因子，l为复波数，α是孔隙弯曲因子；
令Y＝(l/ω)2，解以上方程组(2)-(6)，则矩阵方程的两个解Y1、Y2，进而得到沉积物声衰减系数αp的函数结果：
Y1是两个解之一，有一个负的虚分量和一个较小的实分量，ω＝2πf，根据公式(2)到(7)得到声衰减系数随频率变化的理论曲线；公式(2)-(7)需要的输入参数包括渗透率、流体粘滞系数、颗粒密度、流体密度孔隙度、孔隙弯曲因子、颗粒体积模量、流体体积模量、框架剪切模量、框架体积模量和频率，这里计算输入的频率范围是1Hz-120kHz；
将公式(7)得到的声衰减系数与频率的理论频散曲线表示为αp(X)，其中αp(X)的频率范围是1Hz-120kHz，X代表输入参数矩阵，其中输入参数包括渗透率、流体粘滞系数、颗粒密度、流体密度孔隙度、孔隙弯曲因子、颗粒体积模量、流体体积模量、框架剪切模量、框架体积模量和频率。
在执行步骤S5，也就是声衰减系数宽频范围值预测这一步骤时，具体可以执行以下步骤：
S501.在对沉积物声衰减系数进行预测时，先确定沉积环境，然后将站位信息、物理参数、粒组含量和粒度系数分别输入到步骤S3构建的n个频点的声衰减系数范围值预测模型中，得到一类沉积环境下n个频点的声衰减系数预测范围值，其中n个频点的频率范围是10kHz-120kHz；
S502.将n个点的高频声衰减系数范围值的max数据投点到步骤S4获得的声衰减系数随频率变化的理论频散曲线上，根据n个max数据构建一个新的拟合函数f(max)，对公式(2)-(7)的输入参数进行数值优化调整，使得理论频散曲线αp(X)与拟合函数f(max)差值最小，从而得到一条声衰减系数预测值频散曲线的上限αp(Xmax)和对应的输入参数Xmax矩阵，频率范围为1Hz-120kHz；
S503.将n个点的高频声衰减系数范围值的min数据投点到步骤S4获得的声衰减系数随频率变化的理论频散曲线上，根据这n个min数据构建一个新的拟合函数f(min)，对公式(2)-(7)的输入参数进行数值优化调整，使得理论频散曲线αp(X)与拟合函数f(min)差值最小，从而得到一条声衰减系数预测值频散曲线的下限αp(Xmin)和对应的输入参数Xmin矩阵，频率范围为1Hz-120kHz；
S504.根据步骤S501-S503得到的两条声衰减系数预测值频散曲线分别表示声衰减系数预测值的上下限，声衰减系数预测值频散曲线的频率范围是1Hz-120kHz，在进行宽频预测时，选取一个频率，然后读取两条声衰减系数预测值频散曲线上对应频率的坐标值，可以得到对应频率的声衰减系数范围预测值，从而实现1Hz-120kHz的宽频声衰减系数范围值预测。
参照图2所示的原理，本实施例中的海底沉积物声衰减宽频预测方法具有以下优点：
1、预测精度高
相对于传统的经验公式，如Hamilton经验公式，本实施例中的海底沉积物声衰减宽频预测方法使用经过训练的沉积物声衰减系数高频范围值预测模型进行预测，预测得到的声衰减系数值更加接近于真实值，预测结果误差更低，精度更高。具体地，在训练得到沉积物声衰减系数高频范围值预测模型时，使用了原位测量(也就是在海底原位环境下直接测量)所得到的数据，因此所获得的沉积物声衰减系数高频范围值预测模型具有更高的精度。
2、预测模型可以进一步升级
在以后的工作中，可以逐渐地将实测数据添加到沉积物声衰减系数高频范围值预测模型的数据库中，从而进一步对沉积物声衰减系数高频范围值预测模型进行优化升级，从而提高预测精度。
3、宽频数据更易于直接应用
本实施例中的海底沉积物声衰减宽频预测方法结合了不同沉积物类型的宽频频散曲线，可以将预测的高频范围值(例如1kHz-120kHz)转换为宽频范围值(例如1Hz-120kHz)，从而得到声衰减系数的宽频数据，能够在仅需使用高频范围值的数据进行训练的情况下，实现对宽频范围值内的声衰减系数范围进行预测。由于宽频数据包含了高频和低频数据，其中低频数据可以直接应用到水声低频探测中，而且宽频数据也可以直接应用到声学理论建模研究中，提高理论建模精度。
4、便于操作
对于操作人员来说，本实施例中的海底沉积物声衰减宽频预测方法操作简便，只需要输入相关参数就可以得到底质沉积物的声衰减系数，不需要进行其他操作，也没有繁杂的计算公式。
可以通过编写执行本实施例中的一种海底沉积物声衰减宽频预测方法的计算机程序，将该计算机程序写入至计算机装置或者存储介质中，当计算机程序被读取出来运行时，执行本实施例中的一种海底沉积物声衰减宽频预测方法，从而实现与实施例中的一种海底沉积物声衰减宽频预测方法相同的技术效果。
需要说明的是，如无特殊说明，当某一特征被称为“固定”、“连接”在另一个特征，它可以直接固定、连接在另一个特征上，也可以间接地固定、连接在另一个特征上。此外，本公开中所使用的上、下、左、右等描述仅仅是相对于附图中本公开各组成部分的相互位置关系来说的。在本公开中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。此外，除非另有定义，本实施例所使用的所有的技术和科学术语与本技术领域的技术人员通常理解的含义相同。本实施例说明书中所使用的术语只是为了描述具体的实施例，而不是为了限制本发明。本实施例所使用的术语“和/或”包括一个或多个相关的所列项目的任意的组合。
