TCN-based Machine Learning Analysis of DOFS Data for Subsea Acoustic Source Localization

Abstract

Distribuerte Optiske Fibersensorer (DOFS) tilbyr høyoppløselige tøynings- og temperaturmålinger med lang rekkevidde og som har en minimal innvirkning på måleobjektene, og derfor i økende grad benyttes for måling av både konstruksjoner og omgivelser. Temporale Konvolusjonsnettverk (TCN) er en relativt nyutviklet struktur for kunstige nevrale nettverk som har vist seg å overgå LSTM og andre kjente algoritmer i oppgaver som tar for seg analysering av sekvensiell data. Det er tidligere vist at TCN kan brukes til klassifisering av akustiske frekvenser ved hjelp av tøyningsmålinger fra både fritthengende DOFS og DOFS integrert i objekter. Denne oppgaven utforsker potensialet til DOFS og TCN videre ved å anvende dem for lokalisering av lydkilder i et realistisk undervannsmiljø.

Det ble utviklet et sett med TCN-baserte kategoriske og regresjonsmodeller for hhv. klassifisering og prediksjon av kontinuerlige verdier for posisjonen til en akustisk kilde i form av avstand og retning. TCN-modellene ble trent ved hjelp av tøyningsmålinger samlet inn av DOFS under vann i et eksperiment i den lokale småbåthavna. For denne in-situ datainnsamlingen ble det laget et testoppsett som tillot kontrollert posisjonering av en nedsenket summer som fungerte som den akustiske kilden. Summeren ble plassert på avstander mellom 1 og 3 m i en 120-graders sektor horisontalt relativt til to vertikale DOFS, med målinger tatt av DOFSene ved hjelp av Optisk Tilbakereflektometri (OBR) mens summeren var aktiv. Stabilitetsverifisering av TCN-modellene ble også utført, samt undersøkelser av effekten et varierende antall datapunkter og forfiltrering av målingene brukt til trening hadde på modellenes ytelse.

Resultatene viser at TCN-baserte klassifiseringsmodeller klarer å klassifisere den akustiske kildens posisjonen til en tilfredsstillende grad, mens predikasjonene til de TCN-baserte regresjonsmodellene alle har for stor spredning i verdier til å være praktisk anvendbare. Begge modelltypene er stabile for et varierende antall datapunkter brukt i trening og for variasjoner i de initielle modellparameterene, med kun små ytelsesforskjeller mellom modeller som forutsier en av eller begge posisjonsparametrene. Det vises videre at enhver forfiltrering utover demping av de aller største tøyningsverdiene fører til redusert ytelse, noe som indikerer at forfiltrering fører til tap av vital informasjon.

Dette er den første kjente bruken av TCN-baserte modeller for predikasjon av lydkildeposisjon utenfor et kontrollert labmiljø. Det ble avdekket problemer tilknyttet bruken av referansemålingene nødvendig for beregning av tøyningsverdier. Større endringer eller nye metoder er nødvendig dersom lignende arbeid skal gjennomføres i fremtiden.

Distributed Optical Fibre Sensors (DOFS) are an emerging technology for in-situ structural and environmental monitoring. Optical Fibre Sensing provides high-resolution strain and temperature measurements over long distances and with minimal intrusion to the surroundings. Temporal Convolutional Networks (TCN) are a novel type of Artificial Neural Network architecture that has been proven to outperform LSTM and other earlier algorithms in tasks involving sequential data types. Recent work has demonstrated that TCN can be successfully utilised for the classification of acoustic frequencies using DOFS strain measurements on both free Optical Fibre (OF) and on OF attached to solid structures. This thesis explores the capabilities of DOFS and TCN further, applying them for sound source localisation in a real subsea environment.

Current investigation develops a set of categorical and regression TCN models for classification and continuous value predictions of the distance and direction of an acoustic source relative to the location of the DOFS. The TCN models were trained using subsea DOFS strain measurements collected in a local harbour field experiment. For this data collection in real-life conditions, a test setup was created allowing for the controlled positioning of a submerged buzzer device serving as the acoustic source. The buzzer was placed at horizontal distances between 1 and 3 m in a 120-degree sector horizontally relative to two vertically suspended DOFS, with measurements taken using Optical Backscatter Reflectometry (OBR) while the buzzer was active. Investigations into the TCN model stability and the effect of sample size and pre-filtering of the strain measurements on model performance were also performed.

The results show that TCN classification models are able to classify the position of the acoustic source correctly. For TCN regression models, the predictions have too large a variance to be practically usable. Both model types are stable for varying dataset sequences and initial parameters, with no significant performance differences for models predicting one or both position parameters. It is further shown that any pre-filtering beyond a slight reduction in strain value peaks leads to reduced performance, indicating that pre-filtering leads to a loss of vital information.

As this is the first known use of the TCN approach for DOFS data analysation outside a controlled lab environment, issues regarding the use of reference measurements needed for strain extraction were revealed. Significantly revised or completely new practices for recording reference measurements are likely necessary if similar subsea monitoring approaches are to be employed going forward.