기계학습 및 수치실험을 활용한 선체고정형소나 해상 시운전 평가 방안 = A sea trial method of hull-mounted sonar using machine learning and numerical experiments

다국어 초록 (Multilingual Abstract)

In this paper, efficient and reliable methodologies for conducting sea trials to evaluate the performance of hull-mounted sonar systems is discussed. These systems undergo performance verification during ship construction via sea trials. However, the evaluation procedures often lack detailed consideration of variabilities in detection performance due to seabed topography, seasonal factors. To resolve this issue, temperature and salinity structure data were collected from 1967 to 2022 using ARGO floats and ocean observers data. The paper proposes an efficient and reliable sea trial method incorporating Bellhop modeling. Furthermore, a machine learning model applying a Physics-Informed Neural Networks was developed using the acquired data. This model predicts the sound speed profile at specific points within the sea trial area, reflecting seasonal elements of performance evaluation. In this study, we predicted the seasonal variations in sound speed structure during sea trial operations at a specific location within the trial area. We then proposed a strategy to account for the variability in detection performance caused by seasonal factors, using results from Bellhop modeling.

국문 초록 (Abstract)

본 논문에서는 선체고정형소나의 해상 시운전을 효율적이면서 신뢰성 있게 수행하기 위한 방안을 제시하였다. 현재 함 건조 과정에서 선체고정형소나의 해상 시운전 절차에는 해저 지형, 계절적 요인 등에 따른 탐지 성능의 변동성이 세밀하게 반영되어 있지 않다. 문제 해결을 위해 1967년부터 2022년까지의 기간 동안 Array for Real time Geostrophic Oceanography(ARGO) 플로트 및 정선 해양관측 정점 데이터를 통해 수온, 염도 구조를 수집하고, 수집된 데이터를 바탕으로 월별 평균 음속 구조를 분석하였다. Bellhop 모델링을 통해 해상 시운전 구역 내 해저 지형 선택, 선체고정형소나와 표적함의 배치, 음파 전송 방향 및 빔 조향각 설정이 포함된 해상 시운전 세부 수행 방안을 제안하였다. 또한, 획득 데이터를 활용하여 물리정보신경망이 적용된 기계학습 모델을 도출하였다. 이를 통해 해상 시운전 구역내 특정 지점에서 해상 시운전을 수행하는 시점의 계절적 요소를 반영한 음속 구조를 예측하고, Bellhop 모델링 결과를통해 계절적 요인에 의한 탐지 성능 변동성을 반영한 해상 시운전 방안을 제시하였다.