应当理解，尽管在本公开可能采用术语第一、第二、第三等来描述各种元件，但这些元件不应限于这些术语。这些术语仅用来将同一类型的元件彼此区分开。例如，在不脱离本公开范围的情况下，第一元件也可以被称为第二元件，类似地，第二元件也可以被称为第一元件。本实施例所提供的任何以及所有实例或示例性语言(“例如”、“如”等)的使用仅意图更好地说明本发明的实施例，并且除非另外要求，否则不会对本发明的范围施加限制。
应当认识到，本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术-包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现，其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而，若需要，该程序可以以汇编或机器语言实现。在任何情况下，该语言可以是编译或解释的语言。此外，为此目的该程序能够在编程的专用集成电路上运行。
此外，可按任何合适的顺序来执行本实施例描述的过程的操作，除非本实施例另外指示或以其他方式明显地与上下文矛盾。本实施例描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机系统的控制下执行，并且可作为共同地在一个或多个处理器上执行的代码(例如，可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。
进一步，所述方法可以在可操作地连接至合适的任何类型的计算平台中实现，包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现，无论是可移动的还是集成至计算平台，如硬盘、光学读取和/或写入存储介质、RAM、ROM等，使得其可由可编程计算机读取，当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外，机器可读代码，或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时，本实施例所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的方法和技术编程时，本发明还包括计算机本身。
计算机程序能够应用于输入数据以执行本实施例所述的功能，从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中，转换的数据表示物理和有形的对象，包括显示器上产生的物理和有形对象的特定视觉描绘。
以上所述，只是本发明的较佳实施例而已，本发明并不局限于上述实施方式，只要其以相同的手段达到本发明的技术效果，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。在本发明的保护范围内其技术方案和/或实施方式可以有各种不同的修改和变化。
Claims (9)
1.一种海底沉积物宽频声衰减系数预测方法，其特征在于，所述海底沉积物宽频声衰减系数预测方法包括：
S1.获取海底沉积物宽频声衰减系数数据的步骤：
S101.首先在科考船甲板上对原位测量设备设定发射周期、采样间隔、采样时间和发射功
率参数；
S102.利用动力定位系统将科考船停泊在工作站位，然后利用A架和船载地质绞车设备，将原位测量设备吊放到海底，确认原位测量设备触底后，原位测量设备开始工作，原位测量设备的声学发射电路激发发射换能器发射声波，测量频率频点为n点；声波信号穿过海底沉积物后，被原位测量设备的接收换能器接收，并存储在存储单元中；
S103.利用A架和船载地质绞车设备将原位测量设备从海底提升到船甲板上，完成一次原位测量；
S104.利用电脑连接原位测量设备的存储单元，将原位系统测量接收的信号导出，后续在电脑中对信号进行分析；
S105.基于公式(1)计算声衰减系数αp：
式中，αp为海底沉积物的声衰减系数，其单位为dB/m，d为原位测量系统发射换能器和接收换能器的距离，Aw为海水中的声波信号振幅峰值，As为海底沉积物中的声波信号振幅峰值，通过n次发射和接收，测量获取该站位沉积物声衰减系数的范围值；
S106.在原位测量时，根据GPS卫星信号采集作业站位的经纬度坐标，根据经纬度坐标和Generic Mapping Tools软件计算得到作业站位离最近海岸的距离，根据船载多波束系统获取站位的水深信息，综合得到站位信息；
S2.沉积物物理参数测量的步骤：
S201.在原位测量完成后，在同一站位，利用重力取样器、箱式取样器或抓斗采集相同站位的海底沉积物柱状样品；
S202.对沉积物样品进行沉积物物理参数的测量，具体测量海底沉积物的粒组含量、粒度系数、孔隙度、密度参数，其中粒组含量包括砾石、砂、粉砂和黏土的含量，粒度系数包括平均粒径、中值粒径、偏态值、峰态值、分选系数、曲率系数和不均匀系数；
S203.采用环刀法密度测定，选取代表性试样，利用电热烘箱在105-110℃恒温下进行烘干，烘干时间8小时以上；对含有机质超过干土质量5％的土，将温度控制在65～70℃的恒温下烘至恒重，得到容重；采用比重瓶法测定土粒比重，根据所做的土粒比重试验结果，结合试样的容重来计算孔隙度；
S204.沉积物粒径测量时，采用筛析法和Malvern Mastersizer激光粒度仪测试样品的全样粒度，获得粒组含量、粒度系数数据；
S3.运用支持向量回归算法建立沉积物声衰减系数高频范围值预测模型的步骤：
