面向水下辐射噪声数字孪生的物理引导概率代理建模框架

船舶交通是沿海水域水下辐射噪声日益增长的来源，这推动了用于运营性噪声缓解的实时海洋声学数字孪生的发展。我们提出了一个物理引导的概率框架，用于预测真实海洋环境中的三维传播损失。作为案例研究，我们考虑了从太平洋到温哥华港的航运路线上的萨利希海。我们使用高斯波束求解器，在季节性声速剖面和跨越12.5 Hz至8 kHz的三分之一倍频程频带上，生成了一个包含超过3000万对声源-接收器的数据集。我们首先评估了稀疏变分高斯过程（SVGP），然后结合了基于物理的均值函数，该函数将球面扩展与频率依赖的吸收相结合。为了捕捉非线性效应，我们研究了深度西格玛点过程和随机变分深度核学习。最终框架集成了四个组件：（i）一个可学习的物理信息均值，代表主要的传播趋势；（ii）一个用于沿声源-接收器轨迹的水深数据的卷积编码器；（iii）一个用于声源、接收器和频率坐标的神经编码器；以及（iv）一个提供校准预测不确定性的残差SVGP层。这个概率数字孪生有助于构建声暴露界限和接收声级的最坏情况场景。我们进一步展示了该框架在船舶速度优化中的应用，其中预测的传播损失与近场声源模型相结合，提供了声暴露级估计，以最小化对海洋哺乳动物的声学影响。所提出的框架推进了面向海洋声学的不确定性感知数字孪生，并说明了物理引导的机器学习如何支持可持续的海上作业。