Vektorielle akustische Feldinversion mit Deep Learning

Diese Monografie präsentiert ein Deep-Learning-Framework zur Charakterisierung des Meeresbodens durch die Kombination von Vektor-Akustikfeldphysik und neuronalen Netzen. Sie führt Stokes-Parameter von Vektorhydrophonen als robuste Merkmale für die geoakustische Inversion ein und entwickelt spezialisierte Netzwerke (BP, MTL-TCN, U-Net + ATT-BP) zur Schätzung von Sedimentparametern und zur Extraktion von Dispersionskurven. Die im Gelben Meer validierte Methode erreicht innerhalb von Minuten eine mit Kernmessungen vergleichbare Genauigkeit und übertrifft traditionelle Techniken hinsichtlich Geschwindigkeit und Robustheit deutlich. Die Arbeit unterstreicht die Synergie zwischen physikalischen Prinzipien und datengetriebenem Lernen und bietet eine skalierbare Lösung für die Echtzeit-Kartierung des Meeresbodens sowie für die Weiterentwicklung der autonomen Ozeansensorik.