S301.在多类沉积环境中确定一类沉积环境，然后在n个测量频率频点中选取一个频点的测量数据进行训练，每个频点的训练数据为N个；
S302.将物理参数、站位信息、粒组含量和粒度系数整合为一个特征矩阵T，特征矩阵是模型的输入特征数据，然后将步骤S1中原位测量获取的声衰减系数αp的最大值整理为数据矩阵Lmax，将声衰减系数αp的最小值整理为数据矩阵Lmin，将数据矩阵Lmax和数据矩阵Lmin作为训练标签；
S303.将数据特征矩阵T和数据矩阵Lmax作为训练数据输入到支持向量回归算法中，对预测模型进行训练，并根据数据特征矩阵模型T和数据矩阵Lmax之间的代价函数costfunction对预测模型进行调参和优化，得到声衰减系数预测的max模型；
S304.将数据特征矩阵T和数据矩阵Lmin作为训练数据输入到支持向量回归算法中，对预测模型进行训练，并根据数据特征矩阵模型T和数据矩阵Lmin之间的代价函数costfunction对预测模型进行调参和优化，得到声衰减系数预测的min模型；
S305.将max模型和min模型，通过公式f(声衰减系数范围值预测模型)＝{f(min模型)，f(max模型)}整合为该沉积环境下一个频点的声衰减系数范围值的预测模型；
S306.重复步骤S301-S305，得到各类沉积环境下n个频点的声衰减系数范围值的预测模型；
S4.声衰减系数预测值的宽频频散曲线构建的步骤
S401.根据BIOT-STOLL声波理论，基于声波方程(2)-(5)得到沉积物的骨架体积模型H、孔隙流体体积模量C和颗粒体积模量M：
其中Kr是颗粒体积模量，Kf是孔隙流体体积模量，Kb和μ是骨架体积模量和剪切模量，Kr和Kf是实数，Kb和μ是复常数；
沉积物声波与频率的关系方程为：
其中：
l＝lr-jα
ρ＝ρs(1-n)+ρfn
其中，κ是渗透率，η是孔隙流体粘滞系数，ρ是体积密度，ρf是流体密度，ρs是颗粒密度，n是孔隙度，d是平均粒径，ω是角频率，m为有效流体密度，F为高频校正因子，l为复波数，α是孔隙弯曲因子；
令Y＝(l/ω)2，解以上方程组(2)-(6)，则矩阵方程的两个解Y1、Y2，进而得到沉积物声衰减系数αp的函数结果：
Y1是两个解之一，有一个负的虚分量和一个较小的实分量，ω＝2πf，根据公式(2)到(7)得到声衰减系数随频率变化的理论曲线；公式(2)-(7)需要的输入参数包括渗透率、流体粘滞系数、颗粒密度、流体密度孔隙度、孔隙弯曲因子、颗粒体积模量、流体体积模量、框架剪切模量、框架体积模量和频率，这里计算输入的频率范围是1Hz-120kHz；
将公式(7)得到的声衰减系数与频率的理论频散曲线表示为αp(X)，其中αp(X)的频率范围是1Hz-120kHz，X代表输入参数矩阵，其中输入参数包括渗透率、流体粘滞系数、颗粒密度、流体密度孔隙度、孔隙弯曲因子、颗粒体积模量、流体体积模量、框架剪切模量、框架体积模量和频率；
S5.声衰减系数宽频范围值预测的步骤
S501.在对沉积物声衰减系数进行预测时，先确定沉积环境，然后将站位信息、物理参数、粒组含量和粒度系数分别输入到步骤S3构建的n个频点的声衰减系数范围值预测模型中，得到一类沉积环境下n个频点的声衰减系数预测范围值，其中n个频点的频率范围是10kHz-120kHz；
S502.将n个点的高频声衰减系数范围值的max数据投点到步骤S4获得的声衰减系数随频率变化的理论频散曲线上，根据n个max数据构建一个新的拟合函数f(max)，对公式(2)-(7)的输入参数进行数值优化调整，使得理论频散曲线αp(X)与拟合函数f(max)差值最小，从而得到一条声衰减系数预测值频散曲线的上限αp(Xmax)和对应的输入参数Xmax矩阵，频率范围为1Hz-120kHz；
S503.将n个点的高频声衰减系数范围值的min数据投点到步骤S4获得的声衰减系数随频率变化的理论频散曲线上，根据这n个min数据构建一个新的拟合函数f(min)，对公式(2)-(7)的输入参数进行数值优化调整，使得理论频散曲线αp(X)与拟合函数f(min)差值最小，从而得到一条声衰减系数预测值频散曲线的下限αp(Xmin)和对应的输入参数Xmin矩阵，频率范围为1Hz-120kHz；
S504.根据步骤S501-S503得到的两条声衰减系数预测值频散曲线分别表示声衰减系数预测值的上下限，声衰减系数预测值频散曲线的频率范围是1Hz-120kHz，在进行宽频预测时，选取一个频率，然后读取两条声衰减系数预测值频散曲线上对应频率的坐标值，可以得到对应频率的声衰减系数范围预测值，从而实现1Hz-120kHz的宽频声衰减系数范围值预测。
2.根据权利要求1所述的海底沉积物宽频声衰减系数预测方法，其特征在于，原位测量的频率范围为10kHz-120kHz。
3.根据权利要求1所述的海底沉积物宽频声衰减系数预测方法，其特征在于，n为不小于3的整数。
4.根据权利要求1所述的海底沉积物宽频声衰减系数预测方法，其特征在于，N为不小于100的正整数。
5.根据权利要求1所述的海底沉积物宽频声衰减系数预测方法，其特征在于，步骤S202在陆地实验室中进行。
6.根据权利要求1所述的海底沉积物宽频声衰减系数预测方法，其特征在于，环刀法中所使用的环刀内径为61.8mm，高为20mm。
7.根据权利要求1所述的海底沉积物宽频声衰减系数预测方法，其特征在于，沉积环境包括大陆架、大陆坡和深海盆地。
