• 한국음향학회지
• /
• 제38권2호
• /
• pp.214-221
• /
• 2019

본 논문은 수중음향센서의 수온 변화에 따른 음향 수신 특성 변화를 이론적, 실험적 방법으로 확인하였다. 반사판 및 배플 구성에 따라 중 저주파용 및 고주파용의 두 가지 음향센서를 설계하여 $-2^{\circ}C{\sim}35^{\circ}C$의 온도범위에서 온도 변화에 따른 음향 수신 특성을 각각 분석하였다. 음향센서 주요 구성 소재의 온도별 물성치 변화에 대한 영향성을 분석하기 위하여 압전세라믹, 몰딩 및 배플 시편의 온도별 물성치 변화를 측정하였고, 측정된 물성치를 활용하여 온도별 수신감도(Receiving Voltage Sensitivity, RVS) 변화를 유한요소해석 기법을 통하여 해석하였다. 제작된 두 가지 음향센서의 온도별 수신감도 특성을 측정하기 위하여, 내부 수온 및 수압 조정이 가능한 압력 챔버에 음향센서를 설치하고 챔버 내부 수온을 변화시켜가며 수신감도를 측정하였다. 측정 및 분석결과 수중센서의 온도별 수신감도 특성은 몰딩 재료의 음속변화에 주도적으로 영향을 받는 것을 확인하였다.

• 한국음향학회지
• /
• 제43권1호
• /
• pp.78-88
• /
• 2024

수중 소음 측정이 가능한 수동 소나에 수신된 선박 방사소음은 Detection of Envelope Modulation on Noise(DEMON) 분석으로 얻은 선박 정보를 사용하여 선박 식별과 분류가 가능하다. 하지만 낮은 신호대잡음비(Signal-to-Noise Ratio, SNR) 환경에서는 DEMON 그램 내 선박 정보가 담겨있는 표적 주파수선을 분석 및 파악하는데 어려움이 발생한다. 본 논문에서는 낮은 SNR 환경에서 보다 정확한 표적 식별을 위해 딥러닝 기법 중 의미론적 분할을 사용하여 표적 주파수선들을 추출하는 연구를 수행하였다. SNR과 기본 주파수를 변경시키며 생성한 모의 DEMON 그램 데이터를 사용하여 의미론적 분할 모델인 U-Net, UNet++, DeepLabv3+를 학습 후 평가하였고, 학습된 모델들을 이용하여 캐나다 조지아 해협에서 측정한 선박 방사소음 데이터셋인 DeepShip으로 제작한 DEMON 그램 예측 성능을 비교하였다. 모의 DEMON 그램으로 학습된 모델을 평가한 결과 U-Net이 성능이 가장 높았으며, DeepShip으로 만든 DEMON 그램의 표적 주파수선을 어느 정도 추출할 수 있는 것을 확인하였다.