Modelagem de Perda de Transmissão de Infra-som com Deep Learning
Atualmente, ferramentas de propagação como o método da equação parabólica (PE) permitem uma modelagem detalhada das perdas de transmissão. No entanto, o alto custo computacional do método PE limita sua aplicação na exploração de um vasto espaço de parâmetros, essencial para operações de monitoramento. Uma abordagem anterior, explorada por Brissaud et al. em 2023, utilizou redes neurais convolucionais treinadas com campos de onda simulados regionalmente (< 1000 km da fonte) para prever perdas de transmissão de forma mais rápida. Contudo, essa metodologia enfrentou desafios, especialmente em altas frequências e sob condições de vento iniciais desfavoráveis, além de questões de causalidade onde ventos distantes afetavam as perdas de transmissão próximas à fonte.
Em resposta a essas limitações, o presente estudo desenvolveu uma rede convolucional otimizada. Esta nova arquitetura foi projetada para minimizar erros de previsão ao modelar perdas de transmissão a partir de campos combinados de temperatura e vento simulados globalmente, cobrindo alcances de propagação de até 4000 km. A abordagem aprimora a técnica anterior através da implementação de otimizações chave que elevam o desempenho geral da arquitetura.
O modelo desenvolvido demonstrou capacidade de prever as perdas de transmissão com um erro médio de 8.6 dB em toda a banda de frequência analisada (0.1-3.2 Hz), considerando cenários atmosféricos realistas. Este avanço representa um passo significativo na redução do tempo computacional necessário para a modelagem precisa da propagação do infra-som, potencialmente beneficiando aplicações operacionais do sistema de monitoramento global. O artigo tem 12 páginas e inclui 7 figuras para detalhar a metodologia e os resultados. Os tópicos abordados se enquadram nas áreas de Processamento de Sinal, Inteligência Artificial e Machine Learning.