8.一种计算机装置，其特征在于，包括存储器和处理器，所述存储器用于存储至少一个程序，所述处理器用于加载所述至少一个程序以执行权利要求1-7任一项所述的一种海底沉积物宽频声衰减系数预测方法。
9.一种计算机可读存储介质，其中存储有处理器可执行的程序，其特征在于，所述处理器可执行的程序在由处理器执行时用于执行权利要求1-7任一项所述的一种海底沉积物宽频声衰减系数预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310811104.XA CN116644295B (zh) | 2023-07-03 | 2023-07-03 | 海底沉积物声衰减宽频预测方法、计算机装置和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310811104.XA CN116644295B (zh) | 2023-07-03 | 2023-07-03 | 海底沉积物声衰减宽频预测方法、计算机装置和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116644295A true CN116644295A (zh) | 2023-08-25 |
| CN116644295B CN116644295B (zh) | 2023-12-12 |
Family
ID=87615646
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310811104.XA Active CN116644295B (zh) | 2023-07-03 | 2023-07-03 | 海底沉积物声衰减宽频预测方法、计算机装置和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116644295B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107247291A (zh) * | 2017-06-21 | 2017-10-13 | 上海海洋大学 | 海底浅地层声能衰减模型构建及其两个重要声能衰减特征参数提取方法 |
| CN110210100A (zh) * | 2019-05-27 | 2019-09-06 | 中国科学院南海海洋研究所 | 一种高精度海底底质沉积物声速预测方法 |
| US20220357476A1 (en) * | 2021-04-29 | 2022-11-10 | Zhejiang Ocean University | Inversion method and apparatus for multilayer seabed geoacoustic parameter in shallow sea, computer device and storage medium |
| CN115841076A (zh) * | 2022-11-29 | 2023-03-24 | 浙江海洋大学 | 基于bp神经网络模型的浅海分层海底地声参数反演方法 |
-
2023
- 2023-07-03 CN CN202310811104.XA patent/CN116644295B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107247291A (zh) * | 2017-06-21 | 2017-10-13 | 上海海洋大学 | 海底浅地层声能衰减模型构建及其两个重要声能衰减特征参数提取方法 |
| CN110210100A (zh) * | 2019-05-27 | 2019-09-06 | 中国科学院南海海洋研究所 | 一种高精度海底底质沉积物声速预测方法 |
| US20220357476A1 (en) * | 2021-04-29 | 2022-11-10 | Zhejiang Ocean University | Inversion method and apparatus for multilayer seabed geoacoustic parameter in shallow sea, computer device and storage medium |
| CN115841076A (zh) * | 2022-11-29 | 2023-03-24 | 浙江海洋大学 | 基于bp神经网络模型的浅海分层海底地声参数反演方法 |
Non-Patent Citations (6)
| Title |
|---|
| JINGQIANG WANG 等: "A New Compressional Wave Speed Inversion Method Based on Granularity Parameters", 《IEEE ACCESS》, vol. 7, pages 185849 - 185856, XP011763926, DOI: 10.1109/ACCESS.2019.2961115 * |
| R.E. PHILLIP 等: "A machine learning approach to predicting equilibrium ripple wavelength", 《ENVIRONMENTAL MODELLING & SOFTWARE》, vol. 157, pages 1 - 8 * |
| ZHONGQIANG WU 等: "Integrating multiple datasets and machine learning algorithms for satellite-based bathymetry in seaports", 《REMOTE SENSING》, vol. 13, no. 21, pages 1 - 12 * |
| 于盛齐 等: "海底沉积物声学特性研究进展与探讨", 《哈尔滨工程大学学报》, vol. 41, no. 10, pages 1571 - 1577 * |
| 罗云 等: "南海海底沉积物声学物理参数测定的温度和时间优化研究", 《热带海洋学报》, vol. 37, no. 4, pages 81 - 88 * |
| 龙建军 等: "小尺度海底沉积物的声衰减特性研究", 《热带海洋学报》, vol. 31, no. 2, pages 28 - 33 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116644295B (zh) | 2023-12-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116910473B (zh) | 海底沉积物宽频声速预测方法、计算机装置和存储介质 | |
| WO2020180818A1 (en) | System and method for wave prediction | |
| CN110210100B (zh) | 一种高精度海底底质沉积物声速预测方法 | |
| CN116738182B (zh) | 海底沉积物声衰减范围值的预测方法、装置和存储介质 | |
| CN116520431B (zh) | 浅表海底沉积物宽频分层声速结构构建方法、装置和介质 | |
| KR101435617B1 (ko) | 해저 지질 조사용 현장 음파 전달속도 측정 시스템 | |
| Wang et al. | Review of underwater acoustic propagation models. | |
| CN107247291A (zh) | 海底浅地层声能衰减模型构建及其两个重要声能衰减特征参数提取方法 | |
| CN112881525A (zh) | 一种海底沉积物声学特性原位测量装置、系统和方法 | |
| Haris et al. | Sounding out life in the deep using acoustic data from ships of opportunity | |
| Sertlek et al. | The effect of sound speed profile on shallow water shipping sound maps | |
| Li et al. | Measurement and modeling of high‐frequency acoustic properties in fine sandy sediments | |
| Jalving | Depth accuracy in seabed mapping with underwater vehicles | |
| CN116644295B (zh) | 海底沉积物声衰减宽频预测方法、计算机装置和存储介质 | |
| CN116559289B (zh) | 一种海底底质测量装置及方法 | |
| CN115906715B (zh) | 一种波浪作用下可压缩淤泥质海床土体运动速度计算方法及系统 | |
| CN116519799B (zh) | 宽频域海底沉积物取样测量声速值校正方法、装置和介质 | |
| Camin et al. | A comparison of sediment reflection coefficient measurements to elastic and poro-elastic models | |
| Lecours et al. | Assessing the spatial data quality paradox in the deep-sea | |
| CN103261525B (zh) | 用于确定装料区内混合物中的沉积层体积的方法和装置 | |
| Ton et al. | Beach and nearshore monitoring techniques | |
| Cordero et al. | Characterizing free and open-source tools for ocean-mapping | |
| JP2010122081A (ja) | 水測能力予測システム、水測能力予測方法、水測能力予測プログラム及び水測機器搭載移動体 | |
| CN117150183B (zh) | 海底沉积物孔隙度计算方法、装置、电子设备及介质 | |
| Crawford et al. | Development of a sound propagation model to monitor seismic survey noise in Irish waters